《OpenCV轻松入门：面向Python》读书笔记
作者：李立宗
出版社：电子工业出版社
出版时间：2019-05

第7章 图像平滑处理

7.1 均值滤波

  均值滤波是指用当前像素点周围N·N个像素值的均值来代替当前像素值。使用该方法遍历处理图像内的每一个像素点，即可完成整幅图像的均值滤波。

7.1.1 基本原理

例如，希望对图7-7中位于第5行第5列的像素点进行均值滤波。

图7-7 一幅图像的像素值示例
在进行均值滤波时，首先要考虑需要对周围多少个像素点取平均值。通常情况下，我们会以当前像素点为中心，对行数和列数相等的一块区域内的所有像素点的像素值求平均。例如，在图7-7中，可以以当前像素点为中心，对周围3×3区域内所有像素点的像素值求平均，也可以对周围5×5区域内所有像素点的像素值求平均。
  当前像素点的位置为第5行第5列，我们对其周围5×5区域内的像素值求平均，计算方法为：

计算完成后得到126，我们将126作为当前像素点均值滤波后的像素值。我们针对图7-7中的每一个像素点计算其周围5×5区域内的像素值均值，并将其作为当前像素点的新值，即可得到当前图像的均值滤波结果。
  当然，图像的边界点并不存在5×5邻域区域。例如，左上角第1行第1列上的像素点，其像素值为23，如果以其为中心点取周围5×5邻域，则5×5邻域中的部分区域位于图像外部。图像外部是没有像素点和像素值的，显然是无法计算该点的5×5邻域均值的。
  针对边缘像素点，可以只取图像内存在的周围邻域点的像素值均值。如图7-8所示，计算左上角的均值滤波结果时，仅取图中灰色背景的3×3邻域内的像素值的平均值。
图7-8 边界点的处理
  在图7-8中，对于左上角（第1行第1列）的像素点，我们取第1_3列与第13行交汇处所包含的3×3邻域内的像素点的像素值均值。因此，当前像素点的均值滤波计算方法为：

计算完成后得到116，将该值作为该点的滤波结果即可。
  除此以外，还可以扩展当前图像的周围像素点。例如，将当前9×7大小的图像扩展为13×11大小的图像，如图7-9所示。
图7-9 扩展边缘
完成图像边缘扩展后，可以在新增的行列内填充不同的像素值。在此基础上，再针对9×7的原始图像计算其5×5邻域内像素点的像素值均值。OpenCV提供了多种边界处理方式，我们可以根据实际需要选用不同的边界处理模式。
  针对图像中第5行第5列的像素点，其运算过程相当于与一个内部值都是1/25的5×5矩阵进行相乘计算，从而得到均值滤波的结果126，其对应的关系如图7-10所示。
图7-10 针对第5行第5列像素点均值滤波的运算示意图

根据上述运算，针对每一个像素点，都是与一个内部值均为1/25的5×5矩阵相乘，得到均值滤波的计算结果，如图7-11所示。

图7-11 针对每一个像素点均值滤波的运算示意图

将使用的5×5矩阵一般化，可以得到如图7-12所示的结果。

图7-12 将矩阵一般化
在OpenCV中，图7-12右侧的矩阵被称为卷积核，其一般形式为：

式中，M和N分别对应高度和宽度。一般情况下，M和N是相等的，例如比较常用的3×3、5×5、7×7等。如果M和N的值越大，参与运算的像素点数量就越多，图像失真越严重。

7.1.2 函数语法

在OpenCV中，实现均值滤波的函数是cv2.blur()，其语法格式为：

dst=cv2.blur(src ,ksize, anchor, borderType)

式中：

• dst是返回值，表示进行均值滤波后得到的处理结果。
• src是需要处理的图像，即原始图像。它可以有任意数量的通道，并能对各个通道独立处理。图像深度应该是CV_8U、CV_16U、CV_16S、CV_32F或者CV_64F中的一种。
• ksize是滤波核的大小。滤波核大小是指在均值处理过程中，其邻域图像的高度和宽度。
  例如，其值可以为(5, 5)，表示以5×5大小的邻域均值作为图像均值滤波处理的结果
• anchor是锚点，其默认值是(-1, -1)，表示当前计算均值的点位于核的中心点位置。该值使用默认值即可，在特殊情况下可以指定不同的点作为锚点。
• borderType是边界样式，该值决定了以何种方式处理边界，其值如表7-1所示。一般情况下不需要考虑该值的取值，直接采用默认值即可。

表7-1 borderType值

通常情况下，使用均值滤波函数时，对于锚点anchor和边界样式borderType，直接采用其默认值即可。

7.1.3 程序示例

【例7.2】针对噪声图像，使用不同大小的卷积核对其进行均值滤波，并显示均值滤波的情况。

import cv2
o=cv2.imread("image\\lenaNoise.png")
r5=cv2.blur(o,(5,5))      
r30=cv2.blur(o,(30,30))      
cv2.imshow("original",o)
cv2.imshow("result5",r5)
cv2.imshow("result30",r30)
cv2.waitKey()
cv2.destroyAllWindows()

图7-14 不同大小卷积核的均值滤波结果

  从图中可以看出，使用5×5的卷积核进行滤波处理时，图像的失真不明显；而使用30×30的卷积核进行滤波处理时，图像的失真情况较明显。
  卷积核越大，参与到均值运算中的像素就会越多，即当前点计算的是更多点的像素值的平均值。因此，卷积核越大，去噪效果越好，当然花费的计算时间也会越长，同时让图像失真越严重。在实际处理中，要在失真和去噪效果之间取得平衡，选取合适大小的卷积核。