图像处理（去噪）----滤波

渊兮旷兮

已于 2023-11-05 18:29:57 修改

阅读量667

点赞数 1

文章标签：图像处理计算机视觉人工智能

于 2023-11-04 23:52:12 首次发布

本文链接：https://blog.csdn.net/qq_40285589/article/details/134224712

版权

引言：

图像去噪，主要用于去除图像的一些噪点，从而减少乃至消除噪点对边缘检测的影响。

图像降噪常见的有均值滤波，高斯滤波，中值滤波，双边滤波，引导滤波等。

1、均值滤波：

实质就是在一个n*n的卷积核中，中心点取卷积核的均值，是一个简单粗暴的滤波方式，但无论离中心点远还是进权重值都是相同的（也就是影响系数相同）。

常用来解决一些噪声分布均匀或是没有明显边缘和细节的图像。

2：高斯滤波：

2.1 数学原理：

高斯滤波考虑到了空间距离的影响。（ps:这并不表明高斯滤波在任意情况下都优于均值滤波，在一些噪声均匀分布或是没有明显边缘核细节的图像的时候，均值滤波会比高斯的效果更好些，当然高斯具有更佳的泛用性）

高斯滤波其实就是使用高斯分布（正态分布）来计算权重矩阵，由于考虑到了距离的影响因素，这也就使得它能够在去噪的同时，更好的保留图像的特征。好了下面来从数学的角度说明一下：

这是高斯分布（正态分布）的概率函数：

当我们在处理一个n*n的卷积核的时候，只考虑图像位置的时候，均值自然取0，然后我们将其扩展到二维的时候，便能获取一个二维高斯分布函数（具体细节纯数学了，这里就不花篇章解释了，有需要可以bing一下）

我们这里取标准差为1.5举个例子，0.0454 = （-1，-1）带入上述二维公式，最后进行归一化（9个数值相加=1），当然这只是一个3*3，根据需求可以更换成其他大小。

最后将3*3卷积核的原始数值与归一化后的矩阵相乘，然后矩阵元素求和，也就是最后（0,0）位置的数值了。

高斯滤波在去噪的同时，更好的保留了图像的特征，这也就使得它图像处理中比均值滤波更为常用

2.2 opencv使用：

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

参数解释：

src: 输入图像，可以是任何数量的信道，但深度应为CV_8U,CV_16U,CV_16S,CV_32F或CV_64F
（ps:图像深度：也就是图像的像素能用多少位来表示，譬如CV_16S：每个像素就会以 16 位有符号整数的形式存储）

dst: 输出图像，和输入图像大小一致

ksize: 高斯核大小，类似(n*m)，注意n,m可以不相同，但是必须是正奇数

sigmX: X方向上的高斯核标准偏差

sigmY: Y方向上的高斯核标准偏差，如果值为0，则与sigmX相同，若两者均为0，则自动计算

borderType: 边界填充方法

2.3 一些疑惑

不知道你们在看到这些参数的时候是否会思考，为什么会有XY两个方向上的标准差，明明我们在原理中，只使用了一个标准差，而且是如何自动计算标准差的，为了了解这一过程，需要我们来翻一下源代码/官方文档

cv2.GaussianBlur调用了getGaussianKernel()接口，那么我们来看一下getGaussianKernel()接口：getGaussianKernel

首先：我们可以看到sigma的计算公式：sigma = 0.3*((ksize-1)*0.5 - 1) + 0.8，如果传入了sigmaX与Y,那么会返回两个一维高斯核传递给sepFilter2D函数，让我们来看下这个函数：

我们可以看到cv2.sepFilter2D这个函数会传入两个1维的卷积核（kernel），然后对每一行用kernelX进行卷积，获得一个中间结果（也就是kernelX中的每个元素和该行的每个元素相乘然后相加），同理用kernelY对中间结果进行卷积，然后将结果平移delta个像素后存入dst，最后归一化后得到新的图像。

举个例子：

import cv2
# 读取图像
image = cv2.imread('input.jpg')
# 高斯滤波
blurred_image = cv2.GaussianBlur(image, (5, 5), 0)
#(5, 5)是核大小，0是标准差

3、双边滤波：

双边滤波在高斯滤波的基础上，还将值域纳入了考虑范围，请看下图，对于P点，它左边的q点产生了断崖式的值域变化，而右边的部分则几乎没有变化，那么两者对于P的影响实际上肯定是有比较大的差距的。如果仍然使用高斯滤波的话，那么边缘就会被一定程度的模糊。(ps：双边对于椒盐噪声的效果比高斯弱不少)

所以，相对于高斯滤波，双边滤波对于边缘的处理效果会更加好(但是相较于高斯，双边滤波的时间复杂度会更加高一些，ps:优化思路：查表法 : 先把空间阈的对应的权重数值计算出来，同理值域也可以如此操作，在需要用到的时候，取出数值即可，也就是空间换时间)

数学公式如下：（i,j）表示中心点（(0,0)）（k,l）表示邻接点

opencv使用：

dst = cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace[, dst[, borderType]])

#d空间距离参数一般取5/9，sigmaColor是颜色空间的标准差，sigmaSpace是坐标空间的标准差，borderType边界填充（可选）

参数详解：

        src：源 8 位或浮点、1 通道或 3 通道图像。
        dst：与 src 大小和类型相同的目标图像。
        d：过滤期间使用的每个像素邻域的直径。如果它是非正数，则从sigmaSpace 计算。
        sigmaColor：在颜色空间中过滤 sigma。较大的参数值意味着像素邻域内更远的颜色将混合在一起，从而产生更大的半等色区域。
        sigmaSpace：在坐标空间中过滤 sigma。较大的参数值意味着更远的像素将相互影响，。当 d>0 时，它指定邻域大小，而不考虑 sigmaSpace。否则，d 与 sigmaSpace 成正比。
        borderType：用于推断图像外部像素的边框模式（可选）

4、引导滤波

引导滤波：保边算法，效果比双边更好些，也是常用的工程算法：

引导滤波基于一个假设：输出图像是引导图像的局部线性变换（梯度基本一致）。接下来看我手写的一些推导过程吧，有些公式输入实在是麻烦

当处于低频区域，效果基本等同于均值滤波，当处于高频区域时，低频成分依旧来自于原始图像的均值滤波结果，但通过引导图像与目标图像间的结构相似度来影响协方差 Cov(Ik,Gk) 的大小，进而影响系数 ak 的大小，最终实现结构迁移幅度的控制。

import cv2
import numpy as np
image = cv2.imread('input_image.jpg')
#创建引导滤波器
guided_filter = cv2.ximgproc.createGuidedFilter(radius=5, eps=0.01)
# radius是滤波器半径，eps是归一化系数
#应用引导滤波：
filtered_image = guided_filter.filter(image)

用到了会继续补充细节问题