python高斯噪声怎么去除_【OpenCV+Python】线性滤波&非线性滤波

线性滤波

本次教程将介绍几种OpenCV常用的滤波器，将介绍它们详细的原理，图像滤波对于OpenCV图像处理来说是至关重要的一环，它在整个OpenCV中的分量是举足轻重的，我们必须完完全全的掌握它。

图像滤波，即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，是图像预处理中不可缺少的操作，其处理效果的好坏将直接影响到后续图像处理和分析的有效性和可靠性。

消除图像中的噪声成分叫作图像的平滑化或滤波操作。信号或图像的能量大部分集中在幅度谱的低频和中频段是很常见的，而在较高频段，感兴趣的信息经常被噪声淹没。因此一个能降低高频成分幅度的滤波器就能够减弱噪声的影响。

图像滤波的目的有两个：

• 一是抽出对象的特征作为图像识别的特征模式。

• 另一个是为适应图像处理的要求，消除图像数字化时所混入的噪声。

而对滤波处理的要求也有两条：

• 一是不能损坏图像的轮廓及边缘等重要信息。

• 二是使图像清晰视觉效果好。

平滑滤波是低频增强的空间域滤波技术。它的目的有两类：

• 一类是模糊。

• 一类是消除噪音。

空间域的平滑滤波一般采用简单平均法进行，就是求邻近像元点的平均亮度值。邻域的大小与平滑的效果直接相关，邻域越大平滑的效果越好，但邻域过大，平滑会使边缘信息损失的越大，从而使输出的图像变得模糊，因此需合理选择邻域的大小。

关于滤波器，一种形象的比喻法是：我们可以把滤波器想象成一个包含加权系数的窗口，当使用这个滤波器平滑处理图像时，就把这个窗口放到图像之上，透过这个窗口来看我们得到的图像。

▼ 原理

邻域算子(局部算子)是利用给定像素周围的像素值的决定此像素的最终输出值的一种算子。而线性邻域滤波是一种常用的邻域算子，像素的输出值取决于输入像素的加权和，具体过程如下图：

左边图像与中间图像的卷积产生右边图像。目标图像中蓝色标记的像素是利用原图像中红色标记的像素计算得到的。

邻域算子除了用于局部色调调整以外，还可以用于图像滤波，实现图像的平滑和锐化，图像边缘增强或者图像噪声的去除。本篇文章，我们介绍的主角是线性邻域滤波算子，即用不同的权重去结合一个小邻域内的像素，来得到应有的处理效果。

线性滤波处理的输出像素值是输入像素值的加权和 :

其中的加权和我们称其为“核”，滤波器的加权系数，即滤波器的“滤波系数”。

上面的式子可以简单写作：

其中f表示输入像素值，h表示加权系数“核“，g表示输出像素值

在新版本的OpenCV中，提供了如下三种常用的线性滤波操作，他们分别被封装在单独的函数中，使用起来非常方便：

• 均值滤波——blur函数

• 方框滤波——boxblur函数

• 高斯滤波——GaussianBlur函数

▼ 均值滤波器

均值滤波器是一种低通滤波器，也是线性滤波器。对于一幅图像，我们都知道其像素值在0-255，通常来讲，滤波器所用的一个滤波模板都为奇数，这里我们以3*3为例：