OpenCV_7 滤波

前言

本节简单介绍滤波的概念和OpenCV中主要的滤波API，不涉及相关算法。

---

一、滤波

1.什么是滤波？

一幅图像通过滤波器得到另一幅图像，同时在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，是图像处理中不可缺少的一项操作。其中滤波器又被称为卷积核，滤波过程被称为卷积。下面这幅图就是一幅图卷积前后的对比，明显变得锐化。

下面的图片是一个简化的卷积过程：采用一个3x3的卷积核，与图片中的3x3的数据相乘，然后遍历整张图像。经过卷积后图片的尺寸必定会减小（卷积核>1），如想保持原来的大小，要进行对应的处理。

2.卷积的基本概念

• 卷积核的大小：

卷积核一般为奇数，3x3, 5x5, 7x7;一方面是增加padding的原因，另一方面是为了保证锚点在中间，防止位置发生偏移

卷积核大小的影响：在深度学习中，卷积核越大，看到的信息（感受野）越多，提取的特征越好，但同时计算量也就越大。

• 锚点：
  如下图中中心41就称为锚点，简单来说就是正中心，主要为了防止信息偏差。
  

• 边界扩充：
  边界扩充就是为了解决卷积之后，输出尺寸变小的问题。
  
  计算公式：
  $$N=(W-F+2P)/S+1$$
  N:输出图像大小
  W：源图像大小；F：卷积核大小；P：扩充尺寸
  S：步长大小

• 步长：卷积核每次移动的长度

低通滤波可以去除噪声或平滑图像
高通滤波可以帮助查找图像的边缘

---

二、图像卷积

1.图像卷积API

filter2D()
声明：void filter2D( InputArray src, OutputArray dst, int ddepth, InputArray kernel, Point anchor = Point(-1,-1), double delta = 0, int borderType = BORDER_DEFAULT );
参数：
   src：需要滤波的图像
   ddepth：图像卷积之后的位深，-1表示与原图一致
   kernel：卷积核
   anchor：锚点，默认中心点
   delta：每次卷积之后+delta
   borderType：边界的类型

代码案例：

import cv2
import numpy as np 

cat = cv2.imread('./picture/cat.jpg')

kernel = np.ones((5,5), np.float32) / 25 # 平均滤波

dst = cv2.filter2D(cat, -1, kernel)

cv2.imshow('dst', dst)
cv2.imshow('cat', cat)
cv2.waitKey(0)

2.方盒滤波与均值滤波

方盒滤波卷积核：

参数a的作用：
normalize = true, a= 1 / W x H (平均滤波)
normalize = false, a= 1

boxFilter()
声明：void boxFilter( InputArray src, OutputArray dst, int ddepth, Size ksize, Point anchor = Point(-1,-1), bool normalize = true, int borderType = BORDER_DEFAULT );
参数：
   src：需要滤波的图像
   ddepth：图像卷积之后的位深，-1表示与原图一致
   ksize：卷积核大小
   anchor：锚点，默认中心点
   normalize：如上
   borderType：边界的类型

blur()
声明：void blur( InputArray src, OutputArray dst, Size ksize, Point anchor = Point(-1,-1), int borderType = BORDER_DEFAULT );
参数：
   src：需要滤波的图像
   ksize：卷积核大小
   anchor：锚点，默认中心点
   borderType：边界的类型

3.高斯滤波

高通滤波可以帮助查找图像的边缘

高斯权重：

从上面两图可以看出，高斯滤波呈现出中间权重高，边缘权重低。

GaussianBlur()
声明：void GaussianBlur( InputArray src, OutputArray dst, Size ksize, double sigmaX, double sigmaY = 0, int borderType = BORDER_DEFAULT );
参数：
   src：需要滤波的图像
   ksize：卷积核大小，
   sigmaX：X方向上的高斯核标准差
   sigmaY：Y方向上的高斯核标准差
       如果两个sigma都为零，则根据ksize计算

代码案例：

dst = cv2.GaussianBlur(cat, (5, 5), sigmaX = 1)

主要用来解决高斯噪音。

4.中值滤波

中值滤波对胡椒噪音效果明显

medianBlur()
声明：void medianBlur( InputArray src, OutputArray dst, int ksize );
参数：
   src：需要滤波的图像
   ksize：卷积核大小，整数
代码示例：

dst = cv2.medianBlur(hujiao, 7)

结果展示：

经过中值滤波后图像中的黑色噪点去掉了，但是图片的边缘也变得模糊了。

5.双边滤波

可以保留边缘，同时可以对边缘内的区域进行平滑处理。主要的作用是进行美颜。
双边滤波原理：

bilateralFilter()
声明：void bilateralFilter( InputArray src, OutputArray dst, int d, double sigmaColor, double sigmaSpace, int borderType = BORDER_DEFAULT );
参数：
   src：需要滤波的图像
   d：滤波期间使用的每个像素邻域的直径。如果为非正，它是从sigmaSpace计算的。
   sigmaColor：
   sigmaSpace：

代码案例：

dst = cv2.bilateralFilter(lian, 7, 20, 50)

结果展示：

可以明显看出经过滤波后的图片脸部皮肤更光滑，肤色更均匀，同时眉毛，帽子的边缘并没有模糊化。

三、高通滤波

1.Sobel(索贝尔)(高斯)

内部使用高斯滤波首先对图像进行滤波，然后才进行一阶导提取图像边缘，因此对噪音适应性很强。
Sobel和下面的Scharr求边缘线是都只能求一个方向上的边缘，最终要将横轴与纵轴的边缘相加，才能得到完整的边缘图像。

Sobel()
声明：void Sobel( InputArray src, OutputArray dst, int ddepth, int dx, int dy, int ksize = 3, double scale = 1, double delta = 0, int borderType = BORDER_DEFAULT );
参数：
   src：需要滤波的图像
   ddepth：位深
   dx：等于1，检测Y轴边缘
   dy：等于1，检测X 轴边缘
   ksize：卷积核大小
   scale：缩放

代码案例：

d1 = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize = 5)
d2 = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize = 5)
d = cv2.add(d1, d2)

2.Scharr（沙尔）

Scharr不可以改变大小，他是一个3x3的卷积核，当Sobel的ksize参数设为-1时，就是Scharr。但Scharr可以检测出更细的边缘线。

Sobel()
声明：void Scharr( InputArray src, OutputArray dst, int ddepth, int dx, int dy, double scale = 1, double delta = 0, int borderType = BORDER_DEFAULT );
参数：
   src：需要滤波的图像
   ddepth：位深
   dx：等于1，检测Y轴边缘
   dy：等于1，检测X 轴边缘

3.Laplacian(拉普拉斯)

Laplacian可以一次求出图像的完整边缘，但由于内部没有进行降噪，因此对噪声敏感。

Sobel()
声明：void Laplacian( InputArray src, OutputArray dst, int ddepth, int ksize = 1, double scale = 1, double delta = 0, int borderType = BORDER_DEFAULT );
参数：
   src：需要滤波的图像
   ddepth：位深
   ksize：卷积核大小

4.Canny

Canny效果好的原因：

• 使用5x5高斯滤波消除噪声
• 计算图像梯度方向(0°/45°/90°/135°)
• 取局部极大值
• 阈值计算
     当值大于maxval是一定是边缘，小于minval时一定不是边缘，而当处于maxval和minval之间则需要看与之前的边缘是否连续，不连续就不是边缘。
  

Canny()
声明：void Canny( InputArray image, OutputArray edges, double threshold1, double threshold2, int apertureSize = 3, bool L2gradient = false );
参数：
   image：需要滤波的图像
   threshold1：阈值下限
   threshold2：阈值上限

代码案例：

import cv2
import numpy as np 

img = cv2.imread('./picture/lian.jpeg')
fimg = cv2.GaussianBlur(img, (5, 5), sigmaX = 1)

dst1 = cv2.Laplacian(fimg, cv2.CV_64F)
dst2 = cv2.Canny(img, 50, 150)

cv2.imshow('img', img)
cv2.imshow('Laplacian', dst1)
cv2.imshow('Canny', dst2)
cv2.waitKey(0)

结果展示：

上图可以看出：即使Laplacian方法经过滤波处理，但Canny方法的边缘提取效果仍然要好得多。

---