【千律】OpenCV基础：图像的高斯滤波和双边滤波

环境：Python3.8 和 OpenCV

内容：图像的高斯滤波和双边滤波

双边滤波：
缺点：不适合处理椒盐噪声
优点：保留边缘等高频信息，平滑灰度相近的区域，综合考虑距离和颜色差异两种因素

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt


# 封装图片显示函数
def image_show(image):
    if image.ndim == 2:
        plt.imshow(image, cmap='gray')
    else:
        image = cv.cvtColor(image, cv.COLOR_BGR2RGB)
        plt.imshow(image)
    plt.show()


# 封装添加椒盐噪声函数（应输入灰度图）
def sp_noise(image, proportion):

    # 获取添加噪声的比例大小
    [height, width] = image.shape
    num = int(height * width * proportion)

    # 按照比例对图像添加椒盐噪声
    for i in range(num):
        w = np.random.randint(0, width - 1)
        h = np.random.randint(0, height - 1)
        if np.random.randint(0, 2) == 0:
            image[h, w] = 0
        else:
            image[h, w] = 255

    return image


if __name__ == '__main__':

    # 读取灰度图像
    img_desk = cv.imread('desk.png', 0)
    image_show(img_desk)

    # 添加椒盐噪声
    prop = 0.05          # 添加椒盐噪声的比例
    img_noise = sp_noise(img_desk, prop)
    image_show(img_noise)

    # 高斯滤波
    sigma = 5            # 高斯函数的sigma参数
    kernel = [5, 5]      # 卷积核大小
    img_gaussian = cv.GaussianBlur(img_noise, kernel, sigmaX=sigma)
    image_show(img_gaussian)

    # 双边滤波
    sigma_color = 50     # 颜色差异卷积核参数
    sigma_space = 3      # 距离差异卷积核参数
    img_bilateral = cv.bilateralFilter(img_noise, -1, sigmaColor=sigma_color, sigmaSpace=sigma_space)
    image_show(img_bilateral)