為什么要使用濾波

消除圖像中的噪聲成分叫作圖像的平滑化或濾波操作。信號或圖像的能量大部分集中在幅度譜的低頻和中頻段是很常見的，而在較高頻段，感興趣的信息經(jīng)常被噪聲淹沒。因此一個能降低高頻成分幅度的濾波器就能夠減弱噪聲的影響。
如下圖，左圖帶有椒鹽噪聲，右圖為使用中值濾波處理后的圖片。

圖像濾波的目的有兩個:一是抽出對象的特征作為圖像識別的特征模式;另一個是為適應(yīng)圖像處理的要求，消除圖像數(shù)字化時所混入的噪聲。

python +opencv講解

均值濾波

含義
如圖：如果我們想對紅色點進(jìn)行處理，則它新值等于周圍N乘N個像素點的平均（包括自身）

用表達(dá)式表達(dá)：

擴(kuò)展到對整個圖像進(jìn)行均值濾波

實現(xiàn)方法：
處理結(jié)果=cv2.blur(原始圖像,核大小)

核大?。阂裕▽挾?，高度）的元祖
效果：使圖像變模糊啦。能處理被椒鹽攻擊過的照片。

import cv2
a=cv2.imread('lenacolor.png')#
b=cv2.blur(a,(8,8))
cv2.imshow('original',a)
cv2.imshow('result',b)
cv2.waitKey(0)
cv2.destroyAllWindows()

方框濾波

實現(xiàn)方法：函數(shù)boxFilter
處理結(jié)果=cv2.boxFilter(原始圖像,目標(biāo)圖像深度,核大小,normalize屬性）

目標(biāo)圖像深度: int類型的目標(biāo)圖像深度，-1表示與原始圖像一致
核大小：（寬度，高度）元祖
normalize:是否對目標(biāo)圖像進(jìn)行歸一化處理
normalize為true 時與均值濾波一樣，為false時表示任意一個點的像素為周圍像素點的和，容易發(fā)生溢出超過255

normalize=1，1為true

import cv2
a=cv2.imread('lenacolor.png')#
b=cv2.boxFilter(a,-1,(5,5),normalize=1)
cv2.imshow('original',a)
cv2.imshow('result',b)
cv2.waitKey(0)
cv2.destroyAllWindows()

結(jié)果：

normalize=0，0為false
結(jié)果中只有幾個點不是白色

減少核大小為（2,2）normalize=0

高斯濾波

含義：
中心點權(quán)重高，越遠(yuǎn)越低

實現(xiàn)方法：GaussianBlur

處理結(jié)果=cv2.GaussianBlur(原始圖像src，核函數(shù)大小ksize，sigmaX)

核函數(shù)大小ksize：（N，N）必須是奇數(shù)
sigmaX：控制x方向方差，控制權(quán)重,一般取0,它自己去計算方差。y軸方差和x一致

import cv2
a=cv2.imread('lenacolor.png')#
b=cv2.GaussianBlur(a,(3,3),0)
cv2.imshow('original',a)
cv2.imshow('result',b)
cv2.waitKey(0)
cv2.destroyAllWindows()

中值濾波

使用像素點鄰域附近的像素的中值代替該點的像素值。通俗點來說，在這個像素的左邊找五個像素點，右邊找五個像素點，將這些像素進(jìn)行排序，排序過后產(chǎn)生一個中值，用中間大小的值，來代替該像素的值。

中值濾波可以有效的去除斑點和椒鹽噪聲。但是效率低，其運算時間 為均值濾波的五倍以上。

實現(xiàn)方法：medianBlur
目標(biāo)圖像=cv2.medianBlur(原始圖像,intksize)
intksize:核函數(shù)，必須為奇數(shù).

import cv2
a=cv2.imread('lenacolor.png')#
b=cv2.medianBlur(a,5)
cv2.imshow('original',a)
cv2.imshow('result',b)
cv2.waitKey(0)
cv2.destroyAllWindows()

到此這篇關(guān)于opencv 圖像濾波(均值,方框,高斯,中值)的文章就介紹到這了,更多相關(guān)opencv 圖像濾波內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論