详解图像滤波原理

最新推荐文章于 2024-07-12 12:48:50 发布

小白学视觉

最新推荐文章于 2024-07-12 12:48:50 发布

阅读量1k

点赞数

文章标签：计算机视觉 opencv python 人工智能图像处理

原文链接：https://mp.weixin.qq.com/s?__biz=MzU0NjgzMDIxMQ==&mid=2247603414&idx=2&sn=c0580e972d4b782f062fa855787607ca&chksm=fb54b63acc233f2cbc0c494b1bf46257e1d8a6aae08ac3b5fc1c5fea49425337d42feda249c8&scene=126&sessionid=0

版权

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

图像增强——图像平滑

1.1 图像增强简介

图像增强是对图像进行处理，使其比原始图像更适合于特定的应用，它需要与实际应用相结合。对于图像的某些特征如边缘、轮廓、对比度等，图像增强是进行强调或锐化，以便于显示、观察或进一步分析与处理。图像增强主要是一个主观过程，而图像复原大部分是一个客观过程。图像增强的方法是因应用不同而不同的，研究内容包括：

1.2 图像平滑

图像平滑是一种区域增强的算法，平滑算法有邻域平均法、中指滤波、边界保持类滤波等。在图像产生、传输和复制过程中，常常会因为多方面原因而被噪声干扰或出现数据丢失，降低了图像的质量（某一像素，如果它与周围像素点相比有明显的不同，则该点被噪声所感染）。这就需要对图像进行一定的增强处理以减小这些缺陷带来的影响。

图像平滑有均值滤波、方框滤波、中值滤波和高斯滤波等。下面将介绍常用的均值滤波、中值滤波和高斯滤波。

为了实验方便，首先给图像加一点噪声。

代码如下所示：

1. # -*- coding:utf-8 -*-

2. import cv2

3. import numpy as np

5. # 读取图片

6. img = cv2.imread("zxp.jpg", cv2.IMREAD_UNCHANGED)

7. img_noise=img

9. cv2.imshow("src", img)

10.

11. rows, cols, chn = img_noise.shape

12.

13.

14. # 加噪声

15. for i in range(5000):

16. x = np.random.randint(0, rows)

17. y = np.random.randint(0, cols)

18. img_noise[x, y, :] = 255

19.

20.

21. cv2.imshow("noise", img_noise)

22.

23. # 等待显示

24. cv2.waitKey(0)

25. cv2.destroyAllWindows()

25.

27. #保存含噪声图像

28. cv2.imwrite("zxp_noise.jpg", img_noise)

运行结果如下图所示：

均值滤波

均值滤波是指任意一点的像素值，都是周围个像素值的均值。例如下图中，红色点的像素值是其周围蓝色背景区域像素值之和除25，25=55 是蓝色区域的大小。

均值滤波详细的计算方法如下图所示：

其中55的矩阵称为核，针对原始图像内的像素点，采用核进行处理，得到结果图像，如下图所示：

提取 1/25 可以将核转换为如下形式：

Python调用OpenCV实现均值滤波的函数如下：

result = cv2.blur(原始图像,核大小)

其中，核大小是以（宽度，高度）表示的元组形式。常见的形式包括：核大小（3，3）和（5，5）。

（1）核大小为 33

代码如下所示：

1. # encoding:utf-8

2. import cv2

3. import numpy as np

4. import matplotlib.pyplot as plt

6. # 读取图片

7. img = cv2.imread('zxp_noise.jpg')

8. source = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

10. # 均值滤波

11. result = cv2.blur(source, (3, 3)) #可以更改核的大小

12.

13. # 显示图形

14. titles = ['Source Image', 'Blur Image (3, 3)']

15. images = [source, result]

16. for i in range(2):

17. plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')

18. plt.title(titles[i])

19. plt.xticks([]), plt.yticks([])

20. plt.show()

运行结果如下图所示：

（2）核大小为 55

代码如下所示：

1. # encoding:utf-8

2. import cv2

3. import numpy as np

4. import matplotlib.pyplot as plt

6. # 读取图片

7. img = cv2.imread('zxp_noise.jpg')

8. source = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

10. # 均值滤波

11. result = cv2.blur(source, (5, 5)) #可以更改核的大小

12.

13. # 显示图形

14. titles = ['Source Image', 'Blur Image (5, 5)']

15. images = [source, result]

16. for i in range(2):

17. plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')

18. plt.title(titles[i])

19. plt.xticks([]), plt.yticks([])

20. plt.show()

运行结果如下图所示：

（2）核大小为 1010

代码如下所示：

1. # encoding:utf-8

2. import cv2

3. import numpy as np

4. import matplotlib.pyplot as plt

6. # 读取图片

7. img = cv2.imread('zxp_noise.jpg')

8. source = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

10. # 均值滤波

11. result = cv2.blur(source, (10, 10)) #可以更改核的大小

12.

13. # 显示图形

14. titles = ['Source Image', 'Blur Image (10, 10)']

15. images = [source, result]

16. for i in range(2):

17. plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')

18. plt.title(titles[i])

19. plt.xticks([]), plt.yticks([])

20. plt.show()

运行结果如下图所示：

注：

1）随着核大小逐渐变大，会让图像变得更加模糊；

2）如果设置为核大小为（1，1），则结果就是原始图像。

中值滤波

在使用邻域平均法去噪的同时也使得边界变得模糊。而中值滤波是非线性的图像处理方法，在去噪的同时可以兼顾到边界信息的保留。选一个含有奇数点的窗口，将这个窗口在图像上扫描，把窗口中所含的像素点按灰度级的升或降序排列，取位于中间的灰度值来代替该点的灰度值。计算过程如下图所示：

Python调用OpenCV实现中值滤波的函数如下：

OpenCV主要调用 medianBlur() 函数实现中值滤波。图像平滑里中值滤波的效果最好。

dst = cv2.medianBlur(src, ksize)

其中，参数：

src 表示源图像；

ksize 表示核大小。核必须是大于1的奇数，如3、5、7等。

（1）核大小为 33

代码如下所示：

1. # encoding:utf-8

2. import cv2

3. import numpy as np

4. import matplotlib.pyplot as plt

6. # 读取图片

7. img = cv2.imread('zxp_noise.jpg')

9. # 中值滤波

10. result = cv2.medianBlur(img, 3)#可以更改核的大小

11.

12. # 显示图像

13. cv2.imshow("source img", img)

14. cv2.imshow("medianBlur", result)

15.

16. # 等待显示

17. cv2.waitKey(0)

18. cv2.destroyAllWindows()

运行结果如下图所示：

（2）核大小为 55

代码如下所示：

1. # encoding:utf-8

2. import cv2

3. import numpy as np

4. import matplotlib.pyplot as plt

6. # 读取图片

7. img = cv2.imread('zxp_noise.jpg')

9. # 中值滤波

10. result = cv2.medianBlur(img, 5) #可以更改核的大小

11.

12. # 显示图像

13. cv2.imshow("source img", img)

14. cv2.imshow("medianBlur", result)

15.

16. # 等待显示

17. cv2.waitKey(0)

18. cv2.destroyAllWindows()

运行结果如下图所示：

（3）核大小为 77

代码如下所示：

1. # encoding:utf-8

2. import cv2

3. import numpy as np

4. import matplotlib.pyplot as plt

6. # 读取图片

7. img = cv2.imread('zxp_noise.jpg')

9. # 中值滤波

10. result = cv2.medianBlur(img, 7) #可以更改核的大小

11.

12. # 显示图像

13. cv2.imshow("source img", img)

14. cv2.imshow("medianBlur", result)

15.

16. # 等待显示

17. cv2.waitKey(0)

18. cv2.destroyAllWindows()

运行结果如下图所示：

注：

1）随着核大小逐渐变大，会让图像变得更加模糊；

2）核必须是大于1的奇数，如3、5、7等；

3）在代码 dst = cv2.medianBlur(src, ksize) 中填写核大小时，只需填写一个数即可，如3、5、7等，对比均值滤波函数用法。

高斯滤波

为了克服简单局部平均法的弊端(图像模糊)，目前已提出许多保持边缘、细节的局部平滑算法。它们的出发点都集中在如何选择邻域的大小、形状和方向、参数加平均及邻域各店的权重系数等。

图像高斯平滑也是邻域平均的思想对图像进行平滑的一种方法，在图像高斯平滑中，对图像进行平均时，不同位置的像素被赋予了不同的权重。高斯平滑与简单平滑不同，它在对邻域内像素进行平均时，给予不同位置的像素不同的权值，下图的所示的 33 和 55 邻域的高斯模板。

（1）核大小为 33

（1）核大小为 55

高斯滤波让临近的像素具有更高的重要度，对周围像素计算加权平均值，较近的像素具有较大的权重值。如下图所示，中心位置权重最高为0.4。

Python中OpenCV主要调用 GaussianBlur() 函数，如下：

dst = cv2.GaussianBlur(src, ksize, sigmaX)

其中，参数：

src 表示原始图像；

ksize 表示核大小；

sigmaX 表示X方向方差。

注：核大小（N, N）必须是奇数，X方向方差主要控制权重。

1）核大小为 33

2）核大小为 55

（1）核大小为 33

代码如下所示：

1. # encoding:utf-8

2. import cv2

3. import numpy as np

4. import matplotlib.pyplot as plt

6. # 读取图片

7. img = cv2.imread('zxp_noise.jpg')

8. source = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

10. # 高斯滤波

11. result = cv2.GaussianBlur(source, (3, 3), 0) #可以更改核大小

12.

13. # 显示图形

14. titles = ['Source Image', 'GaussianBlur Image (3, 3)']

15. images = [source, result]

16. for i in range(2):

17. plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')

18. plt.title(titles[i])

19. plt.xticks([]), plt.yticks([])

20. plt.show()

运行结果如下图所示：

（2）核大小为 55

代码如下所示：

1. # encoding:utf-8

2. import cv2

3. import numpy as np

4. import matplotlib.pyplot as plt

6. # 读取图片

7. img = cv2.imread('zxp_noise.jpg')

8. source = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

10. # 高斯滤波

11. result = cv2.GaussianBlur(source, (5, 5), 0) #可以更改核大小

12.

13. # 显示图形

14. titles = ['Source Image', 'GaussianBlur Image (5, 5)']

15. images = [source, result]

16. for i in range(2):

17. plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')

18. plt.title(titles[i])

19. plt.xticks([]), plt.yticks([])

20. plt.show()

运行结果如下图所示：

注：

1）随着核大小逐渐变大，会让图像变得更加模糊；

2）核大小（N, N）必须是大于1的奇数，如3、5、7等；

好消息！

小白学视觉知识星球

开始面向外开放啦👇👇👇

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。


下载2：Python视觉实战项目52讲
在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。


下载3：OpenCV实战项目20讲
在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。


交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~

小白学视觉

关注

0
点赞
踩
4

收藏

觉得还不错? 一键收藏
0
评论
详解图像滤波原理

点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达01图像增强——图像平滑1.1 图像增强简介图像增强是对图像进行处理，使其比原始图像更适合于特定的应用，它需要与实际应用相结合。对于图像的某些特征如边缘、轮廓、对比度等，图像增强是进行强调或锐化，以便于显示、观察或进一步分析与处理。图像增强主要是一个主观过程，而图像复原大部分是一个客观过程。图像增强的方法是因应用不同而不同的，研...
复制链接

扫一扫