图像运算——平滑处理

图像平滑处理

案例© Fu Xianjun. All Rights Reserved.
图像平滑处理的基本原理是，将噪声所在像素点的像素值处理为其周围临近像素点的值的近似值。取近似值的方式很多，本文介绍：均值滤波、方框滤波、高斯滤波、中值滤波、双边滤波。

读取原图：

import cv2
img = cv2.imread("peppa_salt.jpg")
cv2.imshow('img',img)
cv2.waitKey()
cv2.destroyAllWindows()

均值滤波：
通常情况下，对于锚点anchor和边界样式borderType，直接采用其默认值即可。
dst = cv2.blur(src，ksize)

dst：输出图
src：输入图
ksize：滤波核的大小（这里以（7，7）为例）

blur = cv2.blur(img, (7, 7))

效果图：

方框滤波：
通常情况下，对于参数anchor、normalize、borderType，直接采用其默认值即可。
dst = cv2.boxFilter(src，ddepth，ksize)

dst：输出图
src：输入图
ddepth：dst的图像深度，一般使用-1表示与原始图像使用相同的图像深度。
ksize：滤波核的大小（这里以（7，7）为例）

box = cv2.boxFilter(img,-1,(7,7))

效果图：

高斯滤波：
官方文档建议显式地指定ksize、sigmaX、sigmaY三个参数的值，以避免将来函数修改后可能造成的语法错误。当然，在实际处理中，可以显式指定sigmaX和sigmaY为默认值0

dst = cv2.GaussianBlur(src，ksize，0，0)

dst：输出图
src：输入图
ksize：滤波核的大小（这里以（7，7）为例）
sigmaX：卷积核在水平方向上（X轴方向）的标准差，控制的是权重比例
sigmaY：卷积核在垂直方向上（Y轴方向）的标准差。如果将该值设置为0，则只采用sigmaX的值；如果sigmaX和sigmaY都是0，则通过ksize.width和ksize.height计算得到

gaussian = cv2.GaussianBlur(img, (7, 7), 0, 0) 

效果图：

中值滤波：
dst = cv2.medianBlur(src，ksize)

dst：输出图
src：输入图
ksize：滤波核的大小（必须比1大的奇数，比如3、5、7等）

median = cv2.medianBlur(img, 7)

效果图：

双边滤波：
dst = cv2.bilateralFilter(src，d，sigmaColor，sigmaSpace，borderType)

dst：输出图
src：输入图
d：当前像素点为中心点的直径
sigmaColor：滤波处理时选取的颜色差值范围
sigmaSpace：坐标空间中的sigma值
borderType：边界样式

bilater=cv2.bilateralFilter(img,9,75,75)

效果图：

可以修改其中参数来得到更直观的五个函数之间的差异。