opencv Python实现之图像平滑处理

opencv Python实现之图像平滑处理

Q:什么是图像平滑处理?

A:在尽量保留图像原有信息的情况下，过滤掉图像内部的噪声，这一过程称为对图像的平滑处理,所得的图像称为平滑图像

图像平滑处理的基本原理是：将噪声所在像素点的像素值处理为其周围临近像素点的值的近似值。取近似值的方式很多，主要介绍的方法是:

• 1.均值滤波
• 2.方框滤波
• 3.高斯滤波
• 4.中值滤波
• 5.双边滤波
• 6.2D卷积（自定义滤波）

1均值滤波

均值滤波是指用当前像素点周围N·N个像素值的均值来代替当前像素值。使用该方法遍历处理图像内的每一个像素点，即可完成整幅图像的均值滤波。

语法格式:
dst=cv2.blur（src,ksize,anchor,borderType）

• src 是需要处理的图像，即原始图像。它可以有任意数量的通道，并能对各个通道独立处理。图像深度应该是CV_8U、CV_16U、CV_16S、CV_32F 或者 CV_64F中的一种。
• ksize是滤波核的大小。滤波核大小是指在均值处理过程中，其邻域图像的高度和宽度。
  例如，其值可以为（5,5），表示以5×5大小的邻域均值作为图像均值滤波处理的结果。
• anchor 是锚点，其默认值是（-1,-1），表示当前计算均值的点位于核的中心点位置。该值使用默认值即可，在特殊情况下可以指定不同的点作为锚点。
• borderType是边界样式，该值决定了以何种方式处理边界，其值如表7-1所示。一般情况下不需要考虑该值的取值，直接采用默认值即可。

eg.

image=cv2.imread('ufo_noise.png')
dst=cv2.blur(image,(7,7))
cv2.imshow('origin',image)
cv2.imshow('dst',dst)
if cv2.waitKey(0)==27:
    cv2.destroyAllWindows()

2方框滤波

方框滤波方式，与均值滤波的不同在于，方框滤波不会计算像素均值。在均值滤波中，滤波结果的像素值是任意一个点的邻域平均值，等于各邻域像素值之和除以邻域面积。而在方框滤波中，可以自由选择是否对均值滤波的结果进行归一化，即可以自由选择滤波结果是邻域像素值之和的平均值，还是邻域像素值之和。

语法格式：
dst=cv2.boxFilter（src,ddepth,ksize,anchor,normalize,borderType）

• ddepth是处理结果图像的图像深度，一般使用-1表示与原始图像使用相同的图像深度。
• normalize 表示在滤波时是否进行归一化（这里指将计算结果规范化为当前像素值范围内的值）处理，该参数是一个逻辑值，可能为真（值为1）或假（值为0）。
• 当参数normalize=1时，表示要进行归一化处理，要用邻域像素值的和除以面积。
• 当参数normalize=0时，表示不需要进行归一化处理，直接使用邻域像素值的和。

eg.

image=cv2.imread('ufo_noise.png')
dst=cv2.boxFilter(image,-1,(7,7))
cv2.imshow('origin',image)
cv2.imshow('dst',dst)
if cv2.waitKey(0)==27:
    cv2.destroyAllWindows()

3高斯滤波

在进行均值滤波和方框滤波时，其邻域内每个像素的权重是相等的。在高斯滤波中，会将中心点的权重值加大，远离中心点的权重值减小，在此基础上计算邻域内各个像素值不同权重的和。

语法格式：
dst=cv2.GaussianBlur（src,ksize,sigmaX,sigmaY,borderType）
*ksize的height,width必须为奇数

• sigmaX 是卷积核在水平方向上（X 轴方向）的标准差，其控制的是权重比例。例如，图7-25中是不同的sigmaX决定的卷积核，它们在水平方向上的标准差不同。
• sigmaY是卷积核在垂直方向上（Y轴方向）的标准差。如果将该值设置为0，则只采用sigmaX的值；如果sigmaX和sigmaY都是0，则通过ksize.width和ksize.height计算得到。

eg.

o=cv2.imread（"ufo_noise.png"）

r=cv2.GaussianBlur（o,（5,5）,0,0）
cv2.imshow（"original",o）
cv2.imshow（"result",r）
cv2.waitKey（）
cv2.destroyAllWindows（）

4中值滤波

中值滤波与前面介绍的滤波方式不同，不再采用加权求均值的方式计算滤波结果。它用邻域内所有像素值的中间值来替代当前像素点的像素值。

语法格式：（一般形式）
dst=cv2.medianBlur（src,ksize)
*ksize 是滤波核的大小。滤波核大小是指在滤波处理过程中其邻域图像的高度和宽度。需要注意，核大小必须是比1大的奇数，比如3、5、7等。

eg.

image=cv2.imread('ufo_noise.png')
after=cv2.medianBlur(image,5)
cv2.imshow('before',image)
cv2.imshow('after',after)
if cv2.waitKey(0)==27:
    cv2.destroyAllWindows()

5双边滤波

双边滤波是综合考虑空间信息和色彩信息的滤波方式，在滤波过程中能够有效地保护图像内的边缘信息
双边滤波的优势体现在对于边缘信息的处理上，下面通过一个例题来展示不同形式的滤波在边缘处理效果上的差异。

语法格式：
dst=cv2.bilateralFilter（src,d,sigmaColor,sigmaSpace,borderType）

• 是在滤波时选取的空间距离参数，这里表示以当前像素点为中心点的直径。如果该值为非正数，则会自动从参数 sigmaSpace 计算得到。
  如果滤波空间较大（d>5），则速度较慢。因此，在实时应用中，推荐d=5。对于较大噪声的离线滤波，可以选择d=9。
• sigmaColor：是滤波处理时选取的颜色差值范围，该值决定了周围哪些像素点能够参与到滤波中来。
  与当前像素点的像素值差值小于 sigmaColor 的像素点，能够参与到当前的滤波中。该值越大，就说明周围有越多的像素点可以参与到运算中。
  该值为0时，滤波失去意义；该值为255时，指定直径内的所有点都能够参与运算。
• sigmaSpace：是坐标空间中的sigma值。它的值越大，说明有越多的点能够参与到滤波计算中来。当d>0时，无论sigmaSpace的值如何，
  d都指定邻域大小；否则，d与sigmaSpace的值成比例。

eg.

o=cv2.imread("ufo_noise.png")
g=r=cv2.GaussianBlur(o,(55,55),0,0)
b=cv2.bilateralFilter(o,55,100,100)
cv2.imshow("original",o)
cv2.imshow("Gaussian",g)
cv2.imshow("bilateral",b)
cv2.waitKey()
cv2.destroyAllWindows()

6 2D卷积

允许用户自定义卷积核实现卷积操作，使用自定义卷积核实现卷积操作的函数是cv2.filter2D（）

语法格式：(一般形式)
dst=cv2.filter2D（src,ddepth,kernel）

• 是卷积核，是一个单通道的数组。如果想在处理彩色图像时，让每个通道使用不同的核，则必须将彩色图像分解后使用不同的核完成操作。

eg.

dst=cv2.filter2D（src,ddepth,kernel）
o=cv2.imread（"ufo_noise.png"）
kernel=np.ones（（9,9）,np.float32）/81
r=cv2.filter2D（o,-1,kernel）
cv2.imshow（"original",o）
cv2.imshow（"Gaussian",r）
cv2.waitKey（）
cv2.destroyAllWindows（）

本节内容引用自《OpenCV轻松入门：面向Python》 李立宗著。

下节我们将学习 OpenCV之形态学操作