![27689971fb7aa9b5356dd01e43961b32.png](https://i-blog.csdnimg.cn/blog_migrate/6cd0d7c1b5a5104e2324188c7d2cac43.jpeg)
学习模糊/平滑图像,消除噪点。图片等可到源码处下载。
01
目标
02
教程
滤波与模糊
推荐大家先阅读:番外篇:卷积基础(图片边框),有助于理解卷积和滤波的概念。
关于滤波和模糊,很多人分不清,我来给大家理理(虽说如此,我后面也会混着用,,ԾㅂԾ,,):
它们都属于卷积,不同滤波方法之间只是卷积核不同(对线性滤波而言)
低通滤波器是模糊,高通滤波器是锐化
低通滤波器就是允许低频信号通过,在图像中边缘和噪点都相当于高频部分,所以低通滤波器用于去除噪点、平滑和模糊图像。高通滤波器则反之,用来增强图像边缘,进行锐化处理。
常见噪声有椒盐噪声和高斯噪声,椒盐噪声可以理解为斑点,随机出现在图像中的黑点或白点;高斯噪声可以理解为拍摄图片时由于光照等原因造成的噪声。
均值滤波
均值滤波是一种最简单的滤波处理,它取的是卷积核区域内元素的均值,用cv2.blur()实现,如3×3的卷积核:
![d493d22b647dfc9114166a40ba19117f.png](https://i-blog.csdnimg.cn/blog_migrate/7df0f85a9b37566b9f7e39d6886b10f8.png)
img = cv2.imread('lena.jpg')blur = cv2.blur(img, (3, 3)) # 均值模糊
所有的滤波函数都有一个可选参数borderType,这个参数就是番外篇:卷积基础(图片边框)中所说的边框填充方式。
方框滤波
方框滤波跟均值滤波很像,如3×3的滤波核如下:
![2592a483d834606d8474f7a150161814.png](https://i-blog.csdnimg.cn/blog_migrate/58f686ded1892736b728f0b48d297212.png)
用cv2.boxFilter()函数实现,当可选参数normalize为True的时候,方框滤波就是均值滤波,上式中的a就等于1/9;normalize为False的时候,a=1,相当于求区域内的像素和。
# 前面的均值滤波也可以用方框滤波实现:normalize=Trueblur = cv2.boxFilter(img, -1, (3, 3), normalize=True)
高斯滤波
前面两种滤波方式,卷积核内的每个值都一样,也就是说图像区域中每个像素的权重也就一样。高斯滤波的卷积核权重并不相同:中间像素点权重最高,越远离中心的像素权重越小,来,数学时间( ╯□╰ ),还记得标准正态分布的曲线吗?
![0943c1b1891d8107b9ae042c95178ae7.png](https://i-blog.csdnimg.cn/blog_migrate/a2fcf5fe51b4e202964ba942bdc97212.jpeg)
显然这种处理元素间权值的方式更加合理一些。图像是2维的,所以我们需要使用2维的高斯函数,比如OpenCV中默认的3×3的高斯卷积核(具体原理和卷积核生成方式请参考文末的番外小篇):
OpenCV中对应函数为cv2.GaussianBlur(src,ksize,sigmaX):
img = cv2.imread('gaussian_noise.bmp')# 均值滤波vs高斯滤波blur = cv2.blur(img, (5, 5)) # 均值滤波gaussian = cv2.GaussianBlur(img, (5, 5), 1) # 高斯滤波
参数3 σx值越大,模糊效果越明显。高斯滤波相比均值滤波效率要慢,但可以有效消除高斯噪声,能保留更多的图像细节,所以经常被称为最有用的滤波器。均值滤波与高斯滤波的对比结果如下(均值滤波丢失的细节更多):
![e1d91547eadb8ad0ed2c6c841f39a71b.png](https://i-blog.csdnimg.cn/blog_migrate/25abb846ff7698ac742de7b9a229bab2.jpeg)
中值滤波
中值又叫中位数,是所有数排序后取中间的值。中值滤波就是用区域内的中值来代替本像素值,所以那种孤立的斑点,如0或255很容易消除掉,适用于去除椒盐噪声和斑点噪声。中值是一种非线性操作,效率相比前面几种线性滤波要慢。
比如下面这张斑点噪声图,用中值滤波显然更好:
![893b2fdb4301e288f087e42eac06b9df.png](https://i-blog.csdnimg.cn/blog_migrate/8afa4753f610985c27469aa1716bf554.jpeg)
双边滤波
模糊操作基本都会损失掉图像细节信息,尤其前面介绍的线性滤波器,图像的边缘信息很难保留下来。然而,边缘(edge)信息是图像中很重要的一个特征,所以这才有了双边滤波。用cv2.bilateralFilter()函数实现:
img = cv2.imread('lena.jpg')# 双边滤波vs高斯滤波gau = cv2.GaussianBlur(img, (5, 5), 0) # 高斯滤波blur = cv2.bilateralFilter(img, 9, 75, 75) # 双边滤波
![27689971fb7aa9b5356dd01e43961b32.png](https://i-blog.csdnimg.cn/blog_migrate/6cd0d7c1b5a5104e2324188c7d2cac43.jpeg)
可以看到,双边滤波明显保留了更多边缘信息。
03
番外小篇:高斯滤波卷积核
要解释高斯滤波卷积核是如何生成的,需要先复习下概率论的知识(What??又是数学( ╯□╰ ))
一维的高斯函数/正态分布X∼N(μ,σ2)X∼N(μ,σ2):
当μ=0,σ2=1μ=0,σ2=1时,称为标准正态分布X∼N(0,1)X∼N(0,1):
二维X/Y相互独立的高斯函数:
![05562e478b0ca8b0220844ef69aec3ad.png](https://i-blog.csdnimg.cn/blog_migrate/7f459c3c4bcc2322a9fab370a4d150e1.png)
由上可知,二维高斯函数具有可分离性,所以OpenCV分两步计算二维高斯卷积,先水平再垂直,每个方向上都是一维的卷积。OpenCV中这个一维卷积的计算公式类似于上面的一维高斯函数:
![7acb01e6357d743d422bf8dec5e86d46.png](https://i-blog.csdnimg.cn/blog_migrate/54e3e03be8b65083394e6528cb13da38.png)
![03932676dc04f2f3187b70fb9d7348f4.png](https://i-blog.csdnimg.cn/blog_migrate/32a7dc2b9e4fea24aafc7c8eae8e8ce4.png)
print(cv2.getGaussianKernel(3, 0))# 结果:[[0.25][0.5][0.25]]
生成之后,先进行三次的水平卷积:
然后再进行垂直的三次卷积:
![110dd1121406c9038edebdfb57a273d5.png](https://i-blog.csdnimg.cn/blog_migrate/ad6f43389894cbaa233d20f0a57da4a4.png)
这就是OpenCV中高斯卷积核的生成方式。其实,OpenCV源码中对小于7×7的核是直接计算好放在数组里面的,这样计算速度会快一点,感兴趣的可以看下源码:getGaussianKernel()
上面矩阵也可以写成:
04
小结
在不知道用什么滤波器好的时候,优先高斯滤波cv2.GaussianBlur(),然后均值滤波cv2.blur()。
斑点和椒盐噪声优先使用中值滤波cv2.medianBlur()。
要去除噪点的同时尽可能保留更多的边缘信息,使用双边滤波cv2.bilateralFilter()。
线性滤波方式:均值滤波、方框滤波、高斯滤波(速度相对快)。
非线性滤波方式:中值滤波、双边滤波(速度相对慢)。
文章转载自 EX2TRON'S BLOG http://ex2tron.wang/opencv-python-smoothing-images/
如果你也有想分享的干货,可以登录天池实验室(notebook),包括赛题的理解、数据分析及可视化、算法模型的分析以及一些核心的思路等内容。
小天会根据你分享内容的数量以及程度,给予丰富的神秘天池大礼以及粮票奖励。分享成功后你也可以通过下方钉钉群?主动联系我们的社区运营同学(钉钉号:yiwen1991)
天池宝贝们有任何问题,可在戳“留言”评论或加入钉钉群留言,小天会认真倾听每一个你的建议!
点击下方图片即可阅读
如何使用sklearn优雅地进行数据挖掘?
为何推荐sklearn做单机特征工程?【下】
学会【超参数与模型验证】,大不了我请你吃辣条~
迁移学习教程(Transfer Learning tutorial)