OpenCV-Python教程（5、初级滤波内容）

本篇文章介绍如何用OpenCV-Python来实现初级滤波功能。

提示：

• 转载请详细注明原作者及出处，谢谢！
  
• 本文介绍使用OpenCV-Python实现基本的滤波处理
• 本文不介绍滤波处理的详细概念，所以读者需要预先对其有一定的了解。

简介

过滤是信号和图像处理中基本的任务。其目的是根据应用环境的不同，选择性的提取图像中某些认为是重要的信息。过滤可以移除图像中的噪音、提取感兴趣的可视特征、允许图像重采样，等等。其源自于一般的信号和系统理论，这里将不介绍该理论的细节。但本章会介绍关于过滤的基本概念，以及如何在图像处理程序中使用滤波器。首先，简要介绍下频率域分析的概念。

当我们观察一张图片时，我们观察的是图像中有多少灰度级（或颜色）及其分布。根据灰度分布的不同来区分不同的图像。但还有其他方面可以对图像进行分析。我们可以观察图像中灰度的变化。某些图像中包含大量的强度不变的区域（如蓝天），而在其他图像中的灰度变化可能会非常快（如包含许多小物体的拥挤的图像）。因此，观察图像中这些变化的频率就构成了另一条分类图像的方法。这个观点称为频域。而通过观察图像灰度分布来分类图像称为空间域。

频域分析将图像分成从低频到高频的不同部分。低频对应图像强度变化小的区域，而高频是图像强度变化非常大的区域。目前已存在若干转换方法，如傅立叶变换或余弦变换，可以用来清晰的显示图像的频率内容。注意，由于图像是一个二维实体，所以其由水平频率（水平方向的变化）和竖直频率（竖直方向的变化）共同组成。

在频率分析领域的框架中，滤波器是一个用来增强图像中某个波段或频率并阻塞（或降低）其他频率波段的操作。低通滤波器是消除图像中高频部分，但保留低频部分。高通滤波器消除低频部分

本篇文章介绍在OpenCV-Python中实现的初级的滤波操作，下一篇文章介绍更加复杂的滤波原理及其实现。

本篇文章使用传统的lena作为实验图像。

用低通滤波来平滑图像

低通滤波器的目标是降低图像的变化率。如将每个像素替换为该像素周围像素的均值。这样就可以平滑并替代那些强度变化明显的区域。在OpenCV中，可以通过blur函数做到这一点：

[python]  view plain copy

1. dst = cv2.blur(image,(5,5));   

其中dst是blur处理后返回的图像，参数一是输入的待处理图像，参数2是低通滤波器的大小。其后含有几个可选参数，用来设置滤波器的细节，具体可查阅参考资料2。不过这里，这样就够了。下面是一个简单的示例代码：

[python]  view plain copy

1. #coding=utf-8  
2. import cv2  
3.   
4. img = cv2.imread("D:/lena.jpg", 0)  
5. result = cv2.blur(img, (5,5))  
6.   
7. cv2.imshow("Origin", img)  
8. cv2.imshow("Blur", result)  
9.   
10. cv2.waitKey(0)  
11. cv2.destroyAllWindows()  

结果如下，左边是平滑过的图像，右边是原图像：

这种滤波器又称为boxfilter（注，这与化学上的箱式过滤器是两码事，所以这里就不翻译了）。所以也可通过OpenCV的cv2.bofxfilter(...)函数来完成相同的工作。如下：

[python]  view plain copy

1. result1 = cv2.boxFilter(img, -1, (5, 5))  

这行代码与上面使用blur函数的效果完全相同。其中第二个参数的-1表示输出图像使用的深度与输入图像相同。后面还有几个可选参数，具体可查阅OpenCV文档。

高斯模糊

在某些情况下，需要对一个像素的周围的像素给予更多的重视。因此，可通过分配权重来重新计算这些周围点的值。这可通过高斯函数（钟形函数，即喇叭形数）的权重方案来解决。cv::GaussianBlur函数可作为滤波器用下面的方法调用：

[python]  view plain copy

1. gaussianResult = cv2.GaussianBlur(img,(5,5),1.5)  

区别

低通滤波与高斯滤波的不同之处在于：低通滤波中，滤波器中每个像素的权重是相同的，即滤波器是线性的。而高斯滤波器中像素的权重与其距中心像素的距离成比例。关于高斯模糊的详细内容，抽空将写一篇独立的文章介绍。

使用中值滤波消除噪点

前面介绍的是线性过滤器，这里介绍非线性过滤器——中值滤波器。由于中值滤波器对消除椒盐现象特别有用。所以我们使用第二篇教程中椒盐函数先对图像进行处理，将处理结果作为示例图片。

调用中值滤波器的方法与调用其他滤波器的方法类似，如下：

[python]  view plain copy

1. result = cv2.medianBlur(image,5)  

函数返回处理结果，第一个参数是待处理图像，第二个参数是孔径的尺寸，一个大于1的奇数。比如这里是5，中值滤波器就会使用5×5的范围来计算。即对像素的中心值及其5×5邻域组成了一个数值集，对其进行处理计算，当前像素被其中值替换掉。

如果在某个像素周围有白色或黑色的像素，这些白色或黑色的像素不会选择作为中值（最大或最小值不用），而是被替换为邻域值。代码如下：

[python]  view plain copy

1. #coding=utf-8  
2. import cv2  
3. import numpy as np    
4.     
5. def salt(img, n):    
6.     for k in range(n):    
7.         i = int(np.random.random() * img.shape[1]);    
8.         j = int(np.random.random() * img.shape[0]);    
9.         if img.ndim == 2:     
10.             img[j,i] = 255    
11.         elif img.ndim == 3:     
12.             img[j,i,0]= 255    
13.             img[j,i,1]= 255    
14.             img[j,i,2]= 255    
15.     return img   
16.   
17. img = cv2.imread("D:/lena.jpg", 0)  
18. result = salt(img, 500)  
19. median = cv2.medianBlur(result, 5)  
20.   
21.   
22. cv2.imshow("Salt", result)  
23. cv2.imshow("Median", median)  
24.   
25. cv2.waitKey(0)  

处理结果如下：

由于中值滤波不会处理最大和最小值，所以就不会受到噪声的影响。相反，如果直接采用blur进行均值滤波，则不会区分这些噪声点，滤波后的图像会受到噪声的影响。

中值滤波器在处理边缘也有优势。但中值滤波器会清除掉某些区域的纹理（如背景中的树）。

其他

由于方向滤波器与这里的原理有较大的出入，所以将用独立的一篇文章中介绍其原理以及实现。

参考资料：

1、《Opencv2 Computer Vision Application Programming Cookbook》

2、《OpenCV References Manule》

如果觉得本文写的还可以的话，请轻点“顶”，您的支持是我写下去的动力之一。

未完待续。。。如有错误请指正，本人会虚心接受并改正！谢谢！