3.3 平滑图像

2D 卷积（图像滤波）

对于一维信号，还可以使用各种低通滤波器（LPF）、高通滤波器（HPF）等对图像进行过滤。LPF有助于消除噪声或模糊图像。hpf过滤器有助于在图像中查找边缘。

opencv提供了一个函数 cv2.filter2d() ，用于将内核与图像卷积起来。

import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('opencv_logo.png')

kernel = np.ones((5,5),np.float32)/25
dst = cv2.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()

image.png

图像模糊（图像平滑）

图像模糊是通过将图像与低通滤波核卷积来实现的。它对消除噪音很有用。它实际上会从图像中删除高频内容（例如：噪声、边缘），从而在应用此过滤器时导致边缘模糊。OpenCV主要提供四种模糊技术。

均值滤波器

这是通过将图像与标准化的框过滤器卷积来完成的。它只需要取内核区域下所有像素的平均值，并用这个平均值替换中心元素。这是通过函数 cv2.blur() 或 cv2.boxFilter() 完成的。

如果不想使用规范化的框过滤器，请使用 cv2.box filter() 并将参数normalize=false 传递给函数。

img = cv2.imread('opencv_logo.png')

blur = cv2.blur(img,(5,5))

image.png

高斯滤波器

在这种方法中，使用高斯核代替由等滤波系数组成的盒形滤波器。它是通过函数 cv2.GaussianBlur() 完成的。我们应该指定内核的宽度和高度，它应该是正数和奇数。我们还应该在 x 和 y 方向分别指定标准偏差 sigmaX 和 sigmaY。如果只指定 sigmaX，sigmaY 将被视为等于 sigmaX。如果两者都是 0，则根据内核大小计算。高斯滤波对于去除图像中的高斯噪声是非常有效的。

如果需要，可以使用函数 cv2.getGaussiankernel() 创建高斯内核。

blur = cv2.GaussianBlur(img,(5,5),0)

image.png

中值滤波器

在这里，函数 cv2.medianBlur() 计算内核窗口下所有像素的中值，中央像素将替换为该中值。这对消除盐和胡椒的噪音非常有效。需要注意的一件有趣的事情是，在高斯和盒式滤波器中，中心元素的过滤值可以是原始图像中可能不存在的值。然而，中值滤波并非如此，因为中心元素总是被图像中的一些像素值所取代。这可以有效地降低噪音。内核大小必须是正奇数。

在这个演示中，我们在原始图像中添加50%的噪声，并使用中值滤波器。

median = cv2.medianBlur(img,5)

image.png

双边滤波器

双边滤波器 cv2.bilateralFilter() 在保持边缘的同时对噪声去除非常有效。但与其他过滤器相比，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，并找到其高斯加权平均值。该高斯滤波器是一个空间函数，即在滤波时考虑相邻像素。它不考虑像素是否具有几乎相同的强度值，也不考虑像素是否位于边缘。其结果是高斯滤波器倾向于模糊边缘，这是不可取的。

和传统的影像平滑化算法不同，双边滤波器除了使用像素之间几何上的靠近程度之外，还多考虑了像素之间的光度色彩差异， 使得双边滤波器能够有效的将影像上的噪声去除，同时保存影像上的边缘资信息。

blur = cv2.bilateralFilter(img, 9, 75, 75)

image.png