第五章 opencv python图像平滑 滤波器

总结

1. 图像噪声
   • 椒盐噪声：图像中随机出现的白点或者黑点
   • 高斯噪声：噪声的概率密度分布是正态分布
2. 图像平滑
   • 均值滤波：算法简单，计算速度快，在去噪的同时去除了很多细节部分，将图像变得模糊
   cv.blur()
   • 高斯滤波: 去除高斯噪声
   cv.GaussianBlur()
   • 中值滤波: 去除椒盐噪声
   cv.medianBlur()

显示图像总结
subplots(nrows=1, ncols=1, sharex=False, sharey=False, squeeze=True,
subplot_kw=None, gridspec_kw=None, **fig_kw)

fig,axes=plt.subplots(nrows=1,ncols=2,figsize=(10,8),dpi=100)
行数 列数 每个图的大小 分辨率

axes[0].imshow(img3[:,:,::-1])
axes[0].set_title(“cv中的加法”)
axes[1].imshow(img4[:,:,::-1])
axes[1].set_title(“直接相加”)

1.1 椒盐噪声 / 脉冲噪声
随机出现的白点或者黑点，可能是亮的区域有黑色像素或是在暗的区域有白色像素（或是两者皆有）。椒盐噪声的成因可能是影像讯号受到突如其来的强烈干扰而产生、类比数位转换器或位元传输错误等。例如失效的感应器导致像素值为最小值，饱和的感应器导致像素值为最大值。

1.2 高斯噪声 / 正态噪声
高斯随机变量z的概率密度函数由下式给出：
		
		

2 图像平滑简介
	图像平滑从信号处理的角度看就是去除其中的高频信息，保留低频信息。因此我们可以对图像实施低通滤波。低通滤波可以去除图像中的噪声，对图像进行平滑。
	根据滤波器的不同可分为均值滤波，高斯滤波，中值滤波， 双边滤波。
	
	2.1 均值滤波
		
		
		cv.blur(src, ksize, anchor, borderType)
		
		参数:
				® src：输入图像
				® ksize：卷积核的大小
				® anchor：默认值 (-1,-1) ，表示核中心
				® borderType：边界类型
		
	2.2 高斯滤波
		高斯滤波函数如下
			
		函数对应的图---固定长这样子的
			
		
		特点：
			
			正态分布是一种钟形曲线，越接近中心，取值越大，越远离中心，取值越小。计算平滑结果时，只需要将"中心点"作为原点，其他点按照其在正态曲线上的位置，分配权重，就可以得到一个加权平均值。
			高斯平滑在从图像中去除高斯噪声方面非常有效。
		
		高斯核  ↑
			离中心点越近的值应该发挥效果应当越强(关系越大), 中心点远的效果弱
		…
		通过高斯平滑可以去除高斯噪声
		API：
		cv2.GaussianBlur(src,ksize,sigmaX,sigmay,borderType)
		参数：
				® src: 输入图像
				® ksize:高斯卷积核的大小，注意 ： 卷积核的宽度和高度都应为奇数，且可以不同
				® sigmaX: 水平方向的标准差
				® sigmaY: 垂直方向的标准差，默认值为0，表示与sigmaX相同
				® borderType:填充边界类型
		
		
2.3 中值滤波
API：
cv.medianBlur(src, ksize )
参数：
		§ src：输入图像
		§ ksize：卷积核的大小
	import cv2 as cv
	import numpy as np
	from matplotlib import pyplot as plt
	# 1 图像读取
	img = cv.imread('opencv_learn/middle.png')
	print(img)
	# 2 高斯滤波
	blur = cv.GaussianBlur(img,(5,5),1)
	# 中值滤波
	cv.medianBlur(img,5)
	# 3 图像显示
	plt.figure(figsize=(10,8),dpi=100)
	plt.subplot(121),plt.imshow(img[:,:,::-1]),plt.title('原图')
	plt.xticks([]), plt.yticks([])
	plt.subplot(122),plt.imshow(blur[:,:,::-1]),plt.title('高斯滤波后结果')
	plt.xticks([]), plt.yticks([])
	plt.show()

添加椒盐噪声
def noise(img,snr):
h=img.shape[0]
w=img.shape[1]
img1=img.copy()
sp=hw # 计算图像像素点个数
NP=int(sp(1-snr)) # 计算图像椒盐噪声点个数
for i in range (NP):
randx=np.random.randint(1,h-1) # 生成一个 1 至 h-1 之间的随机整数
randy=np.random.randint(1,w-1) # 生成一个 1 至 w-1 之间的随机整数
if np.random.random()<=0.5: # np.random.random()生成一个 0 至 1 之间的浮点数
img1[randx,randy]=0
else:
img1[randx,randy]=255
return img1