【千律】OpenCV基础：图像的双边滤波 -- 代码实现

阿飞_Y

已于 2022-03-22 23:07:16 修改

阅读量1.6k

点赞数 1

分类专栏： OpenCV基础文章标签： opencv python

于 2022-03-21 18:10:53 首次发布

本文链接：https://blog.csdn.net/weixin_42704093/article/details/123642164

版权

OpenCV基础专栏收录该内容

54 篇文章 7 订阅

订阅专栏

该博客介绍了如何使用Python3.8和OpenCV库进行图像的双边滤波。文章通过代码展示了如何构建空间距离权重矩阵和色彩差异权重矩阵，并应用于图像平滑处理，保留了边缘等高频信息，同时平滑了灰度相近的区域。这种方法适合处理连续色彩区域，但不适用于椒盐噪声。

摘要由CSDN通过智能技术生成

环境：Python3.8 和 OpenCV

内容：图像的双边滤波 -- 代码实现

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

空间卷积核矩阵：

$\large sp(\xi - x) = e^{-0.5(\frac{||\xi - x||}{\sigma_d})^2 }$

色彩卷积核矩阵：

$\large c(f(\xi) - f(x)) = e^{-0.5(\frac{||f(\xi) - f(x)||}{\sigma_r})^2 }$

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()


# 定义空间距离权重矩阵
def get_space(sigma_space, kernel):

    # 初始化参数
    space = np.zeros((kernel, kernel))     # 预配置距离权重空间
    x = np.array([kernel//2, kernel//2])   # 得到位置坐标点

    # 计算距离权重矩阵
    for i in range(kernel):
        for j in range(kernel):
            k = np.array([i, j])
            space[i, j] = np.exp(-0.5 * (np.linalg.norm(k - x) / sigma_space)**2)

    # 归一化矩阵
    space = space / np.sum(space)
    return space


# 定义色彩差异权重矩阵
def get_color(image, sigma_color, kernel):

    # 类型转换
    image = np.float64(image)

    # 计算色彩差异权重矩阵
    color = np.exp(-0.5 * ((image - image[kernel // 2, kernel // 2]) / sigma_color) ** 2)

    # 归一化矩阵
    color = color / np.sum(color)
    return color


if __name__ == '__main__':

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

    # 双边滤波 -- 代码实现
    # 参数初始化
    para_color = 50                            # 颜色差异卷积核参数
    para_space = 3                             # 距离差异卷积核参数
    kernel_size = 11                           # 卷积核的大小
    [h_img, w_img] = img_desk.shape            # 得到图片的长宽
    img_bilateral = np.zeros((h_img, w_img))   # 初始化空白图片矩阵

    # 得到空间距离矩阵
    space_matrix = get_space(para_space, kernel_size)

    # 迭代卷积运算
    for i in range(h_img - kernel_size):
        for j in range(w_img - kernel_size):

            # 得到色彩差异矩阵
            img_pixel = img_desk[i: i + kernel_size, j: j + kernel_size]
            color_matrix = get_color(img_pixel, para_color, kernel_size)

            # 计算卷积结果
            kernel_out = space_matrix * color_matrix

            # 归一化结果
            kernel_out = kernel_out / np.sum(kernel_out)

            # 得到最终输出图像
            img_bilateral[i, j] = np.sum(img_pixel * kernel_out)

    # 显示结果
    image_show(img_bilateral)