什么是圖像平滑處理

在盡量保留圖像原有信息的情況下，過濾掉圖像內部的噪聲，這一過程我們稱之為圖像的平滑處理，所得到的圖像稱為平滑圖像。

那么什么是圖像的噪聲呢？

圖像的噪聲就是圖像中與周圍像素點差異較大的像素點。噪聲的處理就是將其更改為臨近像素點的近似值，使圖像更平滑。

圖像平滑處理的噪聲取值的方式有以下6種：

（1）均值濾波

（2）方框濾波

（3）高斯濾波

（4）中值濾波

（5）雙邊濾波

（6）2D卷積（自定義濾波）

均值濾波

均值濾波是指用當前像素點周圍N*N個像素點的均值來代替當前像素值。使用該方法遍歷處理圖像內的每一個像素點，即可完成整幅圖像的均值濾波。

在進行均值濾波處理時，我們需要考慮對周圍多少個像素點取平均值。通常情況下，我們會以當前像素點為中心，對行數和列數相等的一塊區域內的所有像素點取平均值。

但是邊緣像素點可能不能這樣做，畢竟比如左上角的像素點是沒有左上像素點的，這個時候我們常常會取圖像內存在的周圍鄰域點的平均值。

在OpenCV中，它給我們提供的均值濾波函數為cv2.blur()，其完整定義如下：

def blur(src, ksize, dst=None, anchor=None, borderType=None): 

src：原始圖像

kszie：濾波中心的大小，也就是取平均值的周圍像素點的高度與寬度，比如（5,5），就是取5*5鄰域像素點均值作為結果。

anchor：錨點，其默認值為（-1，1），表示當前計算均值的點位于核的中心點位置。一般使用默認值即可。

borderType：邊界樣式，該值決定了以何種方式處理邊界，一般情況下不需要更改。

了解了該函數的定義，下面我們簡單的來完成一個去噪圖像，具體代碼如下所示：

import cv2

img = cv2.imread("5.jpg")
result_5img = cv2.blur(img, (5, 5))
result_30img= cv2.blur(img, (30, 30))
cv2.imshow("img", img)
cv2.imshow("result_5img", result_5img)
cv2.imshow("result_30img", result_30img)
cv2.waitKey()
cv2.destroyAllWindows()

運行之后，效果如下所示：

從上圖可以看出來，使用（5，5）卷積進行均值濾波處理后圖像雖然模糊，但還可以辨認。而使用（30，30）卷積進行均值濾波，圖像失真非常嚴重。

所以，我們可以得出來，卷積核越大，去噪效果越好，花費的時間越長，同時圖像失真也越嚴重。而實際的處理中，我們需要在失真與去噪之間取得平衡，選取合適的卷積大小。

方框濾波

方框濾波與均值濾波的不同之處在于，方框濾波不會計算像素均值，它可以自由選擇是否對均值濾波的結果進行歸一化，即可以自由選擇濾波結果是鄰域像素值之和的平均值，還是鄰域像素值之和。

在OpenCV中，它提供cv2.boxFilter()函數來實現方框濾波，其完整定義如下：

def boxFilter(src, ddepth, ksize, dst=None, anchor=None, normalize=None, borderType=None): 

src：原始圖像

ddepth：處理結果圖像的圖像深度，一般使用-1表示與原圖像使用相同的圖像深度

ksize：濾波核心的大小

normalize：是否在濾波時進行歸一化處理。當它為1時，表示要進行歸一化處理，也就是鄰域像素值的和除以面積，比如（3，3），公式如下：

當它為0時，表示不需要進行歸一化處理，直接使用鄰域像素值的和。

下面，我們來用程序分別實現歸一化與不歸一化的效果，代碼如下：

import cv2

img = cv2.imread("5.jpg")
result1 = cv2.boxFilter(img, -1, (5, 5))
result2 = cv2.boxFilter(img, -1, (30, 30))
result3 = cv2.boxFilter(img, -1, (2, 2),normalize=0)
cv2.imshow("img", img)
cv2.imshow("result1", result1)
cv2.imshow("result2", result2)
cv2.imshow("result3", result3)
cv2.waitKey()
cv2.destroyAllWindows()

運行之后，顯示的效果如下所示：

可以看到，左下角不需要歸一化處理，這里只取（2，2），如果你取大了，可以試試。因為范圍大了，和一般都會大于255，那么就會造成圖像全是白色。

高斯濾波

在進行均值濾波與方框濾波時，其鄰域內每個像素的權重是相等的。而高斯濾波會將中心點的權重加大，遠離中心點的權重減小，以此來計算鄰域內各個像素值不同權重的和。

在OpenCV中，它給我們提供cv2.GaussianBlur()函數進行高斯濾波，其完整定義如下：

def GaussianBlur(src, ksize, sigmaX, dst=None, sigmaY=None, borderType=None):

src：原始圖像

ksize：濾波核的大小

sigmaX：卷積和在水平方向上（X軸方向）的標準差，其控制的是權重比例

sigmaY：卷積和在垂直方向上（Y軸方向）的標準差，也是控制的是權重比例。如果它為0，只采用sigmaX的值，如果sigmaX與sigmaY都是0，則通過ksize.width和ksize.height計算得到（可選參數）

下面，我們來使用高斯濾波看看效果，代碼如下所示：

import cv2

img = cv2.imread("5.jpg")
result = cv2.GaussianBlur(img, (3, 3), 0, 0)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()

運行之后，效果如下所示：

中值濾波

中值濾波與前面的三種濾波都不同，它不在采用加權求均值的方式計算濾波結果，而是用鄰域內所有像素值的中間值來代替當前像素點的像素值。

簡單點說，就是取當前像素點及其周圍臨近像素點的像素值，將這些值進行排序后，取中間位置的像素值作為當前位置的像素值。

在OpenCV中，它提供給我們cv2.medianBlur()函數來進行中值濾波，其完整定義如下：

def medianBlur(src, ksize, dst=None): 

src：原始圖像

kszie：濾波核的大小

參數就兩個，下面我們來用代碼測試一下：

import cv2

img = cv2.imread("5.jpg")
result = cv2.medianBlur(img, 3)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()

運行之后，顯示效果如下：

可以看到，這里我們將臉上的紅點去掉了。需要特別注意的是，濾波核的大小必須是奇數，矩陣中心點向外衍生必然是奇數，不信可以隨便矩陣取一點試試。

雙邊濾波

雙邊濾波是綜合考慮空間信息和色彩信息的濾波方式，在濾波的過程中能夠有效地保護圖像內的邊緣信息。

前面濾波方式基本只考慮了空間的權重信息，這種情況計算起來比較方便，但是邊緣信息的處理上存在較大問題。而雙邊濾波在處理邊緣時，與當前點色彩相近的像素點給與較大的權重值，而與當前像素點色彩差別大的會給較小的權重，這樣就保護了邊緣信息。

簡單點概括，雙邊濾波在計算某一個像素點的新值時，不僅考慮距離信息，還考慮色彩信息。雙邊濾波即能有效地去除噪聲，又能很好地保護邊緣信息。

在OpenCV中，它給我們提供cv2.bilateralFilter()函數來實現，其完整定義如下：

def bilateralFilter(src, d, sigmaColor, sigmaSpace, dst=None, borderType=None):

src：原始圖像

d：在濾波時選取的空間距離參數，這里表示以當前像素點為中心點的直徑。如果該值為非正數，則會從參數sigmaSpace計算得到。如果濾波空間較大，比如d>5，則速度較慢。因此，在實際的應用中，推薦d=5。對于噪聲較大的離線濾波，可以選擇d=9。

sigmaColor：在濾波處理時，選擇的顏色范圍，該值決定了周圍哪些像素點能夠參與到濾波中來。與當前像素點的像素值差值小于sigmaColor的像素點，能夠參與到當前的濾波中。該值越大，就說明周圍有越多的像素點可以參與到運算中。該值為0時，濾波失去意義；該值為255，指定直徑內的所有點都能夠參與運算。

sigmaSpace：坐標空間中的sigma值。它的值越大，說明有越多的點能夠參與到濾波計算中來。當d>0時，無論sigmaSpace的值如何，d都指定鄰域大小；否則，d域sigmaSpace的值成比例。

為了簡單起見，博主這里將兩個sigmaColor與sigmaSpace值設置為相同的。如果它們的值比較小，比如小于10，濾波的效果不太明顯；如果它們的值較大，比如大于150，則濾波效果會比較明顯。

代碼如下所示：

import cv2

img = cv2.imread("5.jpg")
result = cv2.bilateralFilter(img,25,50,50)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()

運行之后，顯示效果如下所示：

2D卷積

在OpenCV中，除了提供上面這些常用的濾波方式之外，還允許用戶自定義卷積核實現卷積操作。這個函數是cv2.Filter2D()，其完整定義如下：

def filter2D(src, ddepth, kernel, dst=None, anchor=None, delta=None, borderType=None): 

src：原始圖像

ddepth：處理結果圖像的深度，-1與原圖像一致。

kernel：卷積核，是一個單通道數組。如果想在處理彩色圖像時，讓每個通道使用不同的核，則必須將彩色圖像分解后使用不同的核完成。

delta：修正值，可選參數。如果該值存在，會在基礎濾波的結果上加上該值作為最終的濾波結果。

下面，我們來使用這個函數看看效果，具體代碼如下所示：

import cv2
import numpy as np

img = cv2.imread("5.jpg")
kernel = np.ones((9,9), np.float32) / 81
result = cv2.filter2D(img, -1, kernel)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()

運行之后，效果如下所示：

到此這篇關于OpenCV-Python實現圖像平滑處理操作的文章就介紹到這了,更多相關OpenCV 圖像平滑處理內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！