opencv-python-学习笔记十一（图像平滑与滤波）

二维卷积（图像滤波）

与一维信号一样，图像也可以用各种低通滤波器(LPF)、高通滤波器(HPF)等进行滤波。LPF有助于去除噪声，模糊图像等。HPF过滤器有助于在图像中找到边缘。OpenCV提供了一个函数cv.filter2D()来将内核与图像进行卷积。例如，我们将尝试对图像进行平均滤波。一个5x5平均滤波内核如下:

操作如下:将该内核保持在一个像素之上，将该内核之下的所有25个像素相加，取其平均值，然后用新的平均值替换中心像素。继续对图像中的所有像素继续此操作。

函数

dst=cv.filter2D(src, ddepth, kernel[, dst[, anchor[, delta[, borderType]]]])

参数：

src	输入图像
dst	与src相同大小、相同通道数的输出图像。
ddepth	目标图像的所需深度。-1使用原图像深度。 see combinations
kernel	卷积核, 一个单通道浮点矩阵; 如果想对不同通道使用不同卷积核, 使用分割将图像分割成单独的彩色平面，并单独处理它们。
anchor	内核的锚点，表示内核中经过过滤的点的相对位置; 锚点应该位于内核中; 默认值 (-1,-1) 代表锚点即内核中心。
delta	在储存目标图像前可选的添加到像素的值，默认值为0
borderType	边界类型, see BorderTypes

举例：

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('2.jpg')
# 卷积核, 一个单通道浮点矩阵
kernel = np.ones((5, 5), np.float32)/25
dst = cv.filter2D(img, -1, kernel)
plt.subplot(121), plt.imshow(img), plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(dst), plt.title('Averaging')
plt.xticks([]), plt.yticks([])
plt.show()

图像模糊(图像平滑)

 图像模糊是通过将图像与低通滤波核进行卷积来实现的。它对消除噪音很有用。它实际上删除了图像中的高频内容(如:噪声、边缘)。所以在这个操作中，边缘有点模糊。OpenCV主要提供四种类型的模糊技术。

平均模糊

 由归一化卷积框来实现。他只是用卷积框覆盖区域所有像素的平均值来代替中心元素，可以由函数cv.blur或cv.boxFilter()完成。我们需要设定卷积框的 宽和高。下面是一个 归一化卷积框，又称平均滤波器核：

例如，一个3*3的卷积框是：

如果你不想使用归一化卷积框，你应该使用 cv2.boxFilter()，这时要传入参数 normalize=False。

函数：

dst=cv.blur(src, ksize[, dst[, anchor[, borderType]]])

参数：

src	输入图像，它可以拥有任意数量的通道，都是独立处理的。但深度应该是CV_8U, CV_16U, CV_16S, CV_32F or CV_64F.
dst	输出图像，与src由同样的大小和类型
ksize	平均卷积核的尺寸，元组（x，y）　即代表x*y的矩阵
anchor	锚点，核的基准点;默认值点(- 1,1)表示锚位于内核中心。
borderType	边界类型, see BorderTypes

调用 blur(src, dst, ksize, anchor, borderType)函数相当于调用 boxFilter(src, dst, src.type(), anchor, true, borderType).

高斯模糊

在这种情况下，用高斯核函数代替了盒形滤波器。这是通过函数cv.GaussianBlur()完成的。我们应该指定内核的宽度和高度，它们应该是正的奇数。我们还应该分别指定X和Y方向的标准差，sigmaX和sigmaY。如果只指定sigmaX，则sigmaY与sigmaX相同。如果两者都是零，那么函数会根据核函数的大小自己计算。高斯滤波可以有效的从 图像中去除高斯噪音。

函数：

dst=cv.GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]])使用高斯滤波器模糊图像

参数：

src	输入图像;图像可以有任意数量的通道，这些通道是独立处理的，但是深度应该是CV_8U、CV_16U、CV_16S、CV_32F或CV_64F。
dst	与src有相同大小和类型的输出图像
ksize	高斯卷积核尺寸，元祖（x，y）. ksize.width 和 ksize.height 可以是不同的 但必须是正的奇数. 或者, 它们可以为0然后由计算得到.
sigmaX	高斯核在x方向的标准差
sigmaY	高斯核在y方向的标准差（sigmaY=0时，其值自动由sigmaX确定（sigmaY=sigmaX）；sigmaY=sigmaX=0时，它们的值将由ksize.width和ksize.height自动确定）
borderType	像素边界类型, see BorderTypes

 

中值模糊

就是用与卷积框对应像素的中值来替代中心像素的值。这个滤波器经常用来去除椒盐噪声。前面的滤波器都是用计算得到的一个新值来取代中 心像素的值，而中值滤波是用中心像素周围（也可以使他本身）的值来取代他。kernel size的大小也应该是一个正奇数。

函数：

dst=cv.medianBlur(src, ksize[, dst])使用中值滤波器模糊图像。

该函数使用ksize×ksize孔径的中值滤波器平滑图像。多通道图像的每个通道都是独立处理的。支持就地操作。中值过滤器在内部使用border_replication来处理边界像素，请参见BorderTypes

参数：

src	输入1-，3-，4-通道的图像; 当ksize 是 3 或 5时,图像的深度应该时 CV_8U, CV_16U, or CV_32F, 如果孔径更大, 它只可能是CV_8U.
dst	与src大小和类型相同的输出图像
ksize	孔径大小，必须是奇数且大于1, for example: 3, 5, 7 ...

双边滤波

cv.bilateralFilter在保持边缘清晰的同时，对噪声去除非常有效。但与其他过滤器相比，该操作速度较慢。们已经知道高斯滤波器是求 中心点邻近区域像素的高斯加权平均值。这种高斯滤波器只考虑像素之间的空间关系，而不会考虑像素值之间的关系（像素的相似度，所以这种方法不会考 虑一个像素是否位于边界。因此边界也会别模糊掉，而这并不是我们想要的。

双边滤波在同时使用空间高斯权重和灰度值相似性高斯权重。空间高斯函数确保只有邻近区域的像素对中心点有影响，灰度值相似性高斯函数确保只有 与中心像素灰度值相近的才会被用来做模糊运算。所以这种方法会确保边界不 会被模糊掉，因为边界处的灰度值变化比较大。

函数：

dst=cv.bilateralFilter(src, d, sigmaColor, sigmaSpace[, dst[, borderType]])

参数：

src	8-bit or floating-point, 1-channel or 3-channel image.
dst	与原图像具有相同大小和类型的输出图像
d	用于滤波的每个像素邻域的直径. 如果这个值是负数，则根据 sigmaSpace自动计算
sigmaColor	色空间过滤器的sigma值. 值越大 表明该像素邻域内(see sigmaSpace)更多的颜色被混合到一起，产生较大的半相等颜色区域
sigmaSpace	坐标空间中滤波器的sigma值，参数值越大，表示距离越远的像素只要颜色足够接近就会相互影响，从而使更大的区域中足够相似的颜色获取相同的颜色。当d>0时，d指定了邻域大小且与sigmaSpace无关，否则d正比于sigmaSpace.
borderType	边界类型, see BorderTypes

综合案例

import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('4.jpg')  # 注意图片尺寸必须是卷积核的整倍，否则出错

# 2D卷积滤波
kernel = np.ones((3, 3), np.float32)/9  # 创建一个9*9的平均滤波器核
dst = cv2.filter2D(img, -1, kernel)

# 平均模糊
blur = cv2.blur(img, (5, 5))

# 高斯滤波
gauss = cv2.GaussianBlur(img, (5, 5), 0)

# 中值滤波
median = cv2.medianBlur(img, 5)

# 双边滤波
bila = cv2.bilateralFilter(img, 10, 200, 200)

plt.subplot(231), plt.imshow(img), plt.title('Original')
plt.subplot(232), plt.imshow(dst), plt.title('Filter2D')
plt.subplot(233), plt.imshow(blur), plt.title('Averaging')
plt.subplot(234), plt.imshow(gauss), plt.title('GuassianBlur')
plt.subplot(235), plt.imshow(median), plt.title('MedianBlur')
plt.subplot(236), plt.imshow(bila), plt.title('BilateralFilter')

plt.show()