OpenCV图像平滑

1.2D卷积（图像过滤）

主要使用cv2.filter2D()函数来实现。

dst=cv.filter2D(src, ddepth, kernel[, dst[, anchor[, delta[, borderType]]]])

参数如下：

• src：原图像
• dst：目标图像，与原图像尺寸和通过数相同
• ddepth：目标图像的所需深度
• kernel：卷积核（或相当于相关核），单通道浮点矩阵
• anchor：内核的锚点，指示内核中过滤点的相对位置;锚应位于内核中;默认值（-1，-1）表示锚位于内核中心。
• detal：在将它们存储在dst中之前，将可选值添加到已过滤的像素中。类似于偏置。
• borderType：像素外推法

代码示例：

import numpy as np
import cv2 as cv
img = cv.imread('C:\\Users\\dell\\Desktop\\prac files\\prac1.jpg')
#kernel = np.array([[0, 0], [-1, 1]])   #正交梯度x方向卷积核
kernel = np.ones((5,5),np.float32)/25   #使图像模糊的卷积核（低通滤波器）
dst = cv.filter2D(img, -1, kernel)
cv.imshow("prac", dst)
cv.waitKey(0)
cv.destroyAllWindows()

2.图像模糊（图像平滑）

OpenCV主要提供四种模糊技术。

（1）均值模糊

主要使用cv2.blur()函数来实现。

cv2.blur(src, ksize[, dst[, anchor[, borderType]]]) -> dst

参数如下：

• src：待处理图像
• ksize：表示模糊内核大小。比如(5,5)表示生成的模糊内核是一个 5*5 的矩阵
• dst：表示输出与 src 相同大小和类型的图像
• anchor：可选参数，内核的锚点，指示内核中过滤点的相对位置;锚应位于内核中;默认值（-1，-1）表示锚位于内核中心
• borderType：可选参数，像素外推法

代码示例：

import cv2 as cv
img = cv.imread('C:\\Users\\dell\\Desktop\\prac files\\prac1.jpg')
dst = cv.blur(img, (5,5))
cv.imshow("prac", dst)
cv.waitKey(0)
cv.destroyAllWindows()

除此之外，还可以使用cv2. boxFilter()函数来实现，此函数可以不使用标准的框式过滤器。

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

参数如下：

• src：输入图像
• dst：输出图像
• ddepth：输出图像深度(-1使用src.depth())。
• ksize：模糊核的大小。
• anchor：锚点;默认值点(-1，-1)表示锚点在内核中心。
• normalize：指定内核是否按其区域标准化。如果输入True等价于均值滤波，输入=False 时 卷积结果>255时，置为255
• borderType：可选参数，像素外推法

代码示例：

import cv2 as cv
img = cv.imread('C:\\Users\\dell\\Desktop\\prac files\\prac1.jpg')
dst2 = cv.boxFilter(img, -1, (2, 2), normalize = False)
cv.imshow("prac", dst2)
cv.waitKey(0)
cv.destroyAllWindows()

（2）高斯模糊

主要使用cv2.GaussianBlur()函数来实现。

cv2.GaussianBlur（src，ksize，sigmaX [，dst [，sigmaY [borderType]]]）-> dst

参数如下：

• src：输入图像，图像可以具有任意数量的通道，这些通道可以独立处理，但深度应为CV_8U，CV_16U，CV_16S，CV_32F或CV_64F。
• dst：输出图像的大小和类型与src相同。
• ksize：高斯内核大小。ksize.width和ksize.height可以不同，但​​它们都必须为正数和奇数，也可以为零，然后根据sigma计算得出。
• sigmaX：X方向上的高斯核标准偏差。
• sigmaY：Y方向上的高斯核标准差；如果sigmaY为零，则将其设置为等于sigmaX；如果两个sigma为零，则分别从ksize.width和ksize.height计算得出；为了完全控制结果，而不管将来可能对所有这些语义进行的修改，建议指定所有ksize，sigmaX和sigmaY。

也可以使用cv2.getGaussianKernel()函数来创建高斯内核，返回值是一个一维的垂向kernel。

cv2.getGaussianKernel(kszie, sigma, ktype)

参数如下：

• kszie：核大小(奇数)
• sigma：高斯标准偏差
• ktype：过滤系数类型，它可以是CV_32f或CV_64F

代码示例：

import cv2 as cv
img = cv.imread('C:\\Users\\dell\\Desktop\\prac files\\prac1.jpg')
dst3 = cv.GaussianBlur(img, (5, 5), 0)
cv.imshow("prac", dst3)
cv.waitKey(0)
cv.destroyAllWindows()

（3）中位模糊

主要使用cv2.medianBlur()函数来实现。

cv2.medianBlur(src, ksize[, dst]) -> dst

参数如下：

• src：待处理的输入图像
• ksize：参数表示滤波窗口尺寸，必须是奇数并且大于1。比如这里是 5，中值滤波器就会使用 5×5 的范围来计算，即对像素的中心值及其5×5 邻域组成了一个数值集，对其进行处理计算，当前像素被其中值替换掉
• dst：参数表示输出与 src 相同大小和类型的图像

代码示例：

import cv2 as cv
img = cv.imread('C:\\Users\\dell\\Desktop\\prac files\\prac1.jpg')
dst4 = cv.medianBlur(img, 5)
cv.imshow("prac", dst4)
cv.waitKey(0)
cv.destroyAllWindows()

（4）双边滤波

主要使用cv2.bilateralFilter()函数来实现。

cv2.bilateralFilter(src, d,sigmaColor,sigmaSpace,dst,borderType) -> dst

参数如下：

• src：输入图像
• d：过滤时周围每个像素领域的直径
• sigmaColor：在color space中过滤sigma，这个参数的值越大，就表明该像素邻域内有更宽广的颜色会被混合到一起，产生较大的半相等颜色区域。
• sigmaSpace：在coordinate space中过滤sigma，参数越大，那些颜色足够相近的的颜色的影响越大
• dst：输出图像的大小和类型与src相同
• borderType：可选参数，像素外推法

代码示例：

import cv2 as cv
img = cv.imread('C:\\Users\\dell\\Desktop\\prac files\\prac1.jpg')
dst5 = cv.bilateralFilter(img, 9, 75, 75)
cv.imshow("prac", dst5)
cv.waitKey(0)
cv.destroyAllWindows()