opencv学习（7）

平滑图像

学习模糊/平滑图像，消除噪点

目录

任务

滤波与模糊

均值滤波

方框滤波

高斯滤波

中值滤波

双边滤波

---

任务

1.模糊/平滑图片来消除图片噪声

2.OpenCV函数：cv2.blur()，cv2.GaussianBlur()，cv2.medianBlur()，cv2.bilateralFilter()

滤波与模糊

先接触了部分卷积知识，有助于理解卷积与滤波的概念

首先

它们都属于卷积，不同滤波方法之间只是卷积核不同（对线性滤波而言）

低通滤波器是模糊，高通滤波器是锐化

低通滤波器就是允许低频信号通过，在图像中边缘和噪点都相当于高频部分，所以低通滤波器用于去除噪点、平滑和模糊图像

高通滤波器则反之，用来增强图像边缘，进行锐化处理

常见噪声有椒盐噪声和高斯噪声，

椒盐噪声可以理解为斑点，随机出现在图像中的黑点或白点；

高斯噪声可以理解为拍摄图片时由于光照等原因造成的噪声

均值滤波

均值滤波是一种最简单的滤波处理，它取的是卷积核区域内元素的均值

用cv2.blur()实现

如3×3的卷积核

img = cv2.imread('lena.jpg')
blur = cv2.blur(img, (3, 3))  # 均值模糊

所有的滤波函数都有一个可选参数borderType，这个参数就是之前所说的边框填充方式

 

方框滤波

方框滤波跟均值滤波很像

cv2.boxFilter()

当可选参数normalize为True的时候，方框滤波就是均值滤波，上式中的a就等于1/9；

normalize为False的时候，a=1，相当于求区域内的像素和

# 前面的均值滤波也可以用方框滤波实现：normalize=True
blur = cv2.boxFilter(img, -1, (3, 3), normalize=True)

高斯滤波

前面两种滤波方式，卷积核内的每个值都一样，也就是说图像区域中每个像素的权重也就一样

高斯滤波的卷积核权重并不相同：中间像素点权重最高，越远离中心的像素权重越小

显然这种处理元素间权值的方式更加合理一些

图像为二维，所以opencv用二维高斯函数

比如OpenCV中默认的3×3的高斯卷积核

k=   [    0.0625​   0.125​   0.0625

            0.125 ​    0.25​     0.125

            0.0625​   0.125​   0.0625   ]

一维高斯函数：

二维高斯函数： 

 

可以看到，G(x)的跟sigma的取值有极大的关系

可以看到，权值的分布是以中间高四周低来分布的。并且距离中心越远，其对中心点的影响就越小，权值也就越小。
因此可以总结：
（1）在核大小固定的情况下，sigma值越大，权值分布越平缓。因此，邻域各个点的值对输出值的影响越大，最终结果造成图像越模糊。
（2）在核大小固定的情况下，sigma值越小，权值分布越突起。因此，邻域各个点的值对输出值的影响越小，图像变化也越小。假如中心点权值为1，其他点权值为0，那么最终结果是图像没有任何变化。
（3）sigma固定时，核越大图像越模糊。
（4）sigma固定时，核越小图像变化越小

OpenCV中对应函数为cv2.GaussianBlur(src,ksize,sigmaX)

img = cv2.imread('gaussian_noise.bmp')
# 均值滤波vs高斯滤波
blur = cv2.blur(img, (5, 5))  # 均值滤波
gaussian = cv2.GaussianBlur(img, (5, 5), 1)  # 高斯滤波

参数3 σx值越大，模糊效果越明显。高斯滤波相比均值滤波效率要慢，但可以有效消除高斯噪声，能保留更多的图像细节，所以经常被称为最有用的滤波器。均值滤波与高斯滤波的对比结果如下（均值滤波丢失的细节更多）

 

中值滤波

中值又叫中位数，是所有数排序后取中间的值。中值滤波就是用区域内的中值来代替本像素值，所以那种孤立的斑点，如0或255很容易消除掉，适用于去除椒盐噪声和斑点噪声。中值是一种非线性操作，效率相比前面几种线性滤波要慢 

如下面这张斑点噪声图，用中值滤波显然更好

img = cv2.imread('salt_noise.bmp', 0)
# 均值滤波vs中值滤波
blur = cv2.blur(img, (5, 5))  # 均值滤波
median = cv2.medianBlur(img, 5)  # 中值滤波

 

 

 

双边滤波

模糊操作基本都会损失掉图像细节信息，尤其前面介绍的线性滤波器，图像的边缘信息很难保留下来。然而，边缘（edge）信息是图像中很重要的一个特征，所以这才有双边滤波

用cv2.bilateralFilter()实现

img = cv2.imread('lena.jpg')
# 双边滤波vs高斯滤波
gau = cv2.GaussianBlur(img, (5, 5), 0)  # 高斯滤波
blur = cv2.bilateralFilter(img, 9, 75, 75)  # 双边滤波

 

 

双边滤波明显保留了更多边缘信息 

高斯滤波同时参考

OpenCV高斯滤波GaussianBlur_godadream的博客-CSDN博客_gaussianblur

OpenCV高斯滤波器详解及代码实现_青城山小和尚的博客-CSDN博客_opencv高斯滤波