图像运算和图像增强七

图像运算和图像增强七

图像平滑之均值滤波、方框滤波、高斯滤波

（1）图形平滑

图像平滑是一项简单且使用频率很高的图像处理方法，可以用来压制、弱化或消除图像中的细节、突变、边缘和噪声，最常见的是用来减少图像上的噪声。
噪声滤除算法多种多样，可以从设计方法上分为线性滤波算法和非线性滤波算法两大类。

线性滤波

在图像处理中，对邻域中的像素的计算为线性运算时，如利用窗口函数进行平滑加权求和的运算，或者某种卷积运算，都可以称为线性滤波。

非线性滤波

非线性滤波利用原始图像跟模版之间的一种逻辑关系得到结果，如中值滤波、双边滤波等。非线性滤波技术从某种程度上弥补了线性滤波方法的不足，由于它能够在滤除噪声的同时较好地保持图像信号的高频细节，从而得到广泛的应用。
常见的图像平滑算法


（2）均值滤波
均值滤波是最简单的一种线性滤波算法，均值滤波输出图像的每一个像素值是其周围MxM个像素值的加权平均值（不包括目标像素点），调用OpenCV中的cv2.blur()函数实现均值滤波处理。

import cv2
import numpy as np
import matplotlib.pyplot as plt
#读取图片
img=cv2.imread('lena-zs.png')
source=cv2.cvtColor(img,cv2,COLOR_BGR2RGB)
#均值滤波
result=cv2.blur(source,(3,3))
#用来正常显示中文标签
plt.rcParams['font.sans-serif']=['SimHei']
#显示图形
title=['原始图像’,'均值滤波']
images=[source,result]
for i in range(2):
	plt.subplot(1,2,i+1),plt.imshow(images[i],'gray')
	plt.title(titles[i])
	plt.xticks([]),plt,yticks([])
plt.show()

如果图像中的噪声仍然存在，可以增加模糊内核的大小，比如使用5x5,10x10的，但是处理后的图像会逐渐变得更加模糊。（下图为10x10的图像）

图像均值滤波是通过模糊内核对图像进行平滑处理，由于模糊内核中的每个权重值都相同，故称为均值。该方法在一定程度上消除了原始图像中的噪声，降低了原始图像的对比度，但也存在一定缺陷，它在降低噪声的同时使图像变得模糊，尤其是边缘和细节处，而且模糊内核越大，模糊程度越严重。
（3）方框滤波
方框滤波又称为盒式滤波，它利用卷积运算对图像邻域的像素值进行平均处理，从而实现消除图像中的噪声。方框滤波和和均值滤波的模糊内核基本一样，区别为是否需要进行均一化处理（归一化就是把要处理的像素值都缩放到一个范围内，以便统一处理和直观量化）。调用OpenCV中的cv2.boxFilter()函数实现方框滤波处理。

import cv2
import numpy as np
import matplotlib.pyplot as plt
#读取图片
img=cv2.imread('lena-zs.png')
source=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
#方框滤波
result=cv2.boxFilter(sourcr,-1,(3,3),normalize=1）
#用来正常显示中文标签
plt.rcParams['font.sans-serif']=['SimHei']
#显示图形
titles=['原始图像','方框滤波']
images=[source,result]
for i in range(2):
	plt.subplot(1,2,i+1),plt.imshow(images[i],'gray')
	plt.title(titles[i])
	plt.xticks([]),plt.yticks([])
plt.show()

（4）高斯滤波
为了克服局部平均法造成图像模糊的弊端，又提出了一些保持边缘细节的局部平滑算法，图像高斯滤波（高斯平滑）就是这样一种算法。它是应用邻域平均思想对图像进行平滑的一种线性平滑滤波，对于抑制服从正态分布的噪声非常有效，适用于消除高斯噪声，被广泛应用于图像处理的减噪过程。
通俗地讲，高斯滤波就是
对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值（权重不同）经过加权平均后得到。中 OpenCV 主要调用 GaussianBlur()函数实现高斯平滑处理。

import cv2 
import numpy as np 
import matplotlib.pyplot as plt
#读取图片
img = cv2.imread('lena-zs.png')
source = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
#高斯滤波
result = cv2.GaussianBlur(source, (7,7), 0)
#用来正常显示中文标签
plt.rcParams['font.sans-serif']=['SimHei']
#显示图形
titles = ['原始图像', '高斯滤波'] 
images = [source, result]
for i in range(2):
	plt.subplot(1,2,i+1),plt.imshow(images[i],'gray')
	plt.title(title[i])
	plt.xticks([]),plt.yticks([])
plt.show()

高斯滤波作为最有效的滤波器之一，它对于抑制服从正态分布的噪声非常有效。