图像平滑处理

文章目录

一、理解图像平滑处理的意义

图像平滑处理，也称为图像模糊处理，是一种用于减少图像噪声和细节的图像处理技术。平滑处理的目的通常是为了消除图像中的随机噪声，减少图像中的高频成分，或者在保持图像整体外观的同时减少图像的对比度。常见的图像平滑技术：均值滤波、高斯滤波、模糊滤波等。

通过图像平滑处理，可以减少或消除图像中的随机噪声，减少图像的细节，例如在压缩图像前进行平滑处理，在去除噪声的同时尽量保留图像的边缘信息。

用以下这张图片来展示：

可以看到图片中有很多白色的小斑点。

二、均值滤波

bash 复制代码

# 导入OpenCV库，用于图像处理
import cv2
# 导入matplotlib的pyplot模块，用于图像显示
import matplotlib.pyplot as plt
# 导入numpy库，用于数值计算
import numpy as np

# 使用cv2.imread()函数读取位于指定路径的图像文件
img = cv2.imread("E:\\XUEXI\\Python_learn\\tupian\\6.jpg")

# 定义一个函数cv_show，用于显示图像
def cv_show(name, img):
    # 使用cv2.imshow()函数显示图像，名称为name
    cv2.imshow(name, img)
    # 使用cv2.waitKey(0)函数等待，直到用户按下任意键
    cv2.waitKey(0)
    # 使用cv2.destroyAllWindows()函数关闭所有OpenCV创建的窗口
    cv2.destroyAllWindows()

# 使用cv2.blur()函数对图像进行均值滤波
# (3, 3)指定了滤波器的大小，即3x3的邻域窗口
blur = cv2.blur(img, (3, 3))

# 调用cv_show函数显示均值滤波后的图像
cv_show("blur", blur)

cv2.blur()函数对图像进行均值滤波

blur = cv2.blur(img, (3, 3))(3, 3)指定了滤波器的大小，即3x3的邻域窗口，如果是均值滤波，那么就是要（3x3）中的所有值全部加起来，然后除以9，来求得均值。

运行结果：

可以看到图片中的小白点被淡化了许多。

三、方框滤波

方框滤波基本和均值滤波一样，但是能选择是否归一化

bash 复制代码

# 导入OpenCV库，用于图像处理
import cv2
# 导入matplotlib的pyplot模块，用于图像显示
import matplotlib.pyplot as plt
# 导入numpy库，用于数值计算
import numpy as np

# 使用cv2.imread()函数读取位于指定路径的图像文件
img = cv2.imread("E:\\XUEXI\\Python_learn\\tupian\\6.jpg")

# 定义一个函数cv_show，用于显示图像
def cv_show(name, img):
    # 使用cv2.imshow()函数显示图像，名称为name
    cv2.imshow(name, img)
    # 使用cv2.waitKey(0)函数等待，直到用户按下任意键
    cv2.waitKey(0)
    # 使用cv2.destroyAllWindows()函数关闭所有OpenCV创建的窗口
    cv2.destroyAllWindows()

# 使用cv2.boxFilter()函数对图像进行均值滤波
# 第一个参数是输入图像
# 第二个参数-1表示输出图像的深度与输入图像相同
# (3, 3)是滤波器的大小，即3x3的邻域窗口
# normalize=True表示滤波器的权重之和为1，这是均值滤波的要求
box = cv2.boxFilter(img, -1, (3, 3), normalize=True)

# 调用cv_show函数显示均值滤波后的图像
cv_show("box", box)

box = cv2.boxFilter(img, -1, (3, 3), normalize=True)python当中，指定一个值为-1，一般就是自动计算的意思。

方框滤波多一个参数（normalize），这个参数可以做归一化操作，就是当数值超过255后，就会除以相加数的总和，如果是（3x3）那就是除以9，做了归一化后就是跟均值滤波是一样效果的。

运行结果与均值滤波相同：

如果不选择做归一化，那么越界的值就直接取到255，也就是最高曝光的值：

bash 复制代码

#不同算子的差异
import cv2
import matplotlib.pyplot as plt
import numpy as np

img = cv2.imread("E:\\XUEXI\\Python_learn\\tupian\\6.jpg")

def cv_show(name, img):
    cv2.imshow(name, img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

box = cv2.boxFilter(img, -1, (3, 3), normalize=False)

cv_show("box",box)

运行结果：

四、高斯滤波

高斯滤波基于高斯分布（Gaussian Distribution），也称为正态分布，是一种在自然现象中普遍存在的连续概率分布。

高斯滤波的操作是将高斯核与图像进行卷积，即对图像中的每个像素，用其邻域内的像素值乘以对应的高斯核权重，然后求和得到新的像素值。

高斯模糊的卷积核里的数字是满足高斯分布，相当与更重视中间的

正态分布是下面第三个图，越靠近中心值，其相关程度就越明显。

如上图，如果将204作为卷积核的中心，那么就会计算与中心值相近的其他8个值的重要程度。

bash 复制代码

# 导入OpenCV库，用于图像处理
import cv2
# 导入matplotlib的pyplot模块，用于图像显示
import matplotlib.pyplot as plt
# 导入numpy库，用于数值计算
import numpy as np

# 使用cv2.imread()函数读取位于指定路径的图像文件
img = cv2.imread("E:\\XUEXI\\Python_learn\\tupian\\6.jpg")

# 定义一个函数cv_show，用于显示图像
def cv_show(name, img):
    # 使用cv2.imshow()函数显示图像，名称为name
    cv2.imshow(name, img)
    # 使用cv2.waitKey(0)函数等待，直到用户按下任意键
    cv2.waitKey(0)
    # 使用cv2.destroyAllWindows()函数关闭所有OpenCV创建的窗口
    cv2.destroyAllWindows()

# 使用cv2.GaussianBlur()函数对图像进行高斯滤波
# (5, 5)是高斯核的大小，即5x5的邻域窗口
# 1是高斯核的标准差，控制着核的宽度，较大的值会导致更强的平滑效果
aussian = cv2.GaussianBlur(img, (5, 5), 1)

# 调用cv_show函数显示高斯滤波后的图像
cv_show("aussian", aussian)

运行结果：

五、中值滤波

中值滤波相当于用中值代替，如果是（3x3）的核，就是取这9个数的中间值来计算。

bash 复制代码

# 导入OpenCV库，用于图像处理
import cv2
# 导入matplotlib的pyplot模块，用于图像显示
import matplotlib.pyplot as plt
# 导入numpy库，用于数值计算
import numpy as np

# 使用cv2.imread()函数读取位于指定路径的图像文件
img = cv2.imread("E:\\XUEXI\\Python_learn\\tupian\\6.jpg")

# 定义一个函数cv_show，用于显示图像
def cv_show(name, img):
    # 使用cv2.imshow()函数显示图像，名称为name
    cv2.imshow(name, img)
    # 使用cv2.waitKey(0)函数等待，直到用户按下任意键
    cv2.waitKey(0)
    # 使用cv2.destroyAllWindows()函数关闭所有OpenCV创建的窗口
    cv2.destroyAllWindows()

# 使用cv2.medianBlur()函数对图像进行中值滤波
# 5是滤波器的半径，表示考虑的邻域大小为5x5
median = cv2.medianBlur(img, 5)

# 调用cv_show函数显示中值滤波后的图像
cv_show("median", median)

运行结果：

将均值滤波，高斯滤波，中值滤波三者结合起来观察：

bash 复制代码

#不同算子的差异
import cv2
import matplotlib.pyplot as plt
import numpy as np

img = cv2.imread("E:\\XUEXI\\Python_learn\\tupian\\6.jpg")

def cv_show(name, img):
    cv2.imshow(name, img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

blur = cv2.blur(img, (3, 3))
aussian = cv2.GaussianBlur(img, (5, 5), 1)
median = cv2.medianBlur(img, 5)

res = np.hstack((blur, aussian, median))
cv_show("res", res)