opencv - py_imgproc - py_filtering filtering 过滤-卷积平滑

平滑图像

目标

学习：

• 使用各种低通滤波器模糊图像
• 将定制滤波器应用于图像（2D 卷积）

2D 卷积（图像过滤）

与一维信号一样，图像也可以使用各种低通滤波器 (LPF)、高通滤波器 (HPF) 等进行过滤。LPF 有助于消除噪音、模糊图像等。HPF 滤波器有助于在图像中查找边缘。

OpenCV 提供了一个函数 cv.filter2D() 来将内核与图像进行卷积。作为示例，我们将在图像上尝试平均滤波器。 5x5 平均滤波器内核如下所示：
$$[K=\frac{1}{25}\left[\begin{array}{ccccc}1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1\end{array}\right]]$$
操作如下：将此内核保持在像素上方，添加此内核下方的所有 25 个像素，取平均值，并用新的平均值替换中心像素。此操作将对图像中的所有像素继续进行。尝试此代码并检查结果：

import numpy as np
import cv2 as cv
from matplotlib import pyplot as pltimg = cv.imread('opencv_logo.png')kernel = np.ones((5,5),np.float32)/25
dst = cv.filter2D(img,-1,kernel)plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(dst),plt.title('Averaging')
plt.xticks([]), plt.yticks([])
plt.show()

结果:

图像模糊（图像平滑）

图像模糊是通过将图像与低通滤波器内核进行卷积来实现的。它对于去除噪声很有用。它实际上从图像中去除了高频内容（例如：噪声、边缘）。因此，在此操作中，边缘会稍微模糊一些（也有模糊技术不会模糊边缘）。OpenCV 提供了四种主要类型的模糊技术。

1. 平均

这是通过将图像与标准化盒式滤波器进行卷积来实现的。它只是取内核区域下所有像素的平均值并替换中心元素。这是通过函数 cv.blur() 或 cv.boxFilter() 完成的。查看文档以了解有关内核的更多详细信息。我们应该指定内核的宽度和高度。 3x3 标准化盒式过滤器如下所示：

$$[K=\frac{1}{9}\left[\begin{array}{ccc}1& 1& 1\\ 1& 1& 1\\ 1& 1& 1\end{array}\right]]$$

@note 如果您不想使用标准化盒式过滤器，请使用 cv.boxFilter()。将参数 normalize=False 传递给函数。

查看下面的示例演示，其中内核大小为 5x5：

import cv2 as cv
import numpy as np
from matplotlib import pyplot as pltimg = cv.imread('opencv-logo-white.png')blur = cv.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()

结果:

2. 高斯模糊

在此方法中，不使用盒式滤波器，而是使用高斯核。它通过函数 cv.GaussianBlur() 完成。我们应该指定核的宽度和高度，它们应该是正数和奇数。我们还应该分别指定 X 和 Y 方向的标准偏差 sigmaX 和 sigmaY。如果仅指定 sigmaX，则 sigmaY 与 sigmaX 相同。如果两者都为零，则根据核大小计算它们。高斯模糊在从图像中去除高斯噪声方面非常有效。

如果需要，您可以使用函数 cv.getGaussianKernel() 创建高斯核。

可以修改上述代码以进行高斯模糊：

blur = cv.GaussianBlur(img,(5,5),0)

结果:

3. 中值模糊

这里，函数 cv.medianBlur() 取核区域下所有像素的中值，并将中心元素替换为该中值。这对消除图像中的椒盐噪声非常有效。有趣的是，在上述过滤器中，中心元素是一个新计算的值，可能是图像中的像素值或新值。但在中值模糊中，中心元素总是被图像中的某个像素值替换。它有效地降低了噪声。其核大小应为正奇数。

在此演示中，我在原始图像中添加了 50% 的噪声并应用了中值模糊。检查结果：

median = cv.medianBlur(img,5)

结果:

4. 双边滤波

cv.bilateralFilter() 在去除噪声的同时保持边缘清晰，效果非常好。但与其他滤波器相比，该操作速度较慢。我们已经看到，高斯滤波器取像素周围的邻域并找到其高斯加权平均值。此高斯滤波器仅是空间函数，即在滤波时考虑邻近像素。它不考虑像素是否具有几乎相同的强度。它不考虑像素是否是边缘像素。因此，它还会模糊边缘，这是我们不想做的。

双边滤波也采用空间高斯滤波器，但多了一个高斯滤波器，它是像素差异的函数。空间高斯函数确保仅考虑邻近像素进行模糊，而强度差异高斯函数确保仅考虑与中心像素具有相似强度的像素进行模糊。因此它保留了边缘，因为边缘处的像素将具有较大的强度变化。

以下示例显示了双边滤波器的使用（有关参数的详细信息，请访问文档）。

blur = cv.bilateralFilter(img,9,75,75)

结果:

看，表面上的纹理消失了，但边缘仍然保留了下来。

其他资源

• 有关 双边过滤 的详细信息