OpenCV平滑处理惩罚：图像去噪与含糊技能详解

弁言

        在图像处理惩罚中，噪声是一个常见的题目，它大概来自于图像收罗装备、传输过程或情况干扰。为了去除噪声并改善图像质量，平滑处理惩罚（Smoothing）是一种常用的技能。OpenCV提供了多种平滑处理惩罚方法，包罗均值滤波、高斯滤波和中值滤波。本文将具体先容这些方法，并通过代码示例展示它们的现实结果。

原理

      平滑处理惩罚是一种通过对图像举行滤波往复除噪声的技能。它的根本原理是利用像素邻域内的像素值来替换当前像素值，从而淘汰噪声的影响。常见的平滑处理惩罚方法包罗均值滤波、高斯滤波和中值滤波，每种方法都有其独特的上风和实用场景。

 1. 均值滤波（Averaging Filter）

        均值滤波是最简朴的平滑处理惩罚方法之一。它通过盘算像素邻域内像素值的匀称值来替换当前像素值。均值滤波可以有效地去除噪声，但也会导致图像变得含糊。
     均值滤波利用一个归一化的卷积核（通常是正方形）对图像举行卷积操纵。比方，一个3x3大概5x5的卷积核

 代码示例

2. import cv2
3. import numpy as np
5. def add_peppersalt_noise(image,n=10000):
6.     result = image.copy()
7.     h,w = image.shape[:2]
8.     for i in range(n):
9.         x = np.random.randint(1,h)
10.         y = np.random.randint(1,w)
11.         if np.random.randint(0,2)==0:
12.             result[x,y]=0
13.         else:
14.             result[x,y]=255
15.     return result
17. image = cv2.imread('csdn_test.png')
18. cv2.imshow('yntu',image)
19. cv2.waitKey(0)
21. noise=add_peppersalt_noise(image)
22. cv2.imshow('noise',noise)
23. cv2.waitKey(0)
25. ''' 均值滤波'''
26. #  dst=cv2.blur(src,ksize,anchor,borderType)
27. #      dst是返回值
28. #      src是需要处理的图像
29. #      kszie是滤波核(卷积核)的大小
30. #      anchor是锚点，默认值是(-1，-1)一般无需更改
31. #      borderType是边界样式，一般无需更改
32. #
33. # 一般情况下，使用dst=cv2.blur(src,ksize)即可
34. #
35. blur_1=cv2.blur(noise,(3,3))
36. cv2.imshow('blur_1',blur_1)
37. cv2.waitKey(0)
39. blur_2=cv2.blur(noise,(5,5))
40. cv2.imshow('blur_2',blur_2)
41. cv2.waitKey(0)
42. cv2.destroyAllWindows()

复制代码

- 均值滤波后的图像：噪声淘汰，但图像变得含糊。

2. 方框滤波（Box Filter）

     方框滤波是一种简朴的线性滤波方法，它通过盘算像素邻域内像素值的匀称值来替换当前像素值。与均值滤波类似，但方框滤波可以选择是否对结果举行归一化。
     框滤波利用一个矩形卷积查对图像举行卷积操纵。如果选择归一化，则结果与均值滤波雷同；如果不归一化，则直接对像素值求和。

代码示例

2. import cv2
3. import numpy as np
5. def add_peppersalt_noise(image,n=10000):
6.     result = image.copy()
7.     h,w = image.shape[:2]
8.     for i in range(n):
9.         x = np.random.randint(1,h)
10.         y = np.random.randint(1,w)
11.         if np.random.randint(0,2)==0:
12.             result[x,y]=0
13.         else:
14.             result[x,y]=255
15.     return result
17. image = cv2.imread('csdn_test.png')
18. cv2.imshow('yntu',image)
19. cv2.waitKey(0)
21. noise=add_peppersalt_noise(image)
22. cv2.imshow('noise',noise)
23. cv2.waitKey(0)
25. '''方框滤波'''
27. # dst=cv2.boxFilter (src,ddepth,ksize,anchor,normalize,borderType)式中:
28. #     dst是返回值，表示进行方框滤波后得到的处理结果。
29. #     src 是需要处理的图像，即原始图像。
30. #     ddepth是处理结果图像的图像深度，一般使用-1表示与原始图像使用相同的图像深度。(可以理解为数据类型)
31. #     ksize 是滤波核的大小。滤波核大小是指在滤波处理过程中所选择的邻域图像的高度和宽度。
32. #     anchor 是错点，(指对应哪个区域)
33. #     normalize 表示在滤波时是否进行归一化。
34. #       1.当值为True时，归一化，用邻域像素值的和除以面积。此时方框滤波与均值滤波效果相同#
35. #       2.当值为False时，不归一化，直接使用邻域像素值的和。和>255时使用255
37. boxFilter_1=cv2.boxFilter(noise,-1,(3,3),normalize=True)
38. cv2.imshow('boxFilter_1',boxFilter_1)
39. cv2.waitKey(0)
41. boxFilter_2=cv2.boxFilter(noise,-1,(3,3),normalize=False)
42. cv2.imshow('boxFilter_2',boxFilter_2)
43. cv2.waitKey(0)
44. cv2.destroyAllWindows()

复制代码

•         归一化的方框滤波：与均值滤波结果雷同。
  
•         不归一化的方框滤波：像素值大概超出范围，图像变亮或变暗。
  

 

3. 高斯滤波（Gaussian Filter）

      高斯滤波是一种基于高斯函数的平滑处理惩罚方法。与均值滤波差别，高斯滤波在盘算像素值时，会给邻域内的像素赋予差别的权重，隔断中央像素越近的像素权重越大。这种方法在去除噪声的同时，可以或许更好地生存图像的边沿信息。
      高斯滤波利用一个高斯核举行卷积操纵。高斯核的权重由高斯函数盘算得出，比方一个3x3大概5x5的高斯核。

代码示例

2. import cv2
3. import numpy as np
5. def add_peppersalt_noise(image,n=10000):
6.     result = image.copy()
7.     h,w = image.shape[:2]
8.     for i in range(n):
9.         x = np.random.randint(1,h)
10.         y = np.random.randint(1,w)
11.         if np.random.randint(0,2)==0:
12.             result[x,y]=0
13.         else:
14.             result[x,y]=255
15.     return result
17. image = cv2.imread('csdn_test.png')
18. cv2.imshow('yntu',image)
19. cv2.waitKey(0)
21. noise=add_peppersalt_noise(image)
22. cv2.imshow('noise',noise)
23. cv2.waitKey(0)
25. '''高斯滤波'''
26. # cv2.GaussianBlur(src,ksize,[,sigmaX[,sigmaY[,dst]]])高斯滤波   或
27. # cv2.GaussianBlur(src,ksize, sigmaX[, dst[, sigmaY[, borderType]]]) → dst
28. #
29. #     src:输入图像，通常是一个numpy数组。
30. #     ksize:滤波器的大小，它是一个元组，表示在水平和垂直方向上的像素数量。例如，(5，5)表示一个5x5的滤波器。
31. #     siqmaX和siqmaY:分别表示在X轴Y轴方向上的标准差。这些值与滤波器大小相同。默认情况下，它们都等于0,这意味着没有高斯模糊
32. #     dst:输出图像，通常是一个numpy数组。如果为one,则会创建一个新的数组来存储结果。
33. #     borderType (可选):
34. #        边界填充类型。默认是 cv2.BORDER_DEFAULT，表示使用镜像边界填充。其他可选值包括：
35. #        cv2.BORDER_CONSTANT: 使用常数填充边界。
36. #        cv2.BORDER_REPLICATE: 复制边界像素。
37. #        cv2.BORDER_REFLECT: 镜像反射边界。
38. #        cv2.BORDER_WRAP: 环绕边界
39. GaussianB=cv2.GaussianBlur(noise,(3,3),1)
40. cv2.imshow('GaussianBlur',GaussianB)
41. cv2.waitKey(0)
42. cv2.destroyAllWindows()

复制代码

- 高斯滤波后的图像：噪声淘汰，边沿信息生存较好。

4. 中值滤波（Median Filter）

     中值滤波是一种非线性平滑处理惩罚方法，它通过盘算像素邻域内像素值的中值来替换当前像素值。中值滤波特殊得当去除椒盐噪声（Salt-and-Pepper Noise），同时可以或许较好地生存图像的边沿信息。
中值滤波不须要卷积核，而是直接对邻域内的像素值举行排序，然后取中值作为当前像素值。

 代码示例

2. import cv2
3. import numpy as np
5. def add_peppersalt_noise(image,n=10000):
6.     result = image.copy()
7.     h,w = image.shape[:2]
8.     for i in range(n):
9.         x = np.random.randint(1,h)
10.         y = np.random.randint(1,w)
11.         if np.random.randint(0,2)==0:
12.             result[x,y]=0
13.         else:
14.             result[x,y]=255
15.     return result
17. image = cv2.imread('csdn_test.png')
18. cv2.imshow('yntu',image)
19. cv2.waitKey(0)
21. noise=add_peppersalt_noise(image)
22. cv2.imshow('noise',noise)
23. cv2.waitKey(0)
25. '''中值滤波'''
26. #cv2.medianBlur(src，ksizel，dst])中值滤波
27. #    src:输入图像。# # ksize:滤波器的大小，它是一个整数，表示在水平和垂直方向上的像素数量。例如，5表示:一个5x5 的滤波器
28. #    dst:输出图像，通常是一个umPy数组。如果为None,则会创建一个新的数组来存储结果。
30. medianB=cv2.medianBlur(noise,3)
31. cv2.imshow('medianBlur',medianB)
32. cv2.waitKey(0)
33. cv2.destroyAllWindows()

复制代码

- 中值滤波后的图像：椒盐噪声被有效去除，边沿信息生存较好。

 5. 双边滤波（Bilateral Filter）

     双边滤波是一种非线性的平滑处理惩罚方法，它不光思量像素的空间隔断，还思量像素值的相似性。因此，双边滤波在去除噪声的同时，可以或许很好地生存图像的边沿信息。
     双边滤波利用两个高斯核：一个用于空间隔断，另一个用于像素值差别。通过这种方式，双边滤波可以在平滑图像的同时生存边沿。

代码示例

2. import cv2
3. import numpy as np
5. def add_peppersalt_noise(image,n=10000):
6.     result = image.copy()
7.     h,w = image.shape[:2]
8.     for i in range(n):
9.         x = np.random.randint(1,h)
10.         y = np.random.randint(1,w)
11.         if np.random.randint(0,2)==0:
12.             result[x,y]=0
13.         else:
14.             result[x,y]=255
15.     return result
17. image = cv2.imread('csdn_test.png')
18. cv2.imshow('yntu',image)
19. cv2.waitKey(0)
21. noise=add_peppersalt_noise(image)
22. cv2.imshow('noise',noise)
23. cv2.waitKey(0)
25. ''' 双边滤波'''
26. #cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace[, dst[, borderType]]) -> dst
27. #参数说明：
28. # src:输入图像，可以是8位或浮点型单通道或三通道图像。(numpy.ndarray 类型)
29. # d: 滤波过程中每个像素邻域的直径,如果设为非正数,则根据sigmaSpace自动计算直径。(类型：int)
30. # sigmaColor:颜色空间的标准差，用于控制像素值差异的权重。值越大，表明像素值差异较大的像素也会被考虑进来，滤波效果越明显。(类型：float)
31. # sigmaSpace:坐标空间的标准差，用于控制空间距离的权重。值越大，表明距离较远的像素也会被考虑进来，滤波效果越明显。(类型：float)
32. # dst（可选）:输出图像，与输入图像src具有相同的尺寸和类型。如果未提供，函数会创建一个新的数组。(类型：numpy.ndarray)
33. # borderType（可选）:边界填充方式。OpenCV提供了多种边界填充方式，如cv2.BORDER_CONSTANT、cv2.BORDER_REFLECT等。默认值为cv2.BORDER_DEFAULT。
35. bilateral_blurred = cv2.bilateralFilter(image, 9, 75, 75)
36. cv2.imshow('Bilateral Blurred Image', bilateral_blurred)
37. cv2.waitKey(0)
38. cv2.destroyAllWindows()

复制代码

- 双边滤波后的图像：噪声淘汰，边沿信息生存非常好。

总结

      平滑处理惩罚是图像处理惩罚中的紧张技能，可以或许有效去除噪声并改善图像质量。本文先容了OpenCV中五种常见的平滑处理惩罚方法：均值滤波、高斯滤波、中值滤波和双边滤波。每种方法都有其独特的上风和实用场景：

•         均值滤波：简朴快速，得当一样平常噪声去除。
  
•         方框滤波：机动选择是否归一化，得当特定场景。
  
•         高斯滤波：生存边沿信息，得当须要生存细节的场景。
  
•         中值滤波：得当去除椒盐噪声。
  
•         双边滤波：在去除噪声的同时，可以或许很好地生存边沿信息。
  

通过把握这些方法，你可以根据现实需求选择符合的平滑处理惩罚技能，提升图像处理惩罚的结果。