图像模糊与平滑

使用低通滤波器可以达到图像模糊的目的。这对与去除噪音很有帮助。其
实就是去除图像中的高频成分(比如:噪音,边界)。所以边界也会被模糊一
点。(当然,也有一些模糊技术不会模糊掉边界)。OpenCV 提供了四种模糊技
术。

1.平均

这是由一个归一化卷积框完成的。他只是用卷积框覆盖区域所有像素的平
均值来代替中心元素。可以使用函数 cv2.blur() 和 cv2.boxFilter() 来完
这个任务。

import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('opencv_logo.png')
blur = cv2.blur(img,(5,5))
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(blur),plt.title('Blurred')
plt.xticks([]), plt.yticks([])
plt.show()

图像处理之图像模糊与平滑等操作_计算机视觉

2.高斯模糊

现在把卷积核换成高斯核(简单来说,方框不变,将原来每个方框的值是
相等的,现在里面的值是符合高斯分布的,方框中心的值最大,其余方框根据
距离中心元素的距离递减,构成一个高斯小山包。原来的求平均数现在变成求
加权平均数,全就是方框里的值)。实现的函数是 cv2.GaussianBlur()。我
们需要指定高斯核的宽和高(必须是奇数)。以及高斯函数沿 X,Y 方向的标准
差。如果我们只指定了 X 方向的的标准差,Y 方向也会取相同值。如果两个标
准差都是 0,那么函数会根据核函数的大小自己计算。高斯滤波可以有效的从
图像中去除高斯噪音。

#0 是指根据窗口大小( 5,5 )来计算高斯函数标准差
blur = cv2.GaussianBlur(img,(5,5),0)

图像处理之图像模糊与平滑等操作_灰度值_02

3.中值模糊

顾名思义就是用与卷积框对应像素的中值来替代中心像素的值。这个滤波
器经常用来去除椒盐噪声。前面的滤波器都是用计算得到的一个新值来取代中
心像素的值,而中值滤波是用中心像素周围(也可以使他本身)的值来取代他。
他能有效的去除噪声。卷积核的大小也应该是一个奇数。
在这个例子中,我们给原始图像加上 50% 的噪声然后再使用中值模糊。

median = cv2.medianBlur(img,5)

图像处理之图像模糊与平滑等操作_灰度值_03

4.双边滤波

函数 cv2.bilateralFilter() 能在保持边界清晰的情况下有效的去除噪
音。但是这种操作与其他滤波器相比会比较慢。我们已经知道高斯滤波器是求
中心点邻近区域像素的高斯加权平均值。这种高斯滤波器只考虑像素之间的空
间关系,而不会考虑像素值之间的关系(像素的相似度)。所以这种方法不会考
虑一个像素是否位于边界。因此边界也会别模糊掉,而这不是我们想要的。

双边滤波在同时使用空间高斯权重和灰度值相似性高斯权重。空间高斯函
数确保只有邻近区域的像素对中心点有影响,灰度值相似性高斯函数确保只有
与中心像素灰度值相近的才会被用来做模糊运算。所以这种方法会确保边界不
会被模糊掉,因为边界处的灰度值变化比较大。

#cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace)
#d – Diameter of each pixel neighborhood that is used during filtering.
# If it is non-positive, it is computed from sigmaSpace
#9 邻域直径,两个 75 分别是空间高斯函数标准差,灰度值相似性高斯函数标准差
blur = cv2.bilateralFilter(img,9,75,75)

图像处理之图像模糊与平滑等操作_计算机视觉_04

5. 边缘增强

kernel = np.array([[0, -1, 0], [-1, 5, -1], [0, -1, 0]], np.float32)  # 定义一个核
dst = cv2.filter2D(img2.copy(), -1, kernel=kernel)

图像处理之图像模糊与平滑等操作_图像处理_05