滤波图像
<h1>目标</h1>
<p>学会:</p>
<ul>
<li>用各种低通滤波器模糊图像</li>
<li>应用自定义滤波器到图像(2D卷积)</li>
</ul>
<h1>2D卷积(图像滤波)</h1>
<p>与一维信号一样，图像也可以用各种低通滤波器(LPF)、高通滤波器(HPF)等进行滤波。LPF有助于去除噪声，模糊图像等。HPF过滤器有助于在图像中找到边缘。</p>
<p>OpenCV提供了一个函数cv.filter2D()来将内核与图像进行卷积。例如，我们将尝试对图像进行平均滤波。一个5x5平均滤波内核如下:</p>
<p><img src="https://www.showdoc.cc/server/api/common/visitfile/sign/acba333158cf1ea28af4f0c8f52f4193?showdoc=.jpg" alt="" /></p>
<p>操作如下:将该内核保持在一个像素之上，将该内核之下的所有25个像素相加，取其平均值，然后用新的平均值替换中心像素。它将对图像中的所有像素继续此操作。试试这个代码，并检查结果:</p>
<pre><code class="language-python">import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = 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()</code></pre>
<p>结果:
<img src="https://www.showdoc.cc/server/api/common/visitfile/sign/8de414a04b202c2b7cf2881116d41815?showdoc=.jpg" alt="" /></p>
<h1>图像模糊(图像平滑)</h1>
<p>图像模糊是通过将图像与低通滤波核进行卷积来实现的。它对消除噪音很有用。它实际上删除了图像中的高频内容(如:噪声、边缘)。在这个操作中，边缘有点模糊。(当然，也有一些模糊技术不会模糊边缘)。OpenCV主要提供四种类型的模糊技术</p>
<h3>1. 求平均值</h3>
<p>这是通过将图像与规范化的框过滤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。这是由函数cv.blur()或cv.boxFilter()完成的。有关内核的更多细节，请查看文档。我们应该指定内核的宽度和高度。一个3x3归一化的框式滤波器应该如下图所示:</p>
<p><img src="https://www.showdoc.cc/server/api/common/visitfile/sign/fcdd73224bfa3ab1663f39a3c47d7dfb?showdoc=.jpg" alt="" /></p>
<pre><code>如果不希望使用规格化的box filter，请使用cv.boxFilter()。向函数传递一个参数normalize=False。</code></pre>
<p>检查下面的示例演示，内核大小为5x5:</p>
<pre><code class="language-python">import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
img = 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()</code></pre>
<p>结果:
<img src="https://www.showdoc.cc/server/api/common/visitfile/sign/119eec54e9060e85b7c7e4cfe3ad537e?showdoc=.jpg" alt="" /></p>
<h3>2. 高斯模糊</h3>
<p>在这种情况下，用高斯核函数代替了盒形滤波器。这是通过函数cv.GaussianBlur()完成的。我们应该指定内核的宽度和高度，它们应该是正的和奇数的。我们还应该分别指定X和Y方向的标准差，sigmaX和sigmaY。如果只指定sigmaX，则sigmaY与sigmaX相同。如果两者都是零，则从内核大小计算它们。高斯模糊是消除图像中高斯噪声的有效方法。</p>
<p>你可以用cv.getGaussianKernel()创建一个高斯核函数</p>
<p>以下代码可以修改为高斯模糊:</p>
<pre><code class="language-python">blur = cv.GaussianBlur(img,(5,5),0)</code></pre>
<p>结果:</p>
<p><img src="https://www.showdoc.cc/server/api/common/visitfile/sign/6a11154ecaf0e76da5991e2f79d70f4e?showdoc=.jpg" alt="" /></p>
<h3>3.模糊中值</h3>
<p>函数cv.medianBlur()取内核区域下所有像素的中值，然后用这个中值替换中心元素。这是非常有效的对图像中的盐和胡椒噪声。有趣的是，在上面的过滤器中，中心元素是一个新计算的值，它可以是图像中的像素值，也可以是一个新值。但是在中值模糊中，中心元素总是被图像中的某个像素值所替代。有效降低噪音。它的内核大小应该是一个正奇数。</p>
<p>在这个演示中，我为原始图像添加了50%的噪声，并应用了中值模糊。检查结果:</p>
<pre><code class="language-python">median = cv.medianBlur(img,5)</code></pre>
<p>结果:
<img src="https://www.showdoc.cc/server/api/common/visitfile/sign/176a88ba3843781aec1b715b3d9f874a?showdoc=.jpg" alt="" /></p>
<h3>4.双边滤波</h3>
<p>cv.bilateralfilter()在保持边缘锋利的同时，对噪声去除非常有效。但与其他过滤器相比，该操作速度较慢。我们已经看到高斯滤波器取像素周围的a邻域并求其高斯加权平均。这个高斯滤波器是一个单独的空间函数，即在滤波时考虑附近的像素。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。它也模糊了边缘，这是我们不想做的。</p>
<p>双边滤波器在空间上也采用高斯滤波器，但多了一个高斯滤波器，它是像素差的函数。空间高斯函数确保只考虑附近像素的模糊，而强度差高斯函数确保只考虑与中心像素强度相似的像素的模糊。所以它保留了边缘，因为边缘上的像素会有很大的强度变化。</p>
<p>下面的示例显示使用双边过滤器(有关参数的详细信息，请访问文档)。</p>
<pre><code class="language-python">blur = cv.bilateralFilter(img,9,75,75)</code></pre>
<p>结果:
<img src="https://www.showdoc.cc/server/api/common/visitfile/sign/f4e0400cb80ecd9411fd004627763603?showdoc=.jpg" alt="" /></p>
<p>看，表面的纹理消失了，但边缘仍然保留。</p>
<h1>其他资源</h1>
<p><a href="http://people.csail.mit.edu/sparis/bf_course/" title="关于双边滤波的细节">关于双边滤波的细节</a></p>