opencv 图像平滑

OpenCV：seamlessClone泊松融合(C++/Python)

 

---

flags 选择融合的方式，目前有NORMAL_CLONE、MIXED_CLONE和MONOCHROME_TRANSFER三种方法。

---

output 输出图像

---

示例代码

以下的代码都可以直接运行，可以下载下边给出的示例影像进行实验。 
背景影像 
 
目标影像 

Python

# 注意修改路径！
import cv2
import numpy as np

# Read images : src image will be cloned into dst
im = cv2.imread("images/wood-texture.jpg")
obj= cv2.imread("images/iloveyouticket.jpg")

# Create an all white mask
mask = 255 * np.ones(obj.shape, obj.dtype)

# The location of the center of the src in the dst
width, height, channels = im.shape
center = (height/2, width/2)

# Seamlessly clone src into dst and put the results in output
normal_clone = cv2.seamlessClone(obj, im, mask, center, cv2.NORMAL_CLONE)
mixed_clone = cv2.seamlessClone(obj, im, mask, center, cv2.MIXED_CLONE)

# Write results
cv2.imwrite("images/opencv-normal-clone-example.jpg", normal_clone)
cv2.imwrite("images/opencv-mixed-clone-example.jpg", mixed_clone)

• C++

//注意修改路径！
#include <opencv2/core.hpp>
#include <opencv2/imgproc.hpp>
#include <opencv2/imgcodecs.hpp>
#include <opencv2/photo.hpp>

#include <iostream>

int main()
{
  using namespace cv;
  Mat src = imread("images/iloveyouticket.jpg");
  Mat dst = imread("images/wood-texture.jpg");

  // Create an all white mask
  Mat src_mask = 255 * Mat::ones(src.rows, src.cols, src.depth());

  // The location of the center of the src in the dst
  Point center(dst.cols/2,dst.rows/2);

  // Seamlessly clone src into dst and put the results in output
  Mat normal_clone;
  Mat mixed_clone;

  seamlessClone(src, dst, src_mask, center, normal_clone, NORMAL_CLONE);
  seamlessClone(src, dst, src_mask, center, mixed_clone, MIXED_CLONE);

  // Save results
  imwrite("images/opencv-normal-clone-example.jpg", normal_clone);
  imwrite("images/opencv-mixed-clone-example.jpg", mixed_clone);
}

结果 

版权声明

本文章为学习之余翻译，仅供学习使用。 
文中图片都来自被翻译网站，仅供学习使用。 
飞机图片： 
https://commons.wikimedia.org/wiki/File:Japan.airlines.b777-300.ja733j.arp.jpg 
天空图片： 
https://commons.wikimedia.org/wiki/File:Big_Tree_with_Red_Sky_in_the_Winter_Night.jpg

 

Python+OpenCV教程10：平滑图像

主站：http://ex2tron.wang
原文：Python+OpenCV教程10：平滑图像

---

学习模糊/平滑图像，消除噪点。图片等可到源码处下载。

---

目标

• 模糊/平滑图片来消除图片噪声
• OpenCV函数：cv2.blur(), cv2.GaussianBlur(), cv2.medianBlur(), cv2.bilateralFilter()

教程

滤波与模糊

推荐大家先阅读：番外篇：卷积基础(图片边框)，有助于理解卷积和滤波的概念。

关于滤波和模糊，很多人分不清，我来给大家理理（虽说如此，我后面也会混着用,,ԾㅂԾ,,）：

• 它们都属于卷积，不同滤波方法之间只是卷积核不同（对线性滤波而言）
• 低通滤波器是模糊，高通滤波器是锐化

低通滤波器就是允许低频信号通过，在图像中边缘和噪点都相当于高频部分，所以低通滤波器用于去除噪点、平滑和模糊图像。高通滤波器则反之，用来增强图像边缘，进行锐化处理。

常见噪声有椒盐噪声和高斯噪声，椒盐噪声可以理解为斑点，随机出现在图像中的黑点或白点；高斯噪声可以理解为拍摄图片时由于光照等原因造成的噪声；这样解释并不准确，只要能简单分辨即可。

均值滤波

均值滤波是一种最简单的滤波处理，它取的是卷积核区域内元素的均值，用cv2.blur()实现，如3×3的卷积核：

img = cv2.imread('lena.jpg')
blur = cv2.blur(img, (3, 3))  # 均值模糊

所有的滤波函数都有一个可选参数borderType，还记得吗？这个参数就是我们在番外篇：卷积基础(图片边框)中所说的边框填充方式。

方框滤波

方框滤波跟均值滤波很像，如下面的公式。用cv2.boxFilter()函数实现，事实上，当可选参数normalize为True的时候，方框滤波就是均值滤波，如3×3的核，a就等于1/9；normalize为False的时候，a=1，相当于求区域内的像素和。

# 前面的均值滤波也可以用方框滤波实现：normalize=True
blur = cv2.boxFilter(img, -1, (3, 3), normalize=True)

高斯滤波

前面两种滤波方式，卷积核内的每个值都一样，相当于图像区域中每个像素的权重也就一样。高斯滤波的卷积核权重并不相同，中间像素点权重最高，越远离中心的像素权重越小。（其原理是一个2维高斯函数，可以参考：Gaussian Filter）

高斯滤波相比均值滤波效率要慢，但可以有效消除高斯噪声，能保留更多的图像细节，所以经常被称为最有用的滤波器。

img = cv2.imread('gaussian_noise.bmp')
# 均值滤波vs高斯滤波
blur = cv2.blur(img, (5, 5))  # 均值滤波
gaussian = cv2.GaussianBlur(img, (5, 5), 1)  # 高斯滤波

均值滤波与高斯滤波的对比结果如下（均值滤波丢失的细节更多）：

GaussianBlur()中参数3是σx，值越大，模糊效果越明显，0代表默认值0.8：getGaussianKernel()

中值滤波

中值又叫中位数，是所有值排序后取中间的值。中值滤波就是用区域内的中值来代替本像素值，所以那种孤立的斑点，如0或255很容易消除掉，适用于去除椒盐噪声和斑点噪声。中值是一种非线性操作，效率相比前面几种线性滤波要慢。

比如下面这张斑点噪声图，用中值滤波显然更好：

img = cv2.imread('salt_noise.bmp', 0)
# 均值滤波vs中值滤波
blur = cv2.blur(img, (5, 5))  # 均值滤波
median = cv2.medianBlur(img, 5)  # 中值滤波

双边滤波

模糊操作基本都会损失掉图像细节信息，尤其前面介绍的线性滤波器，图像的边缘信息很难保留下来。然而，边缘edge信息是图像中很重要的一个特征，所以这才有了双边滤波。用cv2.bilateralFilter()函数实现：

img = cv2.imread('lena.jpg')
# 双边滤波vs高斯滤波
gau = cv2.GaussianBlur(img, (5, 5), 0)  # 高斯滤波
blur = cv2.bilateralFilter(img, 9, 75, 75)  # 双边滤波

可以看到，双边滤波明显保留了更多边缘信息。

小结

• 在不知道用什么滤波器好的时候，优先高斯滤波cv2.GaussianBlur()，然后均值滤波cv2.blur()
• 斑点和椒盐噪声优先使用中值滤波cv2.medianBlur()
• 要去除噪点的同时尽可能保留更多的边缘信息，使用双边滤波cv2.bilateralFilter()
• 线性滤波方式：均值滤波、方框滤波、高斯滤波（速度相对快）
• 非线性滤波方式：中值滤波、双边滤波（速度相对慢）

引用

• 本节源码
• Smoothing Images
• 图像平滑处理

 

作者：ex2tron
链接：https://www.jianshu.com/p/875d6346408d
来源：简书
简书著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。