图像滤波

最新推荐文章于 2022-11-02 20:00:00 发布

羊肉串串魅力无穷

最新推荐文章于 2022-11-02 20:00:00 发布

阅读量904

点赞数

分类专栏：图像 - 处理技术

本文链接：https://blog.csdn.net/lk3030/article/details/84144281

版权

图像 - 处理技术专栏收录该内容

7 篇文章 1 订阅

订阅专栏

图像滤波，可以对图像进行增强（提取图像特征），或对图像进行平滑（降噪、模糊）。

文章目录

滤波器分类

低通滤波器：允许低频率像素通过（去噪、模糊）
高通滤波器：允许高频率像素通过（边缘检测、锐化）

线性滤波器：每个像素的输出值是一些输入像素的加权和，易于从频率响应角度来进行分析，如：

方框滤波：cv2.boxblur函数
均值滤波：cv2.blur函数
高斯滤波：cv2.GaussianBlur函数

非线性滤波，滤波速度相对较慢，有时可以达到更好的实现效果，如：

中值滤波：cv2.medianBlur函数
双边滤波：cv2.bilateralFilter函数

boxblur 方框滤波

用于计算每个像素邻域内的积分特性。方框滤波所用到的核：

$\alpha \begin{bmatrix} 1 & 1 & ... & 1\\ 1 & 1 & ... & 1\\ ..& .. & .. & ..\\ 1 & 1 & ... & 1 \end{bmatrix}$

其中：

$\alpha = \begin{Bmatrix} \frac{1}{kSize.width \times kSize.height} & normalize = True\\ 1 & otherwise \end{Bmatrix}$

当normalize（归一化）为true时，方框滤波也就成了均值滤波。
函数原型如下：

def boxFilter(src, ddepth, ksize, dst=None, anchor=None, normalize=None, borderType=None)

参数：

src：输入图像，即源图像，函数对通道是独立处理的，且可以处理任意通道数的图片
ddepth：出图像的深度，-1代表使用原图深度
ksize：卷积核的大小，Size( w,h )
dst：输出目标图像
anchor：锚点（即被平滑的那个点），默认值Point(-1,-1)，负值表示取核的中心为锚点
normalize：是否归一化（normalized），默认值为true
borderType：用于推断图像外部像素的某种边界模式，默认值BORDER_DEFAULT

返回：输出目标图像

blur 均值滤波

使用邻域像素均值进行滤波，在图像去噪的同时也破坏了图像的细节部分，使图像变得模糊。

函数原型如下：

def blur(src, ksize, dst=None, anchor=None, borderType=None)

参数：

src：输入图像，即源图像，函数对通道是独立处理的，且可以处理任意通道数的图片
ksize：卷积核的大小，Size( w,h )
dst：输出目标图像
anchor：锚点（即被平滑的那个点），默认值Point(-1,-1)，负值表示取核的中心为锚点
borderType：用于推断图像外部像素的某种边界模式，默认值BORDER_DEFAULT

返回：输出目标图像

GaussianBlur 高斯滤波

采用离散化的高斯函数产生归一化的高斯核，基于高斯核函数对图像灰度矩阵的每一点进行加权求和，对于抑制服从正态分布的噪声非常有效。

函数原型如下：

def GaussianBlur(src, ksize, sigmaX, dst=None, sigmaY=None, borderType=None)

参数：

src：输入图像，即源图像，函数对通道是独立处理的，且可以处理任意通道数的图片
ksize：卷积核的大小，Size( w,h )，w，h为正奇数，可以不同
sigmaX：表示高斯核函数在X方向的的标准偏差，double类型
dst：输出目标图像
sigmaY：表示高斯核函数在Y方向的的标准偏差，double类型
borderType：用于推断图像外部像素的某种边界模式，默认值BORDER_DEFAULT

返回：输出目标图像

若sigmaY为零，则sigmaY=sigmaX，若sigmaX和sigmaY都是0，那么就由ksize.width和ksize.height计算出来

正态分布：

正态分布的密度函数叫做"高斯函数"（Gaussian function）。它的一维形式是：

$f(x)=\frac{1}{\sigma \sqrt{2\pi}}e^{-\frac{(x-\mu )^2}{2\sigma^2}}$

其中， $μ$ 是 $x$ 的均值， $σ$ 是 $x$ 的方差。计算平均值的时候，中心点为原点时， $μ$ 等于0：

$f(x)=\frac{1}{\sigma \sqrt{2\pi}}e^{-\frac{x^2}{2\sigma^2}}$

根据一维高斯函数，可以推导得到二维高斯函数：

$G(x,y)=\frac{1}{ 2\pi\sigma^2}e^{-\frac{x^2+y^2}{2\sigma^2}}$

有了这个函数，就可以计算每个点的权重了。

medianBlur 中值滤波

用邻域灰度的中值进行滤波，在去除脉冲/椒盐噪声的同时还能保留图像的细节部分，花费时间是均值滤波的5倍以上，但其在噪声的消除能力上更强。对一些细节多，特别是线、尖顶等细节多的图像不宜采用中值滤波。

函数原型如下：

def medianBlur(src, ksize, dst=None)

参数：

src：输入 1、3或者4通道的图像
ksize：孔径的线性尺寸，值为大于1的正奇数
dst：输出目标图像

返回：输出目标图像

bilateralFilter 双边滤波

使用空间邻近度和灰度相似度进行滤波，比高斯滤波多了一个高斯方差sigma-d，是基于空间分布的高斯滤波函数，达到保留边缘且去除噪声的目的。具有简单、非迭代、局部的特点。但是由于保存了过多的高频信息，对于彩色图像里的高频噪声，双边滤波器不能够干净的滤掉，只能够对于低频信息进行较好的滤波。

函数原型如下：

def bilateralFilter(src, d, sigmaColor, sigmaSpace, dst=None, borderType=None)

参数：

src：输入图像，即源图像，函数对通道是独立处理的，且可以处理任意通道数的图片
d：表示在过滤过程中每个像素邻域的直径
sigmaColor：颜色空间滤波器的sigma值。值越大，表明该像素邻域内有更宽广的颜色会被混合到一起，产生较大的半相等颜色区域。
sigmaSpace：坐标空间中滤波器的sigma方差值，数值越大，意味着越远的像素会相互影响，从而使更大的区域足够相似的颜色获取相同的颜色。当d>0，d指定了邻域大小且与sigmaSpace无关。否则，d正比于sigmaSpace。
dst：输出目标图像
borderType：用于推断图像外部像素的某种边界模式，默认值BORDER_DEFAULT

返回：输出目标图像

使用openCV进行图像滤波

import cv2

def smoothing(k):
    if k % 2 == 0:
        return

    box = cv2.boxFilter(gray, -1, (k, k))
    blur = cv2.blur(gray, (k, k))
    gaussian = cv2.GaussianBlur(gray, (k, k), 0)
    median = cv2.medianBlur(gray, k, 0)
    bilateral = cv2.bilateralFilter(gray, k, k*2, k/2)

    cv2.imshow('box', box)
    cv2.moveWindow('box', 650, 40)
    cv2.imshow('blur', blur)
    cv2.moveWindow('blur', 1200, 40)
    cv2.imshow('gaussian', gaussian)
    cv2.moveWindow('gaussian', 20, 400)
    cv2.imshow('median', median)
    cv2.moveWindow('median', 650, 400)
    cv2.imshow('bilateral', bilateral)
    cv2.moveWindow('bilateral', 1200, 400)


cv2.namedWindow('filter demo')
cv2.moveWindow('filter demo',20,20)
img = cv2.imread("/home/blue/Ivy/data/haar/VehicleDataset/train/91_frame.png")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv2.imshow('filter demo', img)

ksize = 3
cv2.createTrackbar('ksize', 'filter demo', ksize, 25, smoothing)

smoothing(ksize)
if cv2.waitKey(0) == 27:
    cv2.destroyAllWindows()

滤波器 $k S i z e = 5$ 时：

滤波器 $k S i z e = 9$ 时：

滤波器 $k S i z e = 25$ 时：

滤波后，进行边缘检测，滤波器 $k S i z e = 5$ 时：

滤波器 $k S i z e = 9$ 时：

羊肉串串魅力无穷

关注

0
点赞
踩
4

收藏

觉得还不错? 一键收藏
0
评论
图像滤波

图像滤波，可以对图像进行增强（提取图像特征），或对图像进行平滑（降噪、模糊）。文章目录滤波器分类boxblur 方框滤波blur 均值滤波GaussianBlur 高斯滤波medianBlur 中值滤波bilateralFilter 双边滤波使用openCV进行图像滤波滤波器分类低通滤波器：允许低频率像素通过（去噪、模糊）高通滤波器：允许高频率像素通过（锐化）线性滤波器：每...
复制链接

扫一扫