美文网首页
Python+OpenCV教程10:平滑图像

Python+OpenCV教程10:平滑图像

作者: e8bcb7ff1632 | 来源:发表于2018-01-05 14:35 被阅读1997次

    主站:http://ex2tron.wang
    原文:Python+OpenCV教程10:平滑图像


    学习模糊/平滑图像,消除噪点。图片等可到源码处下载。


    目标

    • 模糊/平滑图片来消除图片噪声
    • OpenCV函数:cv2.blur(), cv2.GaussianBlur(), cv2.medianBlur(), cv2.bilateralFilter()

    教程

    滤波与模糊

    推荐大家先阅读:番外篇:卷积基础(图片边框),有助于理解卷积和滤波的概念。

    关于滤波和模糊,很多人分不清,我来给大家理理(虽说如此,我后面也会混着用,,ԾㅂԾ,,):

    • 它们都属于卷积,不同滤波方法之间只是卷积核不同(对线性滤波而言)
    • 低通滤波器是模糊,高通滤波器是锐化

    低通滤波器就是允许低频信号通过,在图像中边缘和噪点都相当于高频部分,所以低通滤波器用于去除噪点、平滑和模糊图像。高通滤波器则反之,用来增强图像边缘,进行锐化处理。

    常见噪声有椒盐噪声高斯噪声,椒盐噪声可以理解为斑点,随机出现在图像中的黑点或白点;高斯噪声可以理解为拍摄图片时由于光照等原因造成的噪声;这样解释并不准确,只要能简单分辨即可。

    均值滤波

    均值滤波是一种最简单的滤波处理,它取的是卷积核区域内元素的均值,用cv2.blur()实现,如3×3的卷积核:

    kernel = \frac{1}{9}\left[ \begin{matrix} 1 & 1 & 1 \newline 1 & 1 & 1 \newline 1 & 1 & 1 \end{matrix} \right]

    img = cv2.imread('lena.jpg')
    blur = cv2.blur(img, (3, 3))  # 均值模糊
    

    所有的滤波函数都有一个可选参数borderType,还记得吗?这个参数就是我们在番外篇:卷积基础(图片边框)中所说的边框填充方式。

    方框滤波

    方框滤波跟均值滤波很像,如下面的公式。用cv2.boxFilter()函数实现,事实上,当可选参数normalize为True的时候,方框滤波就是均值滤波,如3×3的核,a就等于1/9;normalize为False的时候,a=1,相当于求区域内的像素和。

    k = a\left[ \begin{matrix} 1 & 1 & 1 \newline 1 & 1 & 1 \newline 1 & 1 & 1 \end{matrix} \right]

    # 前面的均值滤波也可以用方框滤波实现:normalize=True
    blur = cv2.boxFilter(img, -1, (3, 3), normalize=True)
    

    高斯滤波

    前面两种滤波方式,卷积核内的每个值都一样,相当于图像区域中每个像素的权重也就一样。高斯滤波的卷积核权重并不相同,中间像素点权重最高,越远离中心的像素权重越小。(其原理是一个2维高斯函数,可以参考:Gaussian Filter

    高斯滤波相比均值滤波效率要慢,但可以有效消除高斯噪声,能保留更多的图像细节,所以经常被称为最有用的滤波器。

    img = cv2.imread('gaussian_noise.bmp')
    # 均值滤波vs高斯滤波
    blur = cv2.blur(img, (5, 5))  # 均值滤波
    gaussian = cv2.GaussianBlur(img, (5, 5), 1)  # 高斯滤波
    

    均值滤波与高斯滤波的对比结果如下(均值滤波丢失的细节更多):

    GaussianBlur()中参数3是σx,值越大,模糊效果越明显,0代表默认值0.8:getGaussianKernel()

    中值滤波

    中值又叫中位数,是所有值排序后取中间的值。中值滤波就是用区域内的中值来代替本像素值,所以那种孤立的斑点,如0或255很容易消除掉,适用于去除椒盐噪声和斑点噪声。中值是一种非线性操作,效率相比前面几种线性滤波要慢。

    比如下面这张斑点噪声图,用中值滤波显然更好:

    img = cv2.imread('salt_noise.bmp', 0)
    # 均值滤波vs中值滤波
    blur = cv2.blur(img, (5, 5))  # 均值滤波
    median = cv2.medianBlur(img, 5)  # 中值滤波
    

    双边滤波

    模糊操作基本都会损失掉图像细节信息,尤其前面介绍的线性滤波器,图像的边缘信息很难保留下来。然而,边缘edge信息是图像中很重要的一个特征,所以这才有了双边滤波。用cv2.bilateralFilter()函数实现:

    img = cv2.imread('lena.jpg')
    # 双边滤波vs高斯滤波
    gau = cv2.GaussianBlur(img, (5, 5), 0)  # 高斯滤波
    blur = cv2.bilateralFilter(img, 9, 75, 75)  # 双边滤波
    

    可以看到,双边滤波明显保留了更多边缘信息。

    小结

    • 在不知道用什么滤波器好的时候,优先高斯滤波cv2.GaussianBlur(),然后均值滤波cv2.blur()
    • 斑点和椒盐噪声优先使用中值滤波cv2.medianBlur()
    • 要去除噪点的同时尽可能保留更多的边缘信息,使用双边滤波cv2.bilateralFilter()
    • 线性滤波方式:均值滤波、方框滤波、高斯滤波(速度相对快)
    • 非线性滤波方式:中值滤波、双边滤波(速度相对慢)

    引用

    相关文章

      网友评论

          本文标题:Python+OpenCV教程10:平滑图像

          本文链接:https://www.haomeiwen.com/subject/tqqsnxtx.html