opencv 效率_OpenCV图像处理-平滑处理、形态学操作

图像平滑

✔️ 模糊/平滑图片来消除图片噪声

✔️ OpenCV函数：cv2.blur(), cv2.GaussianBlur(), cv2.medianBlur(), cv2.bilateralFilter()

2D 卷积

✔️ OpenCV中用cv2.filter2D()实现卷积操作，比如我们的核是下面这样（3×3区域像素的和除以10）：

img = cv2.imread('lena.jpg')
# 定义卷积核
kernel = np.ones((3, 3), np.float32) / 10
# 卷积操作，-1表示通道数与原图相同
dst = cv2.filter2D(img, -1, kernel)

模糊和滤波

✔️ 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：

img = cv2.imread('lena.jpg')
# 均值模糊
blur = cv2.blur(img,(3,3)

方框滤波

✔️ 类似于均值滤波，如3x3的kernel为：

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=True
blur = cv2.boxFilter(img, -1, (3, 3), normalize=True)

高斯滤波

✔️ 不同于均值滤波，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，类似于正态分布。

OpenCV中对应函数为 cv2.GaussianBlur(src,ksize,sigmaX) ,指定的高斯核的宽和高必须为奇数。

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,$σ_x$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。

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：

img = cv2.imread('salt_noise.bmp', 0)
# 均值滤波vs中值滤波
blur = cv2.blur(img, (5, 5))  # 均值滤波
median = cv2.medianBlur(img, 5)  # 中值滤波

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

# 9为领域直径，两个75分别是高斯空间核函数标准差，灰度值相似性高斯函数标准差
blur = cv2.bilateralFilter(img, 9, 75, 75)  # 双边滤波

形态学操作

✔️ 包括膨胀、腐蚀、开运算和闭运算等形态学操作

✔️ OpenCV函数：cv2.erode(), cv2.dilate(), cv2.morphologyEx()

腐蚀

✔️ 腐蚀的效果是把图片”变瘦”，其原理是在原图的小区域内取局部最小值。因为是二值化图，只有0和255，所以小区域内有一个是0该像素点就为0：

这样原图中边缘地方就会变成0.

OpenCV中用cv2.erode()函数进行腐蚀，只需要指定核的大小就行：

import cv2
import numpy as np
img = cv2.imread('j.bmp', 0)
kernel = np.ones((5, 5), np.uint8)
erosion = cv2.erode(img, kernel)  # 腐蚀

这个核也叫结构元素，因为形态学操作其实也是应用卷积来实现的。结构元素可以是矩形/椭圆/十字形，可以用cv2.getStructuringElement()来生成不同形状的结构元素，比如：

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) # 矩形结构
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5)) # 椭圆结构
kernel = cv2.getStructuringElement(cv2.MORPH_CROSS, (5, 5)) # 十字结构

膨胀

✔️ 膨胀与腐蚀相反，取的是局部最大值，效果是把图片”变胖”：

dilation = cv2.dilate(img, kernel)  # 膨胀

开/闭运算

✔️ 先腐蚀后膨胀叫开运算（因为先腐蚀会分开物体，这样容易记住），其作用是：分离物体，消除小区域。这类形态学操作用 cv2.morphologyEx() 函数实现：

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
img = cv2.imread('j_noise_out.bmp', 0)
# 开运算
opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

❣️ 闭运算则相反：先膨胀后腐蚀（先膨胀会使白色的部分扩张，以至于消除/“闭合”物体里面的小黑洞，所以叫闭运算）

closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)

形态学梯度

✔️ 膨胀图减去腐蚀图，dilation - erosion，这样会得到物体的轮廓：

gradient = cv2.morphologyEx(img, cv2.MORPH_GRADIENT, kernel)

顶帽

✔️ 原图减去开运算后的图：src - opening

tophat = cv2.morphologyEx(img, cv2.MORPH_TOPHAT, kernel)

黑帽

✔️ 闭运算后的图减去原图：closing - src

blackhat = cv2.morphologyEx(img, cv2.MORPH_BLACKHAT, kernel)

------------------------------------------可爱の分割线------------------------------------------

更多Opencv教程可以 Follow github的opencv教程，中文&English 欢迎Star❤️❤️❤️

https://github.com/JimmyHHua/opencv_tutorials​github.com

参考

❗ ❗ ❗ Thanks: ❗ ❗ ❗

- ex2tron博客

- OpenCv官网