opencv--python学习记录（六）

一、图像滤波

1、滤波的定义

        作用：一幅图像经过滤波器得到另一幅图像；原始图像和小矩阵的乘积

        其中滤波器也称为卷积核，滤波的过程称为卷积；

        卷积核的大小：一般为奇数，3*3，也有5*5、7*7；为什么是奇数呢？一方面是因为padding的原因，为了输出的大小和输入保存一致；另一方面是由于锚点的原因，防止位置发生偏移；具体可以看网上资料；

        卷积核越大，看到的信息越多，提取的特征越好，同时计算量越大；

        锚点：卷积核的正中心就是锚点，为了防止信息的偏差；

        边界扩充，卷积的结果一般比输入小，这时候我们就要用到边界扩充，使输入输出大小相等。比如5*5的原图边界扩充成7*7的然后和3*3的卷积核相乘输出5*5的图片。

        步长：跨多大距离进行卷积操作；如下图表示步长为2时的卷积操作（一般为1）

         以上计算公式如下：

 2、低通滤波

        低通滤波：波低于某一阈值可以通过，效果是去除噪音或平滑图像，比如磨皮特效

        高通滤波：波高于某一阈值可以通过，效果是可以帮助查找图像的边缘。

（1）filter2D（src , ddepth, kernel, anchor, delta, borderType）

        图像卷积的API

        ddepth卷积之后图像的位深，一般设置为-1（表示和原图位深一样）

        kernel卷积核：选择使用的卷积核。

        anchor锚点，选择卷积核的中心点。默认是-1（根据你核的内容来找中心点）

        delta滤波后加一个δ值，一般默认为0

         borderType边界的类型，一般不做设置；前三个是关键。

        简单的使用API均值滤波例子：

import cv2
import numpy as np

img = cv2.imread("F:\\tupian\\chinacar.jpeg")

kernel = np.ones((5,5),np.float32)/25

dst = cv2.filter2D(img, -1, kernel)

cv2.imshow('dst',dst)
cv2.imshow('img',img)
cv2.waitKey(0)

cv2.destroyAllWindows()

（2）方盒滤波

 

        其中a的参数如下，当normakiz=true时，方盒滤波等于均值滤波：

方盒滤波API：boxFilter( src , ddepth, ksize, anchor, normalize, borderType)

均值滤波API：blur( src, ksize , anchor, borderType ) 

import cv2
import numpy as np

img = cv2.imread("F:\\tupian\\chinacar.jpeg")

# kernel = np.ones((5,5),np.float32)/25
# dst = cv2.filter2D(img, -1, kernel)

dst = cv2.blur(img, (5,5))

cv2.imshow('dst',dst)
cv2.imshow('img',img)
cv2.waitKey(0)

cv2.destroyAllWindows()

（3）高斯滤波

 

        高斯滤波的特征时中间高两边低，其卷积核中间比重高，边缘比重低：高斯滤波主要解决高斯噪点；

高斯滤波API：GaussianBlur（img， ksize， sigmaX， sigmaY，....）

        其中sigmaX和sigmaY时x和y到中心的延展或者到中心的误差；

（4）中值滤波

        中值滤波的定义，假如有一个数组【1556789】，取其中的中间值6作为卷积的结果；

        中值滤波可以对胡椒噪音有很好的效果           

中值滤波API：medianBlur（img， ksize）                                                                           

 （5）双边滤波

        双边滤波的定义：可以保留边缘；同时可以对边缘内的区域进行平滑处理；简而言之就是美颜功能；

 双边滤波API：bilateralFilter(img , d, sigmaColor, sigmaSpace, ....)

        d：过滤期间使用的每个像素邻域的直径。如果它是非正的，则从sigmaSpace计算。

        另外两个可以看手册；

import cv2
import numpy as np

img = cv2.imread("F:\\tupian\\lena.jpeg")

# kernel = np.ones((5,5),np.float32)/25
# dst = cv2.filter2D(img, -1, kernel)

# dst = cv2.blur(img, (5,5))

# dst = cv2.GaussianBlur(img , (5,5), sigmaX=1,)

# dst = cv2.medianBlur(img, 5)

dst = cv2.bilateralFilter(img , 7, 20, 50)

cv2.imshow('dst',dst)
cv2.imshow('img',img)
cv2.waitKey(0)

cv2.destroyAllWindows()

3、高通滤波

        Sobel高通滤波（索贝尔）（高斯）和Scharr（沙尔）时常见的两种高通滤波，一般可以使用索贝尔API代替沙尔，laplacian（拉普拉斯）也是常见高通滤波。

（1）Sobel算子

        通过先求X方向求导（边缘）；然后再向在Y轴方向求导（边缘），最终： 

 索贝尔API：Sobel（src , ddepth, dx ,dy, ksize= 3, ....）

        当ksize=-1时相当于沙尔算子；如果直接求两个方向的边缘结果不理想；所以我们采用两个方向分别求边缘最后相加结果的方法。

import cv2
import numpy as np

img = cv2.imread("F:\\tupian\\chess.jpeg")

#y方向边缘
d1 = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=5)

#x方向的边缘
d2 = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=5)

#合并dst和dst2
# dst = d1 + d2
dst = cv2.add(d1,d2 )

cv2.imshow('img',img)
cv2.imshow('d1',d1)
cv2.imshow('d2',d2)
cv2.imshow('dst',dst)
cv2.waitKey(0)

cv2.destroyAllWindows()

（2）Scharr算子

        与Sobel类似，只不过使用的kernel值不同；Scharr只能求X方向或Y方向的边缘，

Scharr算子API：Scharr(src , ddepth , dx ,dy, .....)

（3）laplacian（拉普拉斯）算子

        可以同时求两个方向的边缘；对噪音比较敏感， 一般需要先进行去噪再调用拉普拉斯；

laplacian（拉普拉斯）算子API：Laplacian（img， ddepth, ksize , ....）

 （4）Canny

        Canny称为边缘检测的终极大法，比前三种高通滤波更加简单，细节化；

        首先使用5*5的高斯滤波消除噪声；再计算图像梯度方向（0/45/90/135°）四个方向进行；

再在四个方向上取局部最大值；阈值计算。

Canny的API：Canny（img， minVal, maxVal,......）

import cv2
import numpy as np

img = cv2.imread("F:\\tupian\\lena.jpeg")

dst = cv2.Canny(img, 100,200)
dst2 = cv2.Canny(img, 50,220)
dst3 = cv2.Canny(img, 150,151)

cv2.imshow('img',img)
cv2.imshow('dst',dst)
cv2.imshow('dst2',dst2)
cv2.imshow('dst3',dst3)
cv2.waitKey(0)

cv2.destroyAllWindows()