图像平滑（opencv_python学习）

2D卷积（图像过滤）

2D卷积是一种对图像进行滤波的方法，一般来说，卷积操作可以实现平滑、锐化、边缘检测等不同的图像处理效果，具体取决于卷积核的设计。
在OpenCV中，可以使用cv2.filter2D函数将一个内核与图像进行卷积。

可以使用各种低通滤波器（LPF），高通滤波器（HPF）等对图像进行滤波。
LPF有助于消除噪声，使图像模糊等。HPF滤波器有助于在图像中找到边缘。

# 定义5x5平均滤波器内核
kernel = np.ones((5, 5), np.float32) / 25

# 进行卷积操作
filtered_img = cv2.filter2D(img, -1, kernel)

其中参数-1表示输出图像与输入图像具有相同的深度。

模糊后的图像：

图像模糊（图像平滑）

均值模糊

均值模糊（Mean Blur）：使用一个归一化的卷积核来对图像进行平均滤波，将每个像素周围的像素值取平均。这种模糊技术可以有效地减少高频噪声，但可能会导致图像失去细节。

cv2.blur(src, ksize[, dst[, anchor[, borderType]]])
cv2.boxFilter(src, ddepth, ksize[, dst[, anchor[, normalize[, borderType]]]])

• cv2.blur(src, ksize[, dst[, anchor[, borderType]]])：使用一个归一化的卷积核对图像进行平均滤波，并返回结果图像。ksize参数指定了卷积核的大小，anchor参数表示锚点的位置，borderType参数指定了边界像素的处理方式。
• cv2.boxFilter(src, ddepth, ksize[, dst[, anchor[, normalize[, borderType]]]])：使用一个非归一化的卷积核对图像进行平均滤波，并返回结果图像。ddepth参数表示输出图像的深度，ksize参数指定了卷积核的大小，anchor参数表示锚点的位置，normalize参数表示是否对卷积核进行归一化，borderType参数指定了边界像素的处理方式。

如果不想使用标准化的框式过滤器，请使用cv.boxFilter()。将参数 normalize = False 传递给函数。

高斯模糊

高斯模糊和均值模糊是两种常用的图像模糊技术，它们在平滑图像的过程中有一些区别。

核函数的不同：

• 高斯模糊使用高斯函数作为核函数，该函数以中心点为最高点，逐渐减小至边缘，并形成一个连续的曲线。高斯函数在空间域和频率域都是平滑的。
• 均值模糊使用均匀权重的矩形函数作为核函数，即将卷积核的每个像素的权重设置为相等值。

模糊效果的不同：

• 高斯模糊产生的效果比较自然，可以减小图像中各像素之间的差异，同时能够保留更多的细节信息。
• 均值模糊会对图像进行整体的平均处理，可能导致图像的细节丢失，特别是在处理噪声时，可能会产生较差的去噪效果。

处理速度的不同：

• 由于高斯模糊使用了连续的高斯函数，计算复杂度较高，因此相对而言，高斯模糊的处理速度可能较慢。
• 均值模糊使用简单的均匀权重的核函数，计算复杂度较低，因此处理速度可能更快。

使用 cv2.GaussianBlur() 函数实现高斯模糊，使用函数 cv.getGaussianKernel() 创建高斯内核

cv2.GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]])

具体参数说明如下：

• src：输入图像。
• ksize：卷积核的大小。它可以是一个二维的奇数值矩阵，如(3, 3)、(5, 5)，表示高斯核的尺寸。
• sigmaX：X方向上的高斯核标准差。
• dst（可选）：输出结果图像，与输入图像具有相同的大小和数据类型。
• sigmaY（可选）：Y方向上的高斯核标准差，如果未指定，则默认与sigmaX相等。
• borderType（可选）：边界像素的处理方式。

使用cv2.GaussianBlur()函数可以对图像进行高斯模糊处理，并根据给定的标准差（sigmaX和sigmaY）调整模糊效果的程度。较大的标准差将导致更大程度的模糊。

中值模糊

OpenCV中的cv.medianBlur()函数，它用于进行中值模糊处理。中值模糊是一种常用的图像滤波算法，用于去除椒盐噪声。

blur = cv.medianBlur(src, ksize)

该函数接受两个参数：

• src是输入图像。
• ksize表示中值模糊的内核大小，即内核的宽度和高度。这里要求ksize为正奇数整数，例如1、3、5等。较大的ksize会产生更强烈的模糊效果。

双边模糊

OpenCV中的cv.bilateralFilter()函数，它是一种能够同时去噪并保持边缘清晰锐利的滤波器。相较于其他滤波器而言，cv.bilateralFilter()的速度较慢。

传统的高斯滤波器仅考虑像素周围的邻域，并计算其高斯加权平均值。高斯滤波器仅是空间函数，即仅考虑附近像素，而不关注像素之间的差异。这导致了边缘模糊，这并不是我们所期望的结果。

而双边滤波器在空间中也采用高斯滤波器，在像素差异方面增加了一个高斯函数作为补充。空间高斯函数确保只有附近像素被模糊，而强度差的高斯函数确保只有与中心像素相似的像素被模糊。由于边缘处像素强度变化较大，因此可以保留边缘。

filtered_image = cv.bilateralFilter(src, d, sigma_color, sigma_space)

该函数接受四个参数：

• src是输入图像。
• d是过滤器的直径，也称为领域直径。它决定了在空间中有多少像素被考虑在内。
• sigma_color是颜色空间的标准差，该参数影响对颜色相似度的权重。较大的值将导致更多的颜色被视为相似，从而增加模糊范围。
• sigma_space是空间域的标准差，该参数影响对空间相似度的权重。较大的值将导致更多的像素被视为相似，从而增加模糊范围。

四种模糊的对比

• 均值滤波器：

1. 应用场景：主要用于去除图像中的高频噪声，例如椒盐噪声或高斯噪声。
2. 原理：将像素点周围邻域内的像素值取平均值，从而实现去噪。
3. 效果：能够有效消除噪声，但在滤波过程中会造成图像模糊。

• 中值滤波器：

1. 应用场景：适用于去除图像中的椒盐噪声或脉冲噪声。
2. 原理：将像素点周围邻域内的像素值排序，并取中间值作为滤波结果。
3. 效果：能够有效去除噪声，同时相对于均值滤波器来说，中值滤波器能够更好地保持图像细节。

• 高斯滤波器：

1. 应用场景：广泛应用于图像模糊、降噪和平滑处理。
2. 原理：通过对像素点周围邻域内的像素进行加权平均，使得离中心像素距离近的像素具有更大的权重。
3. 效果：能够有效平滑图像，消除噪声，同时相对于均值滤波器来说，高斯滤波器能够更好地保持图像细节。

• 双边滤波器：

1. 应用场景：适用于同时去噪和保持边缘清晰锐利的情况，特别是在保留边缘细节方面具有优势。
2. 原理：结合空间域和像素强度的高斯滤波，通过同时考虑像素之间的空间距离和像素值差异来进行滤波。
3. 效果：能够较好地去除噪声，同时保持图像的边缘锐利。