python+opencv图像处理之六：图像平滑处理

python+opencv图像处理之六：图像平滑处理

一、图像平滑

图像平滑是指受传感器和外界因素的影响，图像上会出现某些亮度变化过大的区域，或出现一些亮点(也称噪声)。这种为了抑制噪声，使图像亮度趋于平缓的处理方法就是图像平滑。平滑过程会导致图像边缘模糊化。
本文主要讲解：均值滤波、中值滤波、方框滤波和高斯滤波四种opencv提供的图像平滑处理方法

此次实验中我们先给我们的图片随机增加噪声：
图像增加噪声程序代码如下：

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

#读取图片
img = cv2.imread("test.jpg", cv2.IMREAD_UNCHANGED)

#获取图片的行列数
rows, cols = img.shape[0:2]

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

#显示图片
cv2.imshow("noise", img)

#保存图片
cv2.imwrite("test1.jpg",img)
           
#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

图像经过增加噪声之后效果如下（加的噪声为白色像素点）：

二、均值滤波

均值滤波是典型的线性滤波算法，其采用的主要方法为邻域平均法。它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素（以目标像素为中心的周围8个像素，构成一个滤波模板，即包括目标像素本身），再用模板中的全体像素的平均值来代替原来像素值。
浅蓝色点像素值=$\frac{1}{9}$*（绿色与浅蓝色区域像素总和）

均值滤波参考程序代码如下：

#encoding:utf-8
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
 
#读取图片
img = cv2.imread('test1.jpg')
source = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
 
#均值滤波
result = cv2.blur(source, (5,5))
 
#显示图像
titles = ['Source Image', 'Blur Image']  
images = [source, result]  
for i in xrange(2):  
   plt.subplot(1,2,i+1), plt.imshow(images[i], 'gray')  
   plt.title(titles[i])  
   plt.xticks([]),plt.yticks([])  
plt.show()  

图片处理结果如下：

在均值滤波处理函数cv2.blur(原始图像,核大小)中,可以通过修改核大小去更改图片处理效果；常用的均值滤波处理核大小为（3，3）和（5，5）

三、中值滤波

中值滤波法是一种非线性平滑技术，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值.
中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。方法是用某种结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升（或下降）的为二维数据序列。

中值滤波处理参考程序代码如下：

#encoding:utf-8
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
 
#读取图片
img = cv2.imread('test1.jpg')
 
#中值滤波
result = cv2.medianBlur(img, 3)

#显示图形
titles = ['Source Image', 'middle Image']  
images = [source, result]  
for i in xrange(2):  
   plt.subplot(1,2,i+1), plt.imshow(images[i], 'gray')  
   plt.title(titles[i])  
   plt.xticks([]),plt.yticks([])  
plt.show()  

中值滤波图像处理结果如下：

四、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中提供的方框滤波函数为： cv2.boxFilter(原始图像, 目标图像深度, 核大小, normalize属性)
normalize=1时，表示进行归一化处理，此时图片处理效果与均值滤波相同
如果normalize=0时，表示不进行归一化处理，像素值为周围像素之和，图像更多为白色
方框滤波参考程序代码如下：

#encoding:utf-8
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
 
#读取图片
img = cv2.imread('test1.jpg')
 
#方框滤波
result = cv2.boxFilter(source, -1, (5,5), normalize=1)

#显示图形
titles = ['Source Image', 'BoxFilter Image']  
images = [source, result]  
for i in xrange(2):  
   plt.subplot(1,2,i+1), plt.imshow(images[i], 'gray')  
   plt.title(titles[i])  
   plt.xticks([]),plt.yticks([])  
plt.show()  

程序图像处理结果如下：
normalize=1，进行归一化处理，图像处理结果与均值滤波相同

normalize=0，不进行归一化处理，图像处理结果中，多数像素点为白色

五、高斯滤波

高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。 通俗的讲，高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。高斯滤波的具体操作是：用一个模板（或称卷积、掩模）扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
33高斯模板：

55高斯模板：

高斯滤波参考程序代码如下：

#encoding:utf-8
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
 
#读取图片
img = cv2.imread('test1.jpg')
source = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
 
#高斯滤波
result = cv2.GaussianBlur(source, (3,3), 0)

#显示图形
titles = ['Source Image', 'GaussianBlur Image']  
images = [source, result]  
for i in xrange(2):  
   plt.subplot(1,2,i+1), plt.imshow(images[i], 'gray')  
   plt.title(titles[i])  
   plt.xticks([]),plt.yticks([])  
plt.show()  

高斯滤波图像处理结果如下：
33高斯模板处理结果：

55高斯模板处理结果：