图像处理组队学习Task4-图像滤波

简介

图像的实质是一种二维信号，滤波是信号处理中的一个重要概念。在图像处理中，滤波是一种非常常见的技术，它们的原理非常简单，但是其思想却十分值得借鉴，滤波是很多图像算法的前置步骤或基础，掌握图像滤波对理解卷积神经网络也有一定帮助。

均值滤波、方框滤波

1. 滤波分类

线性滤波： 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。常见的线性滤波有：均值滤波、高斯滤波、盒子滤波、拉普拉斯滤波等等，通常线性滤波器之间只是模版系数不同。

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，如最值滤波器，中值滤波器。比较常用的有中值滤波器和双边滤波器。

2.方框（盒子）滤波

方框滤波是一种非常有用的线性滤波，也叫盒子滤波，均值滤波就是盒子滤波归一化的特殊情况。 应用： 可以说，一切需要求某个邻域内像素之和的场合，都有方框滤波的用武之地，比如：均值滤波、引导滤波、计算Haar特征等等。

优势： 就一个字：快！它可以使复杂度为O(MN)的求和，求方差等运算降低到O(1)或近似于O(1)的复杂度，也就是说与邻域尺寸无关了，有点类似积分图吧，但是比积分图更快（与它的实现方式有关）。

在原理上，是采用一个卷积核与图像进行卷积：

其中：

可见，归一化了就是均值滤波；不归一化则可以计算每个像素邻域上的各种积分特性，方差、协方差，平方和等等。

3. 均值滤波

均值滤波的应用场合： 根据冈萨雷斯书中的描述，均值模糊可以模糊图像以便得到感兴趣物体的粗略描述，也就是说，去除图像中的不相关细节，其中“不相关”是指与滤波器模板尺寸相比较小的像素区域，从而对图像有一个整体的认知。即为了对感兴趣的物体得到一个大致的整体的描述而模糊一幅图像，忽略细小的细节。

均值滤波的缺陷： 均值滤波本身存在着固有的缺陷，即它不能很好地保护图像细节，在图像去噪的同时也破坏了图像的细节部分，从而使图像变得模糊，不能很好地去除噪声点。特别是椒盐噪声。

均值滤波是上述方框滤波的特殊情况，均值滤波方法是：对待处理的当前像素，选择一个模板，该模板为其邻近的若干个像素组成，用模板的均值（方框滤波归一化）来替代原像素的值。公式表示为：

g(x,y)为该邻域的中心像素，n跟系数模版大小有关，一般3*3邻域的模板，n取为9，如：

当然，模板是可变的，一般取奇数，如5 * 5 , 7 * 7等等。

注：在实际处理过程中可对图像边界进行扩充，扩充为0或扩充为邻近的像素值。

基于python-opencv的实现

方框滤波

import cv2
img=cv2.imread('./a.jpg')
cv2.imshow('tree',img)
img2 = cv2.boxFilter(img, -1, (5,5), normalize=0)
img3 = cv2.boxFilter(img, -1, (3,3), normalize=0)
cv2.imshow('box_filter_tree2',img2)
cv2.imshow('box_filter_tree3',img3)
cv2.waitKey()
cv2.destroyAllWindows()

原始图像：

方框滤波后：

方框滤波不采用归一化的时候，使用卷积核操作很容易使得像素值溢出，即对应的像素值为255，即白色，所以整体发白。

均值滤波

import cv2
img=cv2.imread('./a.jpg')
cv2.imshow('tree',img)
img=cv2.blur(img, (3, 3))
cv2.imshow('tree_mean_blur',img)
cv2.waitKey()
cv2.destroyAllWindows()

原图：

均值滤波：

整体变模糊了

高斯滤波

import cv2
img=cv2.imread('./a.jpg')
cv2.imshow('tree',img)
img=cv2.GaussianBlur(img, (3,3), 0)
cv2.imshow('tree_mean_blur',img)
cv2.waitKey()
cv2.destroyAllWindows()

原图：

高斯滤波：

参考：

https://github.com/datawhalechina/team-learning/blob/master/%E8%AE%A1%E7%AE%97%E6%9C%BA%E8%A7%86%E8%A7%89%E5%9F%BA%E7%A1%80%EF%BC%9A%E5%9B%BE%E5%83%8F%E5%A4%84%E7%90%86%EF%BC%88%E4%B8%8A%EF%BC%89/Task04%20%E5%9B%BE%E5%83%8F%E6%BB%A4%E6%B3%A2.md
https://blog.csdn.net/engineerhe/article/details/99611640