十七、计算机视觉-图像平滑处理

提示：云峰

文章目录

前言
[一、均值滤波（Mean Filtering）](#一、均值滤波（Mean Filtering）)
[二、高斯滤波器（Gaussian Filter）：](#二、高斯滤波器（Gaussian Filter）：)
[三、中值滤波器（Median Filter）](#三、中值滤波器（Median Filter）)

前言

在本节中，我们将探讨图像处理中的平滑处理技术。与之前介绍的膨胀、腐蚀以及其他几种算子一样，平滑处理同样是通过卷积核的运算实现的。如果在之前的课程中已经理解了卷积核的概念，以及他的原理，那么本课就会变得简单许多。我们已经学习了如何使用卷积核对图像进行膨胀、腐蚀等操作，这些操作都是通过将卷积核与图像进行某种运算来实现的。接下来，我们将探讨如何利用不同的卷积核和运算方式来实现平滑处理，从而改善图像质量并减少噪声的影响。常见的滤波有，均值滤波、方框滤波高斯滤波等。用过photoshop的可能就感觉熟悉了，这不是ps滤镜中的模糊吗？是的，你可以吧平滑当成ps中的模糊操作。他们底层实现方式应该都是一样的。

提示：以下是本篇文章正文内容，下面案例可供参考

一、均值滤波（Mean Filtering）

1、均值滤波（Mean Filtering）

将像素点周围的像素值取平均值，从而减少噪声的影响。

我们看下图

图像平滑处理和之前课程讲的其他操作原理差不多，通过卷积操作将图像中每个像素点周围的像素值进行加权平均，从而减少图像中的噪声并平滑图像。

比如上面的红框是一个3x3的卷积核覆盖的图像的9个像素点。卷积核本身内容都是1，代表他的权重都是1,所以计算均值滤波的计算方式就是（20+10+189+251+12+89+151+231+221）/9=130

通过计算上图卷积核中心位置的12的最新值就是130.

比如一张图片上有很多噪声点。我们上图其中卷积核中心的12 颜色明显和周围有很大的差距，可能就是一个噪声点，通过我们的平滑操作，中间的点就和其他点颜色比较接近了，这样这个噪声点就看不到了。

但是均值滤波卷积核的每个元素都是相同的权重，因此它会将每个像素点周围的像素值取平均。这意味着，图像中每个像素的值都会受到周围像素值的影响，从而导致图像中的高频信息（例如边缘、细节等）被平滑掉，使得图像变得模糊。

均值滤波的方法是blur，是模糊的意思，所以也可以说是一种模糊的操作。

我们看下代码怎么实现：

python 复制代码

# 定义卷积核大小
kernel_size = (3, 3)

# 使用OpenCV的均值滤波函数进行滤波
output_image = cv2.blur(input_image, kernel_size)

# 显示原始图像和经过均值滤波后的图像
cv2.imshow('Input Image', input_image)
cv2.imshow('Output Image (Average Filter)', output_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

我们看下上图第一张是原图上面有很多椒盐噪点，通过操作是不是噪点就不太明显了。

二、高斯滤波器（Gaussian Filter）：

使用高斯函数来计算像素周围邻域的权重，然后将权重化为卷积核。

高斯函数是一种数学函数，它描述了自然界中许多现象的分布情况。简单来说，高斯函数可以让我们知道某些东西的值在均值附近是最常见的，而离均值越远，出现的概率就越低。

我们想一下上面说的均值滤波，最终值是9个像素点的平均值。这样是不是有个问题。比如下图中心点12 距离89、251、10、231最近，正常情况中心点的的新值应该更接近这4个点的颜色才对，但是均值滤波不管这些把周围全部的点都平等加进来计算了。

而高斯滤波的卷积核中的数值是由高斯函数计算得到的，他有一个合理的权重，离中心点越近他的权重越高。我们看下高斯函数，如下图

卷积核的中心点对应着高斯函数的峰值，即具有最大的权重。从卷积核的中心向外部扩展，权重逐渐减小。钟形曲线中心代表着中心点具有最高的权重，随着距离越远，他的权重逐渐下降。这就是高斯滤波的卷积核的计算方式。

高斯滤波的实现

python 复制代码

# 高斯滤波
blurred_image = cv2.GaussianBlur(image, (5, 5), 0)

# 显示原始图像和滤波后的图像
cv2.imshow("Original Image", image)
cv2.imshow("Blurred Image", blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

三、中值滤波器（Median Filter）

在图像中的某个区域内，大多数像素都是由同一种类型的物体或背景所组成的，因此该区域内的像素值应该是相似的。而噪声通常以异常值的形式出现在图像中，例如椒盐噪声（salt-and-pepper noise）会使部分像素的值变为最大或最小值。

所以中值滤波的操作方式是一个卷积核在图像上滑动，把卷积核内的所有像素值按照大小进行排序，找到其中间位置的像素值，即中值。当前像素的值就是中值。还是刚才的图我们看一下

上图卷积核中心的12 的新值应该是这些值中间的一个值也就是151. 这样做的效果是，噪声点的像素值不再对图像产生影响，而且在相邻像素值相似的区域中，中值滤波器可以有效地保留图像的边缘信息。

在图像中，如果存在一片区域内的像素值非常相似，即使这些像素值不是由噪声引起的，中值滤波器也会对这些区域进行平滑处理。这是因为中值滤波器会在滑动窗口中对所有像素值进行排序，并将窗口中间位置的像素值替换为中值，这样做会导致在相邻像素值相似的区域中，中值滤波器也会对图像进行平滑处理。

然而，与其他平滑滤波器（如高斯滤波器）不同的是，中值滤波器在保留图像边缘信息方面表现更好。这是因为中值滤波器只是简单地取中间位置的像素值，而不像其他滤波器那样对像素值进行加权平均，因此它在处理图像边缘时不会引入过多的模糊效果，能够更好地保留图像的边缘信息。

我们看下实现代码和效果

python 复制代码

# 中值滤波
blurred_image = cv2.medianBlur(image, 5)  # 5 是滤波器的核大小

# 显示原始图像和滤波后的图像
cv2.imshow("Original Image", image)
cv2.imshow("Blurred Image", blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()