openCV python低通滤波方法汇总

最新推荐文章于 2024-10-15 09:14:44 发布

田土豆

最新推荐文章于 2024-10-15 09:14:44 发布

阅读量1.4w

点赞数 11

分类专栏： python openCV 文章标签： openCV python 低通滤波

本文链接：https://blog.csdn.net/weixin_42216109/article/details/89605513

版权

python 同时被 2 个专栏收录

16 篇文章 2 订阅

订阅专栏

openCV

14 篇文章 5 订阅

订阅专栏

低通滤波（Low-Pass Filter,简称LPF）可以对图像进行模糊处理，以便去除噪声。究其本质，均为对图像的卷积操作。下面对几种常见的低通滤波函数进行一一讲解，包括：均值滤波cv2.blur()、cv2.boxFilter()，高斯滤波cv2.GaussianBlur()，中值滤波cv2.medianBlur()，双边滤波cv2.bilateralFilter()，2D滤波（自定义卷积核）cv2.filter2D()。

1. 均值滤波，函数cv2.blur()，或者cv2.boxFilter()

均值滤波采用卷积框内各像素值的均值来替代定位点（或称锚点，通常是中间位置）的像素值。

函数cv2.blur(src,ksize[,anchor[,borderType]])

概要：

采用归一化的卷积框（箱式滤波器）模糊图像，卷积框形如:

参数：

src: 输入的原图像,可以有任意的通道,但是图像深度须为CV_8U,CV_16U,CV_16S,CV_32F,CV_64F
ksize: 卷积框的尺寸
anchor: （可选参数）表示定位点或者锚点，默认值为（-1,-1），指的是卷积框的中心
borderType:（可选参数）决定图像在进行滤波操作（卷积）时边沿像素的处理方式。详情见https://blog.csdn.net/Kelvin_Yan/article/details/50515235?utm_source=blogxgwz6

返回值：

模糊化后的图像

e.g.

import cv2
img_original=cv2.imread('E:\ShannonT\\notebook workspace\\images\\4.23.6.jpg')
#均值滤波
img_blur=cv2.blur(img_original,(5,5))
cv2.imshow('original',img_original)
cv2.imshow('blur',img_blur)
cv2.waitKey()
cv2.destroyAllWindows()

效果如下：

函数cv2.boxFilter(src,ddepth,ksize[,anchor[,normalize[,borderType]]])

概要：

采用卷积框（箱式滤波器）模糊图像,卷积框如下所示：

其中

参数：

src: 输入的图像
ddepth: 输出图像的深度，-1表示与原图像深度相同
ksize: 卷积框的尺寸
anchor: （可选参数）表示定位点，默认值为（-1,-1），指的是卷积框的中心
normalize: （可选参数）当normalize=True表示卷积核归一化，此时效果等同于cv2.blur()
borderType:（可选参数）决定图像在进行滤波操作（卷积）时边沿像素的处理方式

返回值：

模糊化后的图像

e.g.

img_blur=cv2.boxFilter(img_original,-1,(5,5))

2. 高斯滤波，函数cv2.GaussianBlur()

卷积核换成高斯核（即卷积核中心的值最大，其余位置根据距离中心元素的距离递减），即将均值滤波的求平均值改为求加权平均值。通常用来处理高斯噪声，卷积框形如：

$K=\frac{1}{16}\begin{bmatrix} 1 & 2 &1 \\ 2& 4 &2 \\ 1& 2&1 \end{bmatrix}$ $K=\frac{1}{273}\begin{bmatrix} 1&4 &7 &4 &1 \\ 4& 16 & 26 &16 &4 \\ 7&26 &41 &26 &7 \\ 4& 16&26 & 16 &4 \\ 1& 4 &7 &4 &1 \end{bmatrix}$

函数cv2.GaussianBlur(src,ksize,sigmaX[,sigmaY[,borderType]])

概述：

采用高斯核模糊图像

参数：

src: 任意通道数的输入图像
ksize: 卷积框的尺寸，宽度和高度可以不同，但必须为正奇数；或者可以为0，然后由sigma计算得出
sigmaX: X方向的标准差。标准差越小，中间位置权值越大，模糊越不明显
sigmaY: （可选参数），若只指定了sigmaX的值，sigmaY取相同值；若都为0，则由ksize.height和ksize.width计算出来
borderType:（可选参数）决定图像在进行滤波操作（卷积）时边沿像素的处理方式

返回值：

模糊化后的图像

e.g.

给原图添加一个高斯噪声，并且进行高斯滤波，最后按照原图、高斯噪声图、模糊化图的顺序显示图片

import cv2
import skimage
import numpy as np
#载入原图，并且归一化
img_original=cv2.imread('E:\ShannonT\\notebook workspace\\images\\4.23.6.jpg')
img_original_standard=img_original/255
#添加高斯噪声，函数返回的归一化的多维数组
img_noise=skimage.util.random_noise(img_original_standard,mode='gaussian')
#高斯滤波
img_blur=cv2.GaussianBlur(img_noise,(5,5),9)
#按照原图，高斯噪声图，模糊化图的顺序显示图片
imgs=[img_original,img_noise,img_blur]
imgs=np.hstack([img_original_standard,img_noise,img_blur])
cv2.imshow('Images',imgs)
cv2.waitKey()
cv2.destroyAllWindows()

效果显示如下：

3. 中值滤波，函数cv2.medianBlur()

用与卷积框对应位置像素的中值来替代中心像素的值，通常用来处理椒盐噪声。

函数cv2.medianBlur(src,ksize)

概述：

使用中值滤波器模糊图像

参数：

src: 输入任意通道的图像，但是图像深度只能是CV_8U, CV_16U, or CV_32F，对于更大的孔径尺寸，只能是CV_8U，因此输入图像不能为归一化的数组。
ksize:孔径线性尺寸; 它必须是奇数且大于1，例如：3,5,7 ......

返回值：

模糊化后的图像

e.g.

给原图添加一个椒盐噪声，并且进行中值滤波，最后按照原图、椒盐噪声图、模糊化图的顺序显示图片

import cv2
import skimage
import numpy as np
#载入原图，并且归一化
img_original=cv2.imread('E:\ShannonT\\notebook workspace\\images\\4.23.6.jpg')
img_original_standard=img_original/255
#添加椒盐噪声，函数返回的归一化的多维数组，由于cv2.medianBlur()输入图像不能为归一化数组，所以转为'uint8'
img_noise=skimage.util.random_noise(img_original_standard,mode='salt')
img_noise_8U=(img_noise*255).astype(np.uint8)
#中值滤波
img_blur=cv2.medianBlur(img_noise_8U,3)
#按照原图，椒盐噪声图，模糊化图的顺序显示图片
imgs=[img_original,img_noise_8U,img_blur]
imgs=np.hstack([img_original,img_noise_8U,img_blur])
cv2.imshow('Images',imgs)
cv2.waitKey()
cv2.destroyAllWindows()

结果显示如下：

4. 双边滤波，函数cv2.bilateralFilter()

双边滤波能在保持边界清晰的情况下有效地去除噪声，通俗点讲均值滤波和中值滤波只考虑了像素值（颜色空间）的影响；而高斯滤波只考虑坐标空间的影响；双边滤波兼顾颜色空间和坐标空间。详情可以参见https://blog.csdn.net/keith_bb/article/details/54427779

函数cv2.bilateralFilter(src,d,sigmaColor,sigmaSpace[,borderType])

概述：

采用双边滤波器模糊图像

参数：

src: 单通道或者3通道的图像
d: 像素点的邻域直径，如果取值非正数，则由sigmaSpace计算得到，且与sigmaSpace成比例
sigmaColor: 颜色空间的高斯函数标准差
sigmaSpace: 坐标空间的高斯函数标准差，如果d>0，则由d计算得到
borderType:（可选参数）决定图像在进行滤波操作（卷积）时边沿像素的处理方式

返回值：

模糊化后的图像

e.g.

通过对灰度图像分别进行高斯滤波和双边滤波，发现双边滤波可以保持边界的特性

import cv2
import numpy as np
#载入灰度图像并进行适当缩放
img_original=cv2.imread('E:\ShannonT\\notebook workspace\\images\\4.28.5.jpg',0)
img_original=cv2.resize(img_original,(0,0),fx=0.5,fy=0.5)
#高斯滤波
img_gassianblur=cv2.GaussianBlur(img_original,(5,5),9)
#双边滤波
img_bilateralblur=cv2.bilateralFilter(img_original,13,46,8)
cv2.imshow('original',img_original)
cv2.imshow('img_gassianblur',img_gassianblur)
cv2.imshow('img_bilateralblur',img_bilateralblur)
cv2.waitKey()
cv2.destroyAllWindows()

效果如下：

5. 自定义卷积核低通滤波，函数cv2.filter2D()

openCV提供的函数cv2.filter2D()实现了对图像的卷积基本操作，我们可以自行设计卷积核，实现均值滤波，高斯滤波等

函数cv2.filter2D(src,ddepth,kernel[,anchor[,delta[,borderType]]])

概述：

使用卷积框对图像进行卷积操作

参数：

src: 输入的图片
ddepth: 输出图像的深度，当取值为-1时表示与原图像深度相同
kernel: 卷积核
anchor: （可选参数）表示定位点，默认值为（-1,-1），指的是卷积框的中心
delta: （可选参数）在将目标图像存储进多维数组前，可以将每个像素值增加delta，默认为0
borderType:（可选参数）决定图像在进行滤波操作（卷积）时边沿像素的处理方式

返回值：

卷积处理后的图像

e.g.

自定义一个卷积核，采用最基本的均值模板，对灰度图像进行卷积操作

import cv2
import numpy as np
#自定义一个均值滤波器
kernel=np.ones((5,5))/25
#载入灰度原图
img_original=cv2.imread('E:\ShannonT\\notebook workspace\\images\\4.28.5.jpg',0)
img_original=cv2.resize(img_original,(0,0),fx=0.5,fy=0.5)
#卷积操作，使delta分别为0和50
img_filter=cv2.filter2D(img_original,-1,kernel,delta=0)
img_filter_delta=cv2.filter2D(img_original,-1,kernel,delta=50)
#显示结果
cv2.imshow('originial',img_original)
cv2.imshow('filtered',img_filter)
cv2.imshow('filtered+delta',img_filter_delta)
cv2.waitKey()
cv2.destroyAllWindows()

结果显示如下：