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 × n n×n n×n的卷积核的半径为 ( n − 1 ) / 2 (n-1)/2 (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 = [ 1 1 . . . 1 1 1 1 . . . 1 1 . . . . . . 1 1 . . . 1 1 ] M= \begin{bmatrix} 1 & 1 & ...&1&1 \\ 1 & 1 & ...&1&1\\ &&......\\ 1&1&...&1&1 \end{bmatrix} M=⎣⎢⎢⎡111111...............111111⎦⎥⎥⎤
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 = 1 α [ 1 1 . . . 1 1 1 1 . . . 1 1 . . . . . . 1 1 . . . 1 1 ] M=\frac{1}{\alpha}\begin{bmatrix} 1 & 1 & ...&1&1 \\ 1 & 1 & ...&1&1\\ &&......\\ 1&1&...&1&1 \end{bmatrix}\\ M=α1⎣⎢⎢⎡111111...............111111⎦⎥⎥⎤
α \alpha α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:
<