OpenCV——几种图像滤波总结（python实现和c++实现）

OpenCV——图像滤波原理及实现

4.1 简介

图像的实质是一种二维信号，滤波是信号处理中的一个重要概念。在图像处理中，滤波是一种非常常见的技术，它们的原理非常简单，但是其思想却十分值得借鉴，滤波是很多图像算法的前置步骤或基础，掌握图像滤波对理解卷积神经网络也有一定帮助。

4.2 学习目标

• 了解图像滤波的分类和基本概念

• 理解几种图像滤波的原理

• 掌握OpenCV框架下滤波API的使用

4.3 内容介绍

1、几种图像滤波的原理

• 均值滤波/方框滤波
• 高斯滤波
• 中值滤波
• 双边滤波

2、OpenCV代码实践

• c++实现
• python实现

4.4 算法理论介绍

滤波器分类

线性滤波： 对邻域中的像素的计算为线性运算时，如利用窗口函数进行平滑加权求和的运算，或者某种卷积运算，都可以称为线性滤波。常见的线性滤波有：方框滤波、均值滤波、高斯滤波、拉普拉斯滤波等等，通常线性滤波器之间只是模版的系数不同。

非线性滤波： 非线性滤波利用原始图像跟模版之间的一种逻辑关系得到结果，如最值滤波器，中值滤波器。比较常用的有中值滤波器和双边滤波器。

卷积核

数字图像是一个二维的数组，对数字图像做卷积操作其实就是利用卷积核在图像上滑动，将图像点上的像素值与对应的卷积核上的数值相乘，然后将所有相乘后的值相加作为卷积核中间像素点的像素值，并最终滑动完所有图像的过程。

通常，卷积核的宽度和高度一般是奇数，这样才有中心的像素点，所以卷积核一般都是3x3，5x5或者7x7等。$n\times n$的卷积核的半径为$(n-1)/2$，例如5x5大小的卷积核的半径就是2。

两种常见噪声

函数介绍：python中的skimage图像处理模块

skimage.util.random_noise(image, mode, seed=None, clip=True, **kwargs)

该函数可以方便的为图像添加各种类型的噪声。

参数：

• image 为输入图像数据，类型为ndarray，输入后将转换为float64格式。
• mode 选择添加噪声的类别。字符串str类型。
  • ‘gaussian’ 高斯加性噪声
  • ‘poisson’ 泊松分布的噪声
  • ‘salt’ 盐噪声，随机用1替换像素。属于高灰度噪声。
  • ‘peppe’ 胡椒噪声，随机用0或-1替换像素。属于低灰度噪声。
  • ‘s&p’ 椒盐噪声，盐噪声和胡椒噪声同时出现，呈现出黑白杂点。
  • ‘localvar’ 高斯加性噪声，每点具有特定的局部方差。
  • ‘speckle’ 使用 out = image + n *image 的乘法噪声，其中n是具有指定均值和方差的均匀噪声。
• seed int类型。 将在生成噪声之前设置随机种子，以进行有效的伪随机比较。
• clip bool类型。若为True则在加入噪声后进行剪切以保证图像数据点都在[0,1]或[-1.1]之间。若为False，则数据可能超出这个范围。

1、椒盐噪声（脉冲噪声）

椒盐噪声也称为脉冲噪声，是图像中常常见到的一种噪声，它是一种随机出现的白点或者黑点，可能是亮的区域有黑色像素或是在暗的区域有白色像素（或是两者皆有）。

产生具有椒盐噪声的图像：（python）

from skimage import util
import cv2

if __name__ == "__main__":
    img = cv2.imread("D:\\yt\\pictures2\\wink.jpg")
    #产生椒盐噪声，处理后图像变为float64格式
    noise_sp_img = util.random_noise(img, mode="s&p")
    
    #显示图像
    cv2.imshow("origin image",img)
    cv2.imshow("sp noise",noise_sp_img)
    
    #将图像转换为uint8格式，否则保存后是全黑的。
    noise_sp_img = cv2.normalize(noise_sp_img, None, 0, 255, cv2.NORM_MINMAX, cv2.CV_8U)
    
    #储存图像
    cv2.imwrite("D:\\yt\\pictures2\\sp_noise.jpg",noise_sp_img)
    
    cv2.waitKey(0)
    cv2.destroyAllWindows()

效果：左边为原图，右边加入了椒盐噪声

2、高斯噪声

高斯噪声是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声。如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。高斯白噪声的二阶矩不相关，一阶矩为常数，是指先后信号在时间上的相关性。高斯噪声是与光强没有关系的噪声，无论像素值是多少，噪声的平均水平（一般是0）不变。

产生具有高斯噪声的图像：（python）

from skimage import util
import cv2

if __name__ == "__main__":
    img = cv2.imread("D:\\yt\\pictures2\\wink.jpg")
    #产生高斯噪声，处理后图像变为float64格式
    noise_gs_img = util.random_noise(img, mode="gaussian")
    
    #显示图像
    cv2.imshow("origin image",img)
    cv2.imshow("gaussian noise",noise_gs_img
    
    #将图像转换为uint8格式，否则保存后是全黑的。
    noise_gs_img = cv2.normalize(noise_gs_img, None, 0, 255, cv2.NORM_MINMAX, cv2.CV_8U)
    
    #储存图像
    cv2.imwrite("D:\\yt\\pictures2\\gs_noise.jpg",noise_gs_img)
    
    cv2.waitKey(0)
    cv2.destroyAllWindows()

效果：左边为原图，右边加入了高斯噪声

4.4.1 均值滤波、方框滤波

1. 方框（盒子）滤波

方框滤波是一种非常有用的线性滤波，也叫盒子滤波。

积分图：
图像积分图中每个点的值是原图像中该点左上角的所有像素值之和。
建立一个数组作为积分图像，其宽度和高度与原图像相等.，然后对这个数组赋值，每个点存储的是原图像中该点左上角的所有像素值之和。

对一个灰度图而言，事先将其积分图构建好，当需要计算灰度图某个区域内所有像素点的像素值之和的时候，都可以通过查表的方法和有限次简单运算，迅速得到结果。

优势： 它可以使复杂度为O(MN)的求和，求方差等运算降低到O(1)或近似于O(1)的复杂度，也就是说与邻域尺寸无关了，有点类似积分图，但是比积分图更快（与它的实现方式有关）。

方框滤波采用下面的卷积核与图像进行卷积：
$$M=\left[\begin{array}{ccccc}1& 1& ...& 1& 1\\ 1& 1& ...& 1& 1\\ & & ......& & \\ 1& 1& ...& 1& 1\end{array}\right]$$

应用：
可以说，一切需要求某个邻域内像素之和的场合，都有方框滤波的用武之地，比如：均值滤波、引导滤波、计算Haar特征等等。方框滤波还可以用来计算每个像素邻域上的各种积分特性，方差、协方差，平方和等等。

2. 均值滤波

均值滤波就是方框滤波归一化的特殊情况。使卷积核所有的元素之和等于1。卷积核如下：
$$M=\frac{1}{\alpha }\left[\begin{array}{ccccc}1& 1& ...& 1& 1\\ 1& 1& ...& 1& 1\\ & & ......& & \\ 1& 1& ...& 1& 1\end{array}\right]$$
$\alpha$为卷积核中点的个数。

均值滤波是方框滤波的特殊情况，均值滤波方法是：对要处理的像素，选择一个模板，该模板由其邻域内的若干个像素组成，用模板的均值来替代原像素的值。

可见，归一化了就是均值滤波；不归一化则是方框滤波。

均值滤波的缺点：
均值滤波本身存在着固有的缺陷，即它不能很好地保护图像细节，在图像去噪的同时也破坏了图像的细节部分，从而使图像变得模糊，不能很好地去除噪声点。特别是椒盐噪声。

利用均值滤波处理图像：

应用：
均值模糊可以模糊图像以便得到感兴趣物体的粗略描述，也就是说，去除图像中的不相关细节，其中“不相关”是指与滤波器模板尺寸相比较小的像素区域，从而对图像有一个整体的认知。即为了对感兴趣的物体得到一个大致的整体的描述而模糊一幅图像，忽略细小的细节。

4.4.2 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，原理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。

在高斯滤波中，核的宽度和高度可以不相同，但是它们都必须是奇数。

在实际应用中，卷积核都会经过归一化，归一化后可以表示为小数形式或分数形式。没有进行归一化的卷积核进行滤波，结果往往是错误的。

高斯滤波和均值滤波一样，都是利用一个掩膜和图像进行卷积求解。不同之处在于：均值滤波器的模板系数都是相同的为1，而高斯滤波器的模板系数，则随着距离模板中心的增大而系数减小（服从二维高斯分布）。所以，高斯滤波器相比于均值滤波器对图像的模糊程度较小，更能够保持图像的整体细节。

高斯滤波卷积核：

先介绍一下二维高斯分布：
<