【openCV-python系列学习】四、均值滤波、方框滤波、高斯滤波及中值滤波

        在图像产生、传输和复制过程中，常常会因为多方面原因而被噪声干扰或出现数据丢失，降低了图像的质量（某一像素，如果它与周围像素点相比有明显的不同，则该点被噪声所感染）。这就需要对图像进行一定的增强处理以减小这些缺陷带来的影响。可以采用图像平滑中的均值滤波、方框滤波、高斯滤波及中值滤波等方法。

原图：

噪声图片：

 

给原图添加噪声以供测试的代码：

# -*- coding:utf-8 -*-
import cv2
import numpy as np

#读取图片
img = cv2.imread('./out/partition7.jpg', cv2.IMREAD_UNCHANGED)
rows, cols, chn = img.shape

#加噪声
for i in range(5000):    
    x = np.random.randint(0, rows) 
    y = np.random.randint(0, cols)    
    img[x,y,:] = 255

cv2.imshow("noise", img)
           
#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.imwrite('./out/noise7.jpg', img)

 

一、均值滤波

1.原理
均值滤波是指任意一点的像素值，都是周围N*M个像素值的均值。例如下图中，红色点的像素值为蓝色背景区域像素值之和除25。

 

其中5*5的矩阵称为核(kernel)，针对原始图像内的像素点，采用核进行处理，得到结果图像，针对原始图像的每一个像素点，都要进行核处理，处理过程如下，原始图像中的每一像素点（从左到右，从上到下）依次被核处理。

红色点的像素值=卷积核大小（上图也就是5*5）的范围内像素值之和/5*5.

函数：

实现均值滤波的核心函数如下：
result = cv2.blur(src,kernel)，其中src是原图像，kernel是核大小。

代码：

#encoding:utf-8
import cv2  
import numpy as np  
 
#读取图片
img = cv2.imread('./out/noise7.jpg')
 
#均值滤波
result = cv2.blur(img, (5,5))

cv2.imshow("noise", img)
cv2.imshow("result", result)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

结果：

                

核设置越大，图像越模糊。设置为1时，没有变化。

 

二、方框滤波

方框滤波和均值滤波核基本一致，区别是需不需要均一化处理。

OpenCV调用boxFilter()函数实现方框滤波，如下：
result = cv2.boxFilter(src, 目标图像深度, kernel, normalize)

其中，目标图像深度是int类型，通常用“-1”表示与原始图像一致；

normalize属性表示是否对目标图像进行归一化处理。当normalize为true时需要执行均值化处理，当normalize为false时，不进行均值化处理，实际上为求周围各像素的和，很容易发生溢出，溢出时均为白色，对应像素值为255。

代码：

#encoding:utf-8
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
 
#读取图片
img = cv2.imread('./out/noise7.jpg')
 
#方框滤波
result1 = cv2.boxFilter(img, -1, (5,5), normalize=1)

result2 = cv2.boxFilter(img, -1, (5,5), normalize=0)

cv2.imshow("noise", img)
cv2.imshow("result1", result1)
cv2.imshow("result2", result2)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

结果：

              

可以看到如果省略参数normalize，则默认是进行归一化处理。如果normalize=0则不进行归一化处理，像素值为周围像素之和，图像更多为白色。

 

三、高斯滤波

• 图像高斯平滑也是邻域平均的思想对图像进行平滑的一种方法，在图像高斯平滑中，对图像进行平均时，不同位置的像素被赋予了不同的权重。高斯平滑与简单平滑不同，它在对邻域内像素进行平均时，给予不同位置的像素不同的权值，下图的所示的 3 * 3 和 5 * 5 领域的高斯模板。
• 高斯滤波让临近的像素具有更高的重要度，对周围像素计算加权平均值，较近的像素具有较大的权重值。

 

Python中OpenCV主要调用GaussianBlur函数，如下：
result = cv2.GaussianBlur(src, ksize, sigmaX)
其中sigmaX表示X方向方差,通常为0。核大小（N, N）必须是奇数。
代码：

#encoding:utf-8
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
 
#读取图片
img = cv2.imread('./out/noise7.jpg')
 
#高斯滤波
result = cv2.GaussianBlur(img, (3,3), 0)

#显示图形
cv2.imshow("noise", img)
cv2.imshow("result", result)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

结果：

        

 

四、中值滤波

        中值滤波是非线性的图像处理方法，在去噪的同时可以兼顾到边界信息的保留。选一个含有奇数点的窗口W，将这个窗口在图像上扫描，把窗口中所含的像素点按灰度级的升或降序排列，取位于中间的灰度值来代替该点的灰度值。 例如选择滤波的窗口如下图，是一个一维的窗口，待处理像素的灰度取这个模板中灰度的中值，滤波过程如下：

 

OpenCV主要调用medianBlur()函数实现中值滤波。
result = cv2.medianBlur(src, kernel)
核必须是大于1的奇数，如3、5、7等。

代码：

#encoding:utf-8
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
 
#读取图片
img = cv2.imread('./out/noise7.jpg')
 
#高斯滤波
result = cv2.medianBlur(img, 3)

#显示图像
cv2.imshow("source img", img)
cv2.imshow("medianBlur", result)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

结果：

        

---

开始学习openCV第四课，主要学习来源：
[Python图像处理] 四.图像平滑之均值滤波、方框滤波、高斯滤波及中值滤波

谢谢大神的分享！