图像平滑与滤波

名词解释

图像噪声：图像在产生、传输等过程中被其他因素干扰或由于某些原因出现数据丢失，出现的某些像素点明显异于周围像素点的现象，称作图像噪声；

图像平滑：为了降低噪声对图像质量带来的影响，对图像进行区域增强的算法，“平滑”可以理解为降低噪点与周围正常点差异，抚平像素值的显著跃迁；

人工增噪

import cv2
import numpy as np
import matplotlib.pyplot as plt


def read_image(path, mode):
    image = cv2.imread(path, mode)
    return image


def add_noise(img, noise_point_cnt=10000):
    height, width = img.shape[0], img.shape[1]
    for i in range(noise_point_cnt):
        x = np.random.randint(0, height)
        y = np.random.randint(0, width)
        img[x, y, :] = 255
    return img


def show_source_blurred(img, blur_img):
    images = [img, blur_img]
    titles = ['Source', 'Blurred']
    for i in range(2):
        plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')
        plt.title(titles[i])
        plt.xticks([]), plt.yticks([])
    plt.show()

滤波算法

均值滤波

对于每个需要被增强的点，定义一个邻域K，如点A(10,20)，定义邻域大小(3,3)，那么该点的领域为以B1(9,19)为左上角，B2(11,21)为右下角的矩形合围区域；

（8,18）	（8,19）	(8,20)	(8,21)	(8,22)
（9,18）	（9,19）	（9,20）	（9,21）	（9,22）
（10,18）	（10,19）	（10,20）	（10,21）	（10,22）
（11,18）	（11,19）	（11,20）	（11,21）	（11,22）
（12,18）	（12,19）	（12,20）	（12,21）	（12,22）

 

 

 

 

 

增强后的点A新值=邻域内所有点的均值；

def compare_simple_blur(img):
    blur_img = cv2.blur(img, (3, 3))
    show_source_blurred(img, blur_img)

方框滤波

划定邻域，将邻域内所有点求和，作为增强后的值；

Python-OpenCV中boxFilter方法中的normalize参数，0代表直接求和；1代表正规化，即对和平均，normalize=1效果等同于均值滤波；

def compare_box_filter(img):
    blur_img = cv2.boxFilter(img, -1, (3, 3), normalize=0)
    show_source_blurred(img, blur_img)

高斯滤波

高斯滤波相当于给邻域内所有点加了个权重，离A越近的点，对A的影响越大；

权重分布服从于高斯分布；

def compare_gaussian_blur(img):
    blur_img = cv2.GaussianBlur(img)
    show_source_blurred(img, blur_img)

中值滤波

首先邻域大小必须为奇数，邻域内所有点按值排序；

增强后的点A的新值=邻域内所有点的中值；

def compare_median_blur(img):
    blur_img = cv2.medianBlur(img)
    show_source_blurred(img, blur_img)