penCV轻松入门_面向python（第七章图像平滑处理）

图像平滑处理

图像的平滑处理： 尽量保留图像原有信息的情况下，过滤掉图像内部的噪声；图像平滑处理会对图像中与周围像素点的像素值差异较大 的像素点进行处理，将其值调整为周围像素点像素值的近似值。

均值滤波

均值滤波 是指用当前像素点周围 N ⋅ N N·N N⋅N个像素值的均值来代替当前像素值。使用该方法遍历处理图像内的每一个像素点，即可完成整幅图像的均值滤波。

针对边缘像素点 ，可以只取图像内存在的周围邻域点的像素值均值。

除此以外，还可以扩展当前图像的周围像素点。完成图像边缘扩展后，可以在新增的行列内填充不同的像素值。在此基础上，再针对 9×7的原始图像计算其 5×5 邻域内像素点的像素值均值。

根据上述运算，针对每一个像素点，都是与一个内部值均为 1/25 的 5×5 矩阵相乘，得到均值滤波的计算结果

矩阵一般化：

右侧的矩阵被称为卷积核，一般形式为：

M 和 N 分别对应高度和宽度

函数语法 ：

均值滤波的函数是 cv2.blur()，其语法格式为：
dst = cv2.blur( src, ksize, anchor, borderType )

dst 是返回值，表示进行均值滤波后得到的处理结果。
src 是需要处理的图像，即原始图像。它可以有任意数量的通道，并能对各个通道独立处理。图像深度应该是 CV_8U、CV_16U、CV_16S、CV_32F 或者 CV_64F 中的一种。
ksize 是滤波核的大小。滤波核大小是指在均值处理过程中，其邻域图像的高度和宽度, N ∗ M N*M N∗M的邻域。
anchor 是锚点，其默认值是(-1, -1)，表示当前计算均值的点位于核的中心点位置。该值使用默认值即可，在特殊情况下可以指定不同的点作为锚点。
borderType 是边界样式，该值决定了以何种方式处理边界。

通常情况下，使用均值滤波函数时，对于锚点 anchor 和边界样式 borderType，直接采用其默认值即可。

读取一幅噪声图像，使用函数 cv2.blur()对图像进行均值滤波处理，得到去噪图像，并显示原始图像和去噪图像。

python 复制代码

import cv2  
img = cv2.imread("lena.jpg")  
rst = cv2.blur(img,(5,5))  
cv2.imshow("original",img)  
cv2.imshow("result",rst)  
cv2.waitKey()  
cv2.destroyAllWindows()

针对噪声图像，使用不同大小的卷积核对其进行均值滤波，并显示均值滤波的情况。

python 复制代码

import cv2  
img = cv2.imread("lena.jpg")  
rst1 = cv2.blur(img,(5,5))  
rst2 = cv2.blur(img,(30,30))  
cv2.imshow("original",img)  
cv2.imshow("result5",rst1)  
cv2.imshow("result30",rst2)  
cv2.waitKey()  
cv2.destroyAllWindows()

方框滤波

在方框滤波中，可以自由选择是否对均值滤波的结果进行归一化 ，即可以自由选择滤波结果是邻域像素值之和的平均值 ，还是邻域像素值之和 。

现方框滤波的函数是 cv2.boxFilter()，其语法格式为：
dst = cv2.boxFilter( src, ddepth, ksize, anchor, normalize, borderType )

dst 是返回值，表示进行方框滤波后得到的处理结果。
src 是需要处理的图像，即原始图像。它能够有任意数量的通道，并能对各个通道独立处理。图像深度应该是 CV_8U、CV_16U、CV_16S、CV_32F 或者 CV_64F 中的一种。
ddepth 是处理结果图像的图像深度，一般使用-1 表示与原始图像使用相同的图像深度。
ksize 是滤波核的大小。
anchor 是锚点，其默认值是(-1, -1)，表示当前计算均值的点位于核的中心点位置。该值使用默认值即可，在特殊情况下可以指定不同的点作为锚点。
normalize 表示在滤波时是否进行归一化（这里指将计算结果规范化为当前像素值范围内的值）处理，该参数是一个逻辑值，可能为真（值为 1）或假（值为 0）。
- 当参数 normalize=1 时，表示要进行归一化处理，要用邻域像素值的和除以面积。
- 当参数 normalize=0 时，表示不需要 进行归一化处理，直接使用邻域像素值的和 。
  当 normalize=0 时，因为不进行归一化处理，因此滤波得到的值很可能超过当前像素值范围的最大值，从而被截断为最大值。这样，就会得到一幅纯白色的图像。
borderType 是边界样式，该值决定了以何种方式处理边界。
通常情况下，在使用方框滤波函数时，对于参数 anchor、normalize 和 borderType，直接采用其默认值即可。

针对噪声图像，对其进行方框滤波，显示滤波结果。

python 复制代码

import cv2  
img = cv2.imread("lena.jpg")  
rst = cv2.boxFilter(img,-1,(5,5))  
cv2.imshow("original",img)  
cv2.imshow("result",rst)  
cv2.waitKey()  
cv2.destroyAllWindows()

针对噪声图像，在方框滤波函数 cv2.boxFilter()内将参数 normalize 的值设置为 0，显示滤波处理结果。

python 复制代码

import cv2  
img = cv2.imread("lena.jpg")  
rst = cv2.boxFilter(img,-1,(5,5) , normalize=0)  
cv2.imshow("original",img)  
cv2.imshow("result",rst)  
cv2.waitKey()  
cv2.destroyAllWindows()

高斯滤波

在进行均值滤波和方框滤波时，其邻域内每个像素的权重是相等 的。在高斯滤波中，会将中心点的权重值加大，远离中心点的权重值减小，在此基础上计算邻域内各个像素值不同权重的和。

在高斯滤波中，核的宽度和高度可以不相同，但是它们都必须是奇数。

高斯滤波的函数是 cv2.GaussianBlur()，该函数的语法格式是：
dst = cv2.GaussianBlur( src, ksize, sigmaX, sigmaY, borderType )

dst 是返回值，表示进行高斯滤波后得到的处理结果。
src 是需要处理的图像，即原始图像。它能够有任意数量的通道，并能对各个通道独立处理。图像深度应该是 CV_8U、CV_16U、CV_16S、CV_32F 或者 CV_64F 中的一种。
ksize 是滤波核的大小。滤波核大小是指在滤波处理过程中其邻域图像的高度和宽度。需要注意，滤波核的值必须是奇数。
sigmaX 是卷积核在水平方向上（X 轴方向）的标准差，其控制的是权重比例。
sigmaY 是卷积核在垂直方向上（Y 轴方向）的标准差。如果将该值设置为 0，则只采用sigmaX 的值；如果 sigmaX 和 sigmaY 都是 0，则通过 ksize.width 和 ksize.height 计算得到。
其中：
- s i g m a X = 0.3 × [ ( k s i z e . w i d t h − 1 ) × 0.5 − 1 ] + 0.8 sigmaX = 0.3×[(ksize.width-1)×0.5-1] + 0.8 sigmaX=0.3×[(ksize.width−1)×0.5−1]+0.8
- s i g m a Y = 0.3 × [ ( k s i z e . h e i g h t − 1 ) × 0.5 − 1 ] + 0.8 sigmaY = 0.3×[(ksize.height-1)×0.5-1] + 0.8 sigmaY=0.3×[(ksize.height−1)×0.5−1]+0.8
borderType 是边界样式，该值决定了以何种方式处理边界。
在该函数中，sigmaY 和 borderType 是可选参数。sigmaX 是必选参数，但是可以将该参数设置为 0，让函数自己去计算 sigmaX 的具体值。

对噪声图像进行高斯滤波，显示滤波的结果。

python 复制代码

import cv2  
img  = cv2.imread("D:\openCV\lena.jpg")  
rst = cv2.GaussianBlur(img,(5,5),0,0)  
cv2.imshow("original",img)  
cv2.imshow("result",rst)  
cv2.waitKey()  
cv2.destroyAllWindows()

中值滤波

用邻域内所有像素值的中间值 来替代当前像素点的像素值。

中值滤波会取当前像素点及其周围临近像素点（一共有奇数个像素点）的像素值，将这些像素值排序，然后将位于中间位置的像素值作为当前像素点的像素值。

中值滤波的函数是 cv2.medianBlur()，其语法格式如下：
dst = cv2.medianBlur( src, ksize)

式中：

dst 是返回值，表示进行中值滤波后得到的处理结果。
src 是需要处理的图像，即源图像。它能够有任意数量的通道，并能对各个通道独立处理。图像深度应该是 CV_8U、CV_16U、CV_16S、CV_32F 或者 CV_64F 中的一种。
ksize 是滤波核的大小。滤波核大小是指在滤波处理过程中其邻域图像的高度和宽度。需要注意，核大小必须是比 1 大的奇数，比如 3、5、7 等。

用函数 cv2.medianBlur()实现中值滤波

python 复制代码

import cv2  
img = cv2.imread("lena.jpg")  
rst = cv2.medianBlur(img,3)  
cv2.imshow("original",img)  
cv2.imshow("result",rst)  
cv2.waitKey()  
cv2.destroyAllWindows()

双边滤波

前述滤波方式基本都只考虑了空间的权重信息，这种情况计算起来比较方便，但是在边缘信息的处理上存在较大的问题。

在均值滤波、方框滤波、高斯滤波中，都会计算边缘上各个像素点的加权平均值，从而模糊边缘信息;处理过程单纯地考虑空间信息，造成了边界模糊和部分信息的丢失。

双边滤波在计算某一个像素点的新值时，不仅考虑距离信息（距离越远，权重越小），还考虑色彩信息（色彩差别越大，权重越小）。双边滤波综合考虑距离和色彩的权重 结果，既能够有效地去除噪声，又能够较好地保护边缘信息;当处在边缘时，与当前点色彩相近的像素点（颜色距离很近）会被给予较大的权重值；而与当前色彩差别较大的像素点（颜色距离很远）会被给予较小的权重值（极端情况下权重可能为 0，直接忽略该点），这样就保护了边缘信息。

双边滤波的函数是 cv2.bilateralFilter()，该函数的语法是：
dst = cv2.bilateralFilter( src, d, sigmaColor, sigmaSpace, borderType )

dst 是返回值，表示进行双边滤波后得到的处理结果。
src 是需要处理的图像，即原始图像。它能够有任意数量的通道，并能对各个通道独立处理。图像深度应该是 CV_8U、CV_16U、CV_16S、CV_32F 或者 CV_64F 中的一种。
d 是在滤波时选取的空间距离参数，这里表示以当前像素点为中心点的直径。如果该值为非正数，则会自动从参数 sigmaSpace 计算得到。如果滤波空间较大（d>5），则速度较慢。因此，在实时应用中，推荐 d=5。对于较大噪声的离线滤波，可以选择 d=9。
sigmaColor 是滤波处理时选取的颜色差值范围，该值决定了周围哪些像素点能够参与到滤波中来。与当前像素点的像素值差值小于 sigmaColor 的像素点，能够参与到当前的滤波中。该值越大，就说明周围有越多的像素点可以参与到运算中。该值为 0 时，滤波失去意义；该值为 255 时，指定直径内的所有点都能够参与运算。
sigmaSpace 是坐标空间中的 sigma 值。它的值越大，说明有越多的点能够参与到滤波计算中来。当 d>0 时，无论 sigmaSpace 的值如何，d 都指定邻域大小；否则，d 与 sigmaSpace的值成比例。
borderType 是边界样式，该值决定了以何种方式处理边界。一般情况下，不需要考虑该值，直接采用默认值即可。

针对噪声图像，分别对其进行高斯滤波和双边滤波，比较不同滤波方式对边缘的处理结果是否相同。

python 复制代码

import cv2  
img = cv2.imread("billTest.jpg")  
rst_Gauss = cv2.GaussianBlur(img,(55,55),0,0)  
rst_bilateral = cv2.bilateralFilter(img,55,100,100)  
cv2.imshow("original",img)  
cv2.imshow("Gaussian",rst_Gauss)  
cv2.imshow("bilateral",rst_bilateral)  
cv2.waitKey()  
cv2.destroyAllWindows()

2D卷积

在 OpenCV 中，允许用户自定义卷积核实现卷积操作，使用自定义卷积核实现卷积操作的函数是 cv2.filter2D()，其语法格式为：
dst = cv2.filter2D( src, ddepth, kernel, anchor, delta, borderType )

式中：

dst 是返回值，表示进行方框滤波后得到的处理结果。
src 是需要处理的图像，即原始图像。它能够有任意数量的通道，并能对各个通道独立处理。图像深度应该是 CV_8U、CV_16U、CV_16S、CV_32F 或者 CV_64F 中的一种。
ddepth 是处理结果图像的图像深度，一般使用-1 表示与原始图像使用相同的图像深度。
kernel 是卷积核 ，是一个单通道的数组。如果想在处理彩色图像时，让每个通道使用不同的核，则必须将彩色图像分解后使用不同的核完成操作。
anchor 是锚点，其默认值是(-1, -1)，表示当前计算均值的点位于核的中心点位置。该值使用默认值即可，在特殊情况下可以指定不同的点作为锚点。
delta 是修正值，它是可选项。如果该值存在，会在基础滤波的结果上加上该值作为最终的滤波处理结果。
borderType 是边界样式，该值决定了以何种情况处理边界，通常使用默认值即可。
在通常情况下，使用滤波函数 cv2.filter2D()时，对于参数锚点 anchor、修正值 delta、边界样式 borderType，直接采用其默认值即可。

自定义一个卷积核，通过函数 cv2.filter2D()应用该卷积核对图像进行滤波操作，并显示滤波结果。

python 复制代码

import cv2  
import numpy as np  
img = cv2.imread("lena.jpg")  
kernel =np.ones((9,9),np.float32)/81  
rst = cv2.filter2D(img,-1,kernel)  
cv2.imshow("original",img)  
cv2.imshow("Gaussian",rst)  
cv2.waitKey()  
cv2.destroyAllWindows()

penCV轻松入门_面向python（第七章 图像平滑处理）

图像平滑处理

均值滤波

方框滤波

高斯滤波

中值滤波

双边滤波

2D卷积

penCV轻松入门_面向python（第七章图像平滑处理）