[python-opencv] 模糊操作

@不要在奋斗的年纪 选择安逸

均值模糊

• 中值模糊
• 自定义模糊
• 意义与应用场景

模糊的基本原理：

1、基于离散卷积

2、定义好每个卷积核

3、不同卷积核得到不同的卷积效果

4、模糊是卷积的一种表象

#均值模糊 (2,8)高模糊2 宽模糊8
def blur_demo(image):
    dst = cv.blur(image,(2,8))
    cv.imshow('blur_demo',dst)

#中值模糊 适合椒盐噪声去噪
def median_blur_demo(image):
    dst = cv.medianBlur(image,5)
    cv.imshow('median_blur_demo',dst)

#自定义模糊
def customer_blur_demo(image):
    #定义卷积核---均值模糊的效果
    # kernel = np.ones([5,5],np.float32/25)
    # 定义卷积核---锐化
    kernel = np.array([[0,-1,0],[-1,5,-1],[0,-1,0]],np.float32)
    dst = cv.filter2D(image,-1,kernel=kernel)
    cv.imshow('customer_blur_demo',dst)

高斯噪点

高斯分布的概率密度函数

numpy.random.normal(loc=0.0, scale=1.0, size=None)

参数的意义为：

loc:float

概率分布的均值，对应着整个分布的中心center

scale:float

概率分布的标准差，对应于分布的宽度，scale越大越矮胖，scale越小，越瘦高

size:int or tuple of ints

输出的shape，默认为None，只输出一个值,可以指定输出值个数返回列表

我们更经常会用到np.random.randn(size)所谓标准正太分布（μ=0, σ=1），对应于np.random.normal(loc=0, scale=1, size)

n = np.random.normal(0,8,4)
print(n)
##[ -5.65830268   4.27277753   2.97616802  -15.1577604 ]

#定义高斯噪声
def gaussian_noise(image):
    h,w,ch = image.shape
    for row in range(h):
        for col in range(w):
            s = np.random.normal(0,20,3)   #均值为0 方差为20 输出3个值
            b = image[row,col,0]    #blue
            g = image[row,col,1]    #green
            r = image[row,col,2]    #red
            # 给blue层加上正态分布噪点
            image[row,col,0] = clamp(b + s[0])
            image[row,col,1] = clamp(g + s[1])
            image[row,col,2] = clamp(r + s[2])
    cv.imshow('noise image',image)

"""高斯模糊：这里(5, 5)表示高斯矩阵的长与宽都是5 标准差取6,当取尺寸(5,5)时标准差失效、当取尺寸(0,0)时标准差有效。并且高斯矩阵的尺寸越大或者标准差越大，处理过的图像模糊程度越大"""
dst = cv.GaussianBlur(src,(5,5),6)
cv.imshow('Gaussian Blur1',dst)
dst = cv.GaussianBlur(src,(0,0),10)
cv.imshow('Gaussian Blur2',dst)

EPF(Edge Preserver Filter)边缘保留滤波

高斯模糊只考虑了权重，只考虑了像素空间的分布，没有考虑像素值和另一个像素值之间差异的问题，如果像素间差异较大的情况下（比如图像的边缘），高斯模糊会进行处理，但是我们不需要处理边缘，要进行的操作就叫做边缘保留滤波（EPF）

知识点：边缘轮廓差异较大的时候得到保留、

案例：

"""
#EPF-高斯双边滤波
其中各参数所表达的意义：
    src：原图像；
    d：像素的邻域直径，可有sigmaColor和sigmaSpace计算可得；
    sigmaColor：颜色空间的标准方差，一般尽可能大；
    sigmaSpace：坐标空间的标准方差(像素单位)，一般尽可能小。
"""
def bi_demo(image):
    dst = cv.bilateralFilter(image,0,150,10)
    cv.imshow('bilateralFilter',dst)

"""
#EPF-均值偏移滤波
其中各参数所表达的意义：
    src：原图像;
    sp：空间窗的半径(The spatial window radius);
    sr：色彩窗的半径(The color window radius);
注意: 通过均值迁移来进行边缘保留滤波有时会导致图像过度模糊
"""
def shift_demo(image):
    dst = cv.pyrMeanShiftFiltering(image,10,50)
    cv.imshow('pyrMeanShiftFiltering',dst)