苦学Opencv的第十天：滤波器-CSDN博客

本文链接：https://blog.csdn.net/qq_71745595/article/details/140599997

Python OpenCV入门到精通学习日记：滤波器

前言

在数字图像处理中，滤波器是一个不可或缺的工具。它们可以帮助我们去除图像中的噪声，平滑图像，甚至实现更复杂的图像效果。OpenCV提供了多种滤波器，每种滤波器都有其独特的用途和效果。OpenCV中的滤波器，包括均值滤波器、中值滤波器、高斯滤波器和双边滤波器，一起来看看吧。

滤波器

Python OpenCV入门到精通学习日记：滤波器

1. 均值滤波器

图像中可能会出现一种这样的像素，该像素与周围像素的差别非常大，这导致在视觉上无法与周围像素组成可识别的图像信息，降低了整个图像的质量。这种像素就叫做图像的噪声，并且如果图像中的噪声都是随机的纯黑像素或者纯白像素，这样的噪声叫作“椒盐噪声”和“盐噪声”。

以一个像素为核心，其周围像素可以组成一个n行n列（简称n×n）的矩阵，这样的矩阵结构在滤波操作中被称为“滤波核”。矩阵的行、列数决定了滤波核的大小，如图11.2所示的滤波核大小为3×3，包含9个像素；图11.3所示的滤波核大小为5×5，包含25个像素。（这里借用书上原图）

在这里插入图片描述

均值滤波器——也称低通滤波器，是一种基本的图像平滑技术，它可以把图像中的每一个像素都当作滤波核的核心，通过计算核内所有像素的平均像素值来替换核心像素的原像素值。这种方法简单有效，但可能会导致图像细节的丢失。OpenCV中的blur()方法实现了均值滤波。

dst = cv2.blur(src, ksize, anchor, borderType)

参数说明：

src：原始图像。
ksize：滤波核大小，格式为(高度，宽度)，推荐使用奇数边长。滤波核越大，处理之后的图像就越模糊。
anchor：可选参数，滤波核的锚点，通常使用默认值。
borderType：可选参数，边界样式，通常使用默认值。

示例代码：

import cv2

img = cv2.imread("img.png")
dst = cv2.blur(img, (3, 3))
cv2.imshow("Original", img)
cv2.imshow("Blurred", dst)
cv2.waitKey()
cv2.destroyAllWindows()

运行结果如下：

2. 中值滤波器

中值滤波器是一种非线性滤波器，它和均值滤波器特别的相似，不同的地方是它通过选择像素邻域内的中值来替换原像素值。这种方法对椒盐噪声（随机分布的黑点和白点）特别有效。OpenCV中的medianBlur()方法实现了中值滤波。

dst = cv2.medianBlur(src, ksize)

参数说明：

src：原始图像。
ksize：滤波核的边长，必须是大于1的奇数。该方法根据此边长自动创建一个正方形的滤波核。

注意:
中值滤波器的ksize参数是边长，而其他滤波器的ksize参数通常为（高，宽）。

示例代码：

import cv2

img = cv2.imread("img.png")
dst = cv2.medianBlur(img, 3)
cv2.imshow("Original", img)
cv2.imshow("Median Blurred", dst)
cv2.waitKey()
cv2.destroyAllWindows()

运行结果如下：

滤波核的边长越长，处理之后的图像就越模糊。这里需要注意的是：中值滤波处理的图像会比均值滤波处理的图像丢失更多细节。

3. 高斯滤波器

高斯滤波也被称为高斯模糊或高斯平滑，是目前应用最广泛的平滑处理算法。高斯滤波可以很好地在降低图片噪声、细节层次的同时保留更多的图像信息，经过处理的图像呈现“磨砂玻璃”的滤镜效果。

高斯滤波器是一种线性滤波器，它使用高斯函数对像素邻域内的像素进行加权平均。

什么叫加权平均呢？进行均值滤波处理时，核心周围每个像素的权重都是均等的，也就是每个像素都同样重要，所以计算平均值即可。但在高斯滤波中，越靠近核心的像素权重越大，越远离核心的像素权重越小，像素权重不同不能取平均值，要从权重大的像素中取较多的信息，从权重小的像素中取较少的信息。简单概括就是“离谁更近，跟谁更像”。这种方法在降低图像噪声的同时，能够较好地保留图像的边缘信息。

高斯滤波的计算过程涉及卷积运算，会有一个与滤波核大小相等的卷积核。我们以3×3的滤波核为例，简单地描述一下高斯滤波的计算过程。

卷积核中保存的值就是核所覆盖区域的权重值,其遵循图11.8的规律(这里引用书上的原图)。

卷积核中所有权重值相加的结果为1。例如，3×3的卷积核可以是如图11.9所示的值。随着核大小、σ标准差的变化，卷积核中的值也会发生较大变化，图11.9仅是一种最简单的情况。

进行高斯滤波的过程中，滤波核中像素与卷积核进行卷积计算，最后将计算结果赋值给滤波核的核心像素。其计算过程如图11.10所示。

我们可以看出就是卷积计算就是两个核内元素一一对应的计算，再将九个值相加，四舍五入取整，最后得到的这个结果就是高斯滤波的计算结果。

OpenCV中的GaussianBlur()方法实现了高斯滤波。

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

参数说明：

src：原始图像。
ksize：滤波核的大小，宽高必须是奇数。
sigmaX：水平方向的标准差。
sigmaY：垂直方向的标准差。
borderType：可选参数，边界样式，建议使用默认值。

🌟修改 sigmaX 或 sigmaY 的值都可以改变卷积核中的权重比例。如果不知道如何设计这2个参数值，就直接把这2个参数的值写成0，该方法就会根据滤波核的大小自动计算合适的权重比例。

示例代码：

import cv2

img = cv2.imread("img.png")
dst = cv2.GaussianBlur(img, (5, 5), 0)
cv2.imshow("Original", img)
cv2.imshow("Gaussian Blurred", dst)
cv2.waitKey()
cv2.destroyAllWindows()

运行结果如下：

再在这里啰嗦一句：滤波核越大，处理之后的图像就越模糊。和均值滤波、中值滤波处理的图像相比，高斯滤波处理的图像更加平滑，保留的图像信息更多，更容易辨认。

4. 双边滤波器

双边滤波器是一种在平滑图像的同时，能够保护图像边缘的滤波器。它根据像素的相似度和空间距离来调整滤波的权重。什么意思呢？也就是说双边滤波器自动判断滤波核处于“平坦”区域还是“边缘”区域：如果滤波核处于“平坦”区域，则会使用类似高斯滤波的算法进行滤波；如果滤波核处于“边缘”区域，则加大“边缘”像素的权重，尽可能地让这些像素值保持不变。

比如说：一幅黑白拼接图像，对这幅图像进行高斯滤波，黑白交界处就会变得模糊不清，但如果对
这幅图像进行双边滤波，黑白交界处的边界则可以很好地保留下来。

OpenCV中的bilateralFilter()方法实现了双边滤波。

dst = cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace, borderType)

参数说明：

src：原始图像。
d：以当前像素为中心的整个滤波区域的直径。如果d<0，则自动根据sigmaSpace参数计算得到。该值与保留的边缘信息数量成正比，与方法运行效率成反比。
sigmaColor：参与计算的颜色范围，这个值是像素颜色值与周围颜色值的最大差值，只有颜色值之差小于这个值时，周围的像素才进行滤波计算。值为255时，表示所有颜色都参与计算。
sigmaSpace：坐标空间的σ（sigma）值，该值越大，参与计算的像素数量就越多。
borderType：可选参数，边界样式，建议默认。

示例代码：

import cv2

img = cv2.imread("img.png")
dst = cv2.bilateralFilter(img, 15, 75, 75)
cv2.imshow("Original", img)
cv2.imshow("Bilateral Filtered", dst)
cv2.waitKey()
cv2.destroyAllWindows()