opencv图像平滑

图像噪声

        由于图像采集、处理、传输等过程不可避免的会受到噪声的污染，妨碍⼈们对图像 理解及分析处理。常⻅的图像噪声有⾼斯噪声、椒盐噪声等。

椒盐噪声

        椒盐噪声也称为脉冲噪声，是图像中经常⻅到的⼀种噪声，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）。椒盐噪声的成因可能是影像讯号受到突如其来的强烈⼲扰⽽产⽣、类⽐数位 转换器或位元传输错误等。例如失效的感应器导致像素值为最⼩值，饱和的感应器导致像素值为最⼤值。

⾼斯噪声

        ⾼斯噪声是指噪声密度函数服从⾼斯分布的⼀类噪声。由于⾼斯噪声在空间和频域 中数学上的易处理性，这种噪声(也称为正态噪声)模型经常被⽤于实践中。⾼斯随 机变量z的概率密度函数由下式给出：

        其中z表示灰度值，μ表示z的平均值或期望值，σ表示z的标准差。标准差的平⽅σ 称为z的⽅差。⾼斯函数的曲线如图所示。

图像平滑简介

        图像平滑从信号处理的⻆度看就是去除其中的⾼频信息，保留低频信息。因此我们 可以对图像实施低通滤波。低通滤波可以去除图像中的噪声，对图像进⾏平滑。 根据滤波器的不同可分为均值滤波，⾼斯滤波，中值滤波， 双边滤波。

均值滤波

        采⽤均值滤波模板对图像噪声进⾏滤除。令O表示中⼼在(x, y)点，尺⼨为m×n 的 矩形⼦图像窗⼝的坐标组。 均值滤波器可表示为：

        由⼀个归⼀化卷积框完成的。它只是⽤卷积框覆盖区域所有像素的平均值来代替中 ⼼元素。 例如，3x3标准化的平均过滤器如下所示：

均值滤波的优点是算法简单，计算速度较快，缺点是在去噪的同时去除了很多细节 部分，将图像变得模糊。

cv.blur(src, ksize, anchor, borderType) 

参数:

        src：输⼊图像

        ksize：卷积核的⼤⼩

        anchor：默认值 (-1,-1) ，表示核中⼼

        borderType：边界类型

示例：

import cv2 as cv
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei'] # 指定默认字体：解决plot不能显示中文问题
plt.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题

# 1. 读取图⽚
img = cv.imread("E:/1.jpg")
# 2 均值滤波
blur = cv.blur(img,(5,5))
# 3 图像显示
plt.figure(figsize=(10,8),dpi=100)
plt.subplot(121),plt.imshow(img[:,:,::-1]),plt.title('原图')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(blur[:,:,::-1]),plt.title('均值滤波后结果')
plt.xticks([]), plt.yticks([])
plt.show()

⾼斯滤波

        ⼆维⾼斯是构建⾼斯滤波器的基础，其概率分布函数如下所示：

        G(x,y)的分布是⼀个突起的帽⼦的形状。这⾥的σ可以看作两个值，⼀个是x⽅向的 标准差σx ，另⼀个是y⽅向的标准差σy 。

 

        当σ 和σ 取值越⼤，整个形状趋近于扁平；当σ 和σ ，整个形状越突起。 正态分布是⼀种钟形曲线，越接近中⼼，取值越⼤，越远离中⼼，取值越⼩。计算 平滑结果时，只需要将"中⼼点"作为原点，其他点按照其在正态曲线上的位置，分配权重，就可以得到⼀个加权平均值。

        ⾼斯平滑在从图像中去除⾼斯噪声⽅⾯⾮常有效。

⾼斯平滑的流程：

        ⾸先确定权重矩阵 假定中⼼点的坐标是（0,0），那么距离它最近的8个点的坐标如下：

         为了计算权重矩阵，需要设定σ的值。假定σ=1.5，则模糊半径为1的权重矩阵如 下：

        这9个点的权重总和等于0.4787147，如果只计算这9个点的加权平均，还必须让它 们的权重之和等于1，因此上⾯9个值还要分别除以0.4787147，得到最终的权重矩阵。

计算⾼斯模糊

        有了权重矩阵，就可以计算⾼斯模糊的值了。

        假设现有9个像素点，灰度值（0-255）如下：

每个点乘以对应的权重值：

得到

将这9个值加起来，就是中⼼点的⾼斯模糊的值。

        对所有点重复这个过程，就得到了⾼斯模糊后的图像。如果原图是彩⾊图⽚，可以 对RGB三个通道分别做⾼斯平滑。

cv2.GaussianBlur(src,ksize,sigmaX,sigmay,borderType)

参数：

        src: 输⼊图像

        ksize:⾼斯卷积核的⼤⼩，注意 ： 卷积核的宽度和⾼度都应为奇数，且可以不同

        sigmaX: ⽔平⽅向的标准差

        sigmaY: 垂直⽅向的标准差，默认值为0，表示与sigmaX相同

        borderType:填充边界类型

示例：

import cv2 as cv
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei'] # 指定默认字体：解决plot不能显示中文问题
plt.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题

# 1. 读取图⽚
img = cv.imread("E:/1.jpg")
# 2 ⾼斯滤波
blur = cv.GaussianBlur(img,(3,3),1)
# 3 图像显示
plt.figure(figsize=(10,8),dpi=100)
plt.subplot(121),plt.imshow(img[:,:,::-1]),plt.title('原图')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(blur[:,:,::-1]),plt.title('⾼斯滤波后结果')
plt.xticks([]), plt.yticks([])
plt.show()

 

中值滤波

        中值滤波是⼀种典型的⾮线性滤波技术，基本思想是⽤像素点邻域灰度值的中值来代替该像素点的灰度值。

        中值滤波对椒盐噪声（salt-and-pepper noise）来说尤其有⽤，因为它不依赖于邻域内那些与典型值差别很⼤的值。

cv.medianBlur(src, ksize ) 

参数：

        src：输⼊图像

        ksize：卷积核的⼤⼩

示例：

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
# 1 图像读取
img = cv.imread('./image/dogsp.jpeg')
# 2 中值滤波
blur = cv.medianBlur(img,5)
# 3 图像展示
plt.figure(figsize=(10,8),dpi=100)
plt.subplot(121),plt.imshow(img[:,:,::-1]),plt.title('原图')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(blur[:,:,::-1]),plt.title('中值滤波后结果')
plt.xticks([]), plt.yticks([])
plt.show()