OpenCV-08-图像降噪和边缘检测

1. 滤波器的选择及设计

1. 滤波器的大小应该是奇数，这样它才有一个中心，例如3x3，5x5或者7x7。有中心了，也有了半径的称呼，例如5x5大小的核的半径就是2
2. 滤波器矩阵所有的元素之和应该要等于1，这是为了保证滤波前后图像的亮度保持不变。当然了，这不是硬性要求了。
3. 如果滤波器矩阵所有元素之和大于1，那么滤波后的图像就会比原图像更亮，反之，如果小于1，那么得到的图像就会变暗。如果和为0，图像不会变黑，但也会非常暗。

2. 通过自定义构造矩阵实现滤波

kernel = np.array([[1,1,1],
                   [1,1,1],
                   [1,1,1]])/9
dst = cv.filter2D(sec,-1,kernel) #-1位置代表目标图片的数据类型，-1代表和输入数据类型一致

3. 滤波器的api

#均值滤波
dst = cv.blur(img, (3,3))
# 高斯模糊   参数1:图像  参数2:卷积核大小, 参数3:标准差越大，去除高斯噪声能力越强，图像越模糊
dst = cv.GaussianBlur(img, (5,5), 10)
#中值滤波
dst = cv.medianBlur(img, 3)

4. 边缘检测，都是通过一些算子来计算梯度，有sobel算子、拉普拉斯算子、canny算子

1. sobel算子：计算x、y两个方向上的梯度，再合成，便得到最后的结果

# sobel算子  参数1:图像, 参数2:图像的深度 -1表示和原图相同, 
#            参数3: x方向求导的阶数 参数4: y方向求导的阶数
x_sobel = cv.Sobel(img, -1, 1, 0)
y_sobel = cv.Sobel(img, -1, 0, 1)
x_y_sobel = cv.addWeighted(x_sobel, 0.5, y_sobel, 0.5,0)

        由于使用Sobel算子计算的时候有一些偏差, 所以opencv提供了sobel的升级版Scharr函数,计算比sobel更加精细

x_scharr = cv.Scharr(img, -1, 1, 0)
y_scharr = cv.Scharr(img, -1, 0, 1)
xy_scharr = cv.addWeighted(x_scharr, 0.5, y_scharr, 0.5,0)

2. 拉普拉斯算子
   通过拉普拉斯变换后增强了图像中灰度突变处的对比度，使图像中小的细节部分得到增强,使图像的细节比原始图像更加清晰。

# 使用拉普拉斯算子
dst = cv.Laplacian(img,cv.CV_32F)  #这里数据类型可能会较大影响结果
# 取绝对值，将数据转到uint8类型
dst = cv.convertScaleAbs(dst)

3. canny算子
   指定两个阈值，高于阈值保留，低于阈值的话且无联系则抛弃。推荐高低阈值比例 3:1或2:1

dstImg = cv.Canny(grayImg,50,180)

4. 锐化滤波，进一步锐化图像

kernel = np.array([
                    [-1,-1,-1],
                    [-1,9,-1],
                    [-1,-1,-1]])

dst = cv.filter2D(img,-1,kernel)

5. 双边滤波

# src: 输入图像 
# d: 表示在过滤过程中每个像素邻域的直径范围。
#    如果这个值是非正数，则函数会从sigmaSpace计算该值。 
# sigmaColor: 颜色空间过滤器的sigma值，这个参数的值越大，
#             表明该像素邻域内有越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: 坐标空间中滤波器的sigma值，如果该值较大，
#             则意味着越远的像素将相互影响，从而使更大的区域中足够相似的颜色获取相同的颜色.
cv.bilateralFilter(输入图像, d, sigmaColor, sigmaSpace)