低通滤波器
代码和笔记
python
import cv2
import numpy as np
"""
滤波器--用于图像处理的重要工具，它们可以根据图像中像素的邻域信息来修改像素值，以实现去噪、模糊、锐化、边缘检测等效果。
低通滤波器（Low-pass Filter）：
定义：允许低频信号通过，但减弱（或阻止）高频信号的滤波器。
原理：在频率域中，低通滤波器会移除高于某个截止频率（cut-off frequency）的所有频率分量。
高通滤波器（High-pass Filter）：
定义：允许高频信号通过，但减弱（或阻止）低频信号的滤波器。
原理：在频率域中，高通滤波器会移除低于某个截止频率的所有频率分量。
"""
"""
低通滤波器 平滑图像，去除图像中的高频噪声和细节
"""
"""
卷积操作
"""
img = cv2.imread('/img/cat.jpeg')
# 卷积核 必须是奇数，而且是float型 / 25相当于取了一个平均
# 根据卷积核的不同，可以进行锐化、轮廓等操作
kernel = np.ones((5, 5), np.float32) / 25
# 卷积操作 -1位深 表示和原图一样
dst = cv2.filter2D(img, -1, kernel)
cv2.imshow('img', img)
"""
方盒滤波和均值滤波
作用：通过求取像素周围领域像素的平均值来平滑(使图像亮度平缓渐变，减小突变梯度，从而改善图像质量)图像
特点：算法简单，计算速度较快。然而，在去除噪声的同时，也会去除很多细节部分，导致图像变得模糊。
"""
# 方盒滤波
# 只需要设置卷积核大小 normalize=True(卷积核的系数a = 1/(W*H))等价于均值滤波, false时为a = 1
dst1 = cv2.boxFilter(img, -1, (5, 5), normalize=True)
# 均值滤波
# 没有位深
dst2 = cv2.blur(img, (5, 5))
"""
高斯波滤器
作用：通过高斯函数对像素邻域内的像素值进行加权平均，得到新的像素值。越在中间，比重占的越大。
特点：比均值滤波更平滑，边界保留更加好。能够有效地去除噪声，并保留图像中的细节部分。
"""
# (5, 5)卷积核的大小 X轴的标准差sigmaX, 越大平滑（模糊）越明显
dst3 = cv2.GaussianBlur(img, (5, 5), sigmaX=10)
"""
中值滤波
作用：对像素邻域内的像素值进行排序，取中值作为该像素的新值。
特点：在边界保存方面好于均值滤波，特别适用于去除椒盐噪声。但在模板变大时，可能会存在一些边界的模糊。
"""
# 5卷积核的大小，这里要求是整数
dst4 = cv2.medianBlur(img, 5)
"""
双边滤波器--美颜
作用：考虑像素的空间邻近度和像素值相似度的一种折中处理，同时达到保边去噪的目的。
特点：是一种非线性滤波，保留较多的高频信息，对低频滤波效果较好，但不能去除脉冲噪声。
"""
# 7 卷积核的大小
# sigmaColor 如果是黑白图片则为灰度距离，若是彩色图片则为颜色，sigmaSpace 空间距离，这两个值要根据实际情况调整
dst5 = cv2.bilateralFilter(img, 7, sigmaColor=20, sigmaSpace=50)
cv2.waitKey(0)
cv2.destroyAllWindows()