opencv-python：14_图像平滑（模糊）与 常见图像滤波（低通与高通滤波、图像卷积cv.filter2D()、线性滤波（方框滤波、均值滤波、高斯滤波）、非线性滤波（中值滤波、双边滤波））

图像平滑(模糊)与图像滤波

• 低通滤波和高通滤波
• 学习使用不同的低通滤波器对图像进行模糊
• 使用自定义的滤波器对图像进行卷积（2D 卷积）
• opencv中常见的图像滤波

一、低通滤波和高通滤波

与以为信号一样，我们也可以对 2D 图像实施低通滤波（LPF），高通滤波（HPF）。

• LPF 帮助我们去除噪音，模糊图像
• HPF 帮助我们找到图像的边缘
• 低通滤波器是模糊，高通滤波器是锐化
• 低通滤波器就是允许低频信号通过，在图像中边缘和噪点都相当于高频部分，所以低通滤波器用于去除噪点、平滑和模糊图像。高通滤波器则反之，用来增强图像边缘，进行锐化处理。

二、图像卷积概念

在OpenCV中也可以自己定义自己的滤波器，然后使用filter2D函数进行运算。OpenCV 提供的函数 cv.filter2D() 可以让我们对一幅图像进行卷积操作。

dst=cv.filter2D(src, ddepth, kernel[, dst[, anchor[, delta[, borderType]]]])

• 参数 描述
  • src 原图像
  • dst 目标图像，与原图像尺寸和通过数相同
  • ddepth ddepth表示目标图像的所需深度，它包含有关图像中存储的数据类型的信息，可以是unsigned char（CV_8U），signed char（CV_8S），unsigned short（CV_16U）等等。 当ddepth=-1时，表示输出图像与原图像有相同的深度。
  • kernel 卷积核（或相当于相关核），单通道浮点矩阵;如果要将不同的内核应用于不同的通道，请使用拆分将图像拆分为单独的颜色平面，然后单独处理它们。
  • anchor 内核的锚点，指示内核中过滤点的相对位置;锚应位于内核中;默认值（-1，-1）表示锚位于内核中心。
  • detal 在将它们存储在dst中之前，将可选值添加到已过滤的像素中。类似于偏置。
  • borderType 像素外推法，参见BorderTypes

下面我们将对一幅图像使用平均滤波器。下面是一个 5x5 的平均滤波器核：

操作过程：将核放在图像的一个像素 A 上，求与核对应的图像上 25（5x5）个像素的和，在取平均数，用这个平均数替代像素 A 的值。重复以上操作直到将图像的每一个像素值都更新一边

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

img = cv2.imread('hair.jpg')

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


# 显示图像
plt.figure(figsize = (15, 10))
plt.subplot(121),plt.imshow(img),plt.title('Original'),plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(dst),plt.title('Averaging'),plt.xticks([]), plt.yticks([])
plt.show()

三、图像平滑（模糊）

• 使用低通滤波器可以达到图像模糊的目的。

• 去除噪音。其实就是去除图像中的高频成分（比如：噪音，边界）。所以边界也会被模糊一点。也有一些模糊技术不会模糊掉边界。

• 平滑（模糊）和滤波的区别： 它们都属于卷积，不同滤波方法之间只是卷积核不同（对线性滤波而言）

四、图像滤波

图像滤波既可以在实域进行，也可以在频域进行。图像滤波可以更改或者增强图像。通过滤波，可以强调一些特征或者去除图像中一些不需要的部分。滤波是一个邻域操作算子，利用给定像素周围的像素的值决定此像素的最终的输出值。图像滤波可以通过公式：

其中K为滤波器，在很多文献中也称之为核（kernel）。常见的应用包括去噪、图像增强、检测边缘、检测角点、模板匹配等。

OpenCV 提供五种常见的图像滤波方式：线性滤波（方框滤波、均值滤波、高斯滤波）；非线性滤波（中值滤波、双边滤波）</