OpenCV-Python教程9-平滑图像

先解释一个单词 blur：使...模糊不清

滤波与模糊

• 滤波和模糊都属于卷积，不同的滤波方法之间只是卷积核不同（对线性滤波而言）
• 低通滤波器是模糊，高通滤波器是锐化

低通滤波器允许低频信号通过，在图像中边缘和噪点都相当于高频部分，所以低通滤波器用于去除噪点、平滑和模糊图像。高通滤波器则反之，用来增强图像边缘，进行锐化处理。

常见噪声有：椒盐噪声和高斯噪声，椒盐噪声可以理解为斑点，随机出现在图像中的黑点或白点；高斯噪声可以理解为拍摄图片时由于光照等原因造成的噪声。

一、均值滤波

均值滤波是一种最简单的滤波处理，它取的是卷积核区域内元素的均值，用 cv2.blur() 实现，如3 x 3的卷积核：

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread('lena.jpg')
blur = cv2.blur(img, (3, 3))  # 均值模糊
cv2.imshow('blur', blur)
cv2.waitKey(0)

二、方框滤波

方框滤波和均值滤波很像，如3 x 3的滤波核如下：

用 cv2.boxFilter() 函数实现，当可选参数 normalize 为True的时候，方框滤波就是均值滤波，上式中的 a = 1/9；normalize为False的时候，a=1，相当于求区域内的像素和

# 前面的均值滤波也可以用方框滤波实现：normalize=True
# output image depth (-1 to use src.depth())
# -1 表示输出图片深度采用源图片深度
blur = cv2.boxFilter(img, -1, (3, 3), normalize=False)
cv2.imshow('blur2', blur)
cv2.waitKey(0)

三、高斯滤波

前面两种滤波方式，卷积核内的每个值都一样，也就是说图像区域内每个像素的权重也是一样。

高斯滤波的卷积核权重并不相同：中间像素点权重最高，越远离中心的像素权重越小。

显然这种处理元素间权值的方式，更加合理一些。图像是2维的，我们需要使用2维的高斯函数，比如OpenCV中默认的3 x 3的高斯卷积核

OpenCV中对应函数为 cv2.GaussianBlur(src,ksize,sigmaX)：

img = cv2.imread('gaussian_noise.bmp')

# 均值滤波 vs 高斯滤波

blur = cv2.blur(img, (5, 5))  # 均值滤波
gaussian = cv2.GaussianBlur(img, (5, 5), 1)  # 高斯滤波

titles = ['Original', 'blur', 'Gaussian_Blur']
images = [img, blur, gaussian]

# 使用Matplotlib显示
# 一行三列图
for i in range(3):
    plt.subplot(1, 3, i + 1)
    plt.imshow(images[i])
    plt.title(titles[i], fontsize=8)
    plt.xticks([]), plt.yticks([])
plt.show()

参数3：σx值越大，模糊效果越明显。高斯滤波相比均值滤波效率要慢，但可以有效消除高斯噪声，能保留更多图像细节，所以经常被成为最有用的滤波器

四、中值滤波

中值又叫中位数，是所有数排序后取中间的值。中值滤波就是用区域内的中值来代替本像素值，所以那些孤立的斑点。如0或255很容易消除。适用于去除椒盐噪声和斑点噪声。中值是一种非线性操作，效率相比前面集中滤波器要慢。

img = cv2.imread('salt_noise.bmp', 0)

# 均值滤波 vs 中值滤波
blur = cv2.blur(img, (5, 5))  # 均值滤波
median = cv2.medianBlur(img, 5) # 中值滤波

titles = ['Original', 'blur', 'medianBlur']
images = [img, blur, median]

# 使用Matplotlib显示
# 一行三列图
for i in range(3):
    plt.subplot(1, 3, i + 1)
    plt.imshow(images[i])
    plt.title(titles[i], fontsize=8)
    plt.xticks([]), plt.yticks([])
plt.show()

比如这张斑点图，用中值滤波显然更好。

五、双边滤波

模糊操作基本都是损失图像细节信息，尤其前面介绍的线性滤波器，图像的边缘信息很难保留下来。

然而，边缘（edge）信息是图像中很重要的一个特征，因此我们采用双边滤波。使用 cv2.bilateralFilter()

img = cv2.imread('lena.jpg')

# 双边滤波 vs 高斯滤波
bilateral = cv2.bilateralFilter(img, 9, 75, 75) # 双边滤波
gaussian = cv2.GaussianBlur(img, (5, 5), 0)  # 高斯滤波

titles = ['Original', 'bilateralFilter', 'GaussianBlur']
images = [img, bilateral, gaussian]

# 使用Matplotlib显示
# 一行三列图
for i in range(3):
    plt.subplot(1, 3, i + 1)
    plt.imshow(images[i])
    plt.title(titles[i], fontsize=8)
    plt.xticks([]), plt.yticks([])
plt.show()

双边滤波明显保留了更多边缘信息。

小结

• 在不知道用什么滤波器好的时候，优先使用高斯滤波器cv2.GaussianBlur()，然后均值滤波cv2.blur()
• 斑点和椒盐噪声优先使用中值滤波cv2.medianBlur()
• 要去除噪点的同时尽可能保留更多的边缘信息，使用双边滤波cv2.bilateralFilter()
• 线性滤波方式：均值滤波、方框滤波、高斯滤波（速度相对快）
• 非线性滤波方式：中值滤波、双边滤波（速度相对慢）