什么是圖像平滑處理

在盡量保留圖像原有信息的情況下，過(guò)濾掉圖像內(nèi)部的噪聲，這一過(guò)程我們稱之為圖像的平滑處理，所得到的圖像稱為平滑圖像。

那么什么是圖像的噪聲呢？

圖像的噪聲就是圖像中與周圍像素點(diǎn)差異較大的像素點(diǎn)。噪聲的處理就是將其更改為臨近像素點(diǎn)的近似值，使圖像更平滑。

圖像平滑處理的噪聲取值的方式有以下6種：

（1）均值濾波

（2）方框?yàn)V波

（3）高斯濾波

（4）中值濾波

（5）雙邊濾波

（6）2D卷積（自定義濾波）

均值濾波

均值濾波是指用當(dāng)前像素點(diǎn)周圍N*N個(gè)像素點(diǎn)的均值來(lái)代替當(dāng)前像素值。使用該方法遍歷處理圖像內(nèi)的每一個(gè)像素點(diǎn)，即可完成整幅圖像的均值濾波。

在進(jìn)行均值濾波處理時(shí)，我們需要考慮對(duì)周圍多少個(gè)像素點(diǎn)取平均值。通常情況下，我們會(huì)以當(dāng)前像素點(diǎn)為中心，對(duì)行數(shù)和列數(shù)相等的一塊區(qū)域內(nèi)的所有像素點(diǎn)取平均值。

但是邊緣像素點(diǎn)可能不能這樣做，畢竟比如左上角的像素點(diǎn)是沒有左上像素點(diǎn)的，這個(gè)時(shí)候我們常常會(huì)取圖像內(nèi)存在的周圍鄰域點(diǎn)的平均值。

在OpenCV中，它給我們提供的均值濾波函數(shù)為cv2.blur()，其完整定義如下：

def blur(src, ksize, dst=None, anchor=None, borderType=None): 

src：原始圖像

kszie：濾波中心的大小，也就是取平均值的周圍像素點(diǎn)的高度與寬度，比如（5,5），就是取5*5鄰域像素點(diǎn)均值作為結(jié)果。

anchor：錨點(diǎn)，其默認(rèn)值為（-1，1），表示當(dāng)前計(jì)算均值的點(diǎn)位于核的中心點(diǎn)位置。一般使用默認(rèn)值即可。

borderType：邊界樣式，該值決定了以何種方式處理邊界，一般情況下不需要更改。

了解了該函數(shù)的定義，下面我們簡(jiǎn)單的來(lái)完成一個(gè)去噪圖像，具體代碼如下所示：

import cv2

img = cv2.imread("5.jpg")
result_5img = cv2.blur(img, (5, 5))
result_30img= cv2.blur(img, (30, 30))
cv2.imshow("img", img)
cv2.imshow("result_5img", result_5img)
cv2.imshow("result_30img", result_30img)
cv2.waitKey()
cv2.destroyAllWindows()

運(yùn)行之后，效果如下所示：

從上圖可以看出來(lái)，使用（5，5）卷積進(jìn)行均值濾波處理后圖像雖然模糊，但還可以辨認(rèn)。而使用（30，30）卷積進(jìn)行均值濾波，圖像失真非常嚴(yán)重。

所以，我們可以得出來(lái)，卷積核越大，去噪效果越好，花費(fèi)的時(shí)間越長(zhǎng)，同時(shí)圖像失真也越嚴(yán)重。而實(shí)際的處理中，我們需要在失真與去噪之間取得平衡，選取合適的卷積大小。

方框?yàn)V波

方框?yàn)V波與均值濾波的不同之處在于，方框?yàn)V波不會(huì)計(jì)算像素均值，它可以自由選擇是否對(duì)均值濾波的結(jié)果進(jìn)行歸一化，即可以自由選擇濾波結(jié)果是鄰域像素值之和的平均值，還是鄰域像素值之和。

在OpenCV中，它提供cv2.boxFilter()函數(shù)來(lái)實(shí)現(xiàn)方框?yàn)V波，其完整定義如下：

def boxFilter(src, ddepth, ksize, dst=None, anchor=None, normalize=None, borderType=None): 

src：原始圖像

ddepth：處理結(jié)果圖像的圖像深度，一般使用-1表示與原圖像使用相同的圖像深度

ksize：濾波核心的大小

normalize：是否在濾波時(shí)進(jìn)行歸一化處理。當(dāng)它為1時(shí)，表示要進(jìn)行歸一化處理，也就是鄰域像素值的和除以面積，比如（3，3），公式如下：

當(dāng)它為0時(shí)，表示不需要進(jìn)行歸一化處理，直接使用鄰域像素值的和。

下面，我們來(lái)用程序分別實(shí)現(xiàn)歸一化與不歸一化的效果，代碼如下：

import cv2

img = cv2.imread("5.jpg")
result1 = cv2.boxFilter(img, -1, (5, 5))
result2 = cv2.boxFilter(img, -1, (30, 30))
result3 = cv2.boxFilter(img, -1, (2, 2),normalize=0)
cv2.imshow("img", img)
cv2.imshow("result1", result1)
cv2.imshow("result2", result2)
cv2.imshow("result3", result3)
cv2.waitKey()
cv2.destroyAllWindows()

運(yùn)行之后，顯示的效果如下所示：

可以看到，左下角不需要?dú)w一化處理，這里只?。?，2），如果你取大了，可以試試。因?yàn)榉秶罅?，和一般都?huì)大于255，那么就會(huì)造成圖像全是白色。

高斯濾波

在進(jìn)行均值濾波與方框?yàn)V波時(shí)，其鄰域內(nèi)每個(gè)像素的權(quán)重是相等的。而高斯濾波會(huì)將中心點(diǎn)的權(quán)重加大，遠(yuǎn)離中心點(diǎn)的權(quán)重減小，以此來(lái)計(jì)算鄰域內(nèi)各個(gè)像素值不同權(quán)重的和。

在OpenCV中，它給我們提供cv2.GaussianBlur()函數(shù)進(jìn)行高斯濾波，其完整定義如下：

def GaussianBlur(src, ksize, sigmaX, dst=None, sigmaY=None, borderType=None):

src：原始圖像

ksize：濾波核的大小

sigmaX：卷積和在水平方向上（X軸方向）的標(biāo)準(zhǔn)差，其控制的是權(quán)重比例

sigmaY：卷積和在垂直方向上（Y軸方向）的標(biāo)準(zhǔn)差，也是控制的是權(quán)重比例。如果它為0，只采用sigmaX的值，如果sigmaX與sigmaY都是0，則通過(guò)ksize.width和ksize.height計(jì)算得到（可選參數(shù)）

下面，我們來(lái)使用高斯濾波看看效果，代碼如下所示：

import cv2

img = cv2.imread("5.jpg")
result = cv2.GaussianBlur(img, (3, 3), 0, 0)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()

運(yùn)行之后，效果如下所示：

中值濾波

中值濾波與前面的三種濾波都不同，它不在采用加權(quán)求均值的方式計(jì)算濾波結(jié)果，而是用鄰域內(nèi)所有像素值的中間值來(lái)代替當(dāng)前像素點(diǎn)的像素值。

簡(jiǎn)單點(diǎn)說(shuō)，就是取當(dāng)前像素點(diǎn)及其周圍臨近像素點(diǎn)的像素值，將這些值進(jìn)行排序后，取中間位置的像素值作為當(dāng)前位置的像素值。

在OpenCV中，它提供給我們cv2.medianBlur()函數(shù)來(lái)進(jìn)行中值濾波，其完整定義如下：

def medianBlur(src, ksize, dst=None): 

src：原始圖像

kszie：濾波核的大小

參數(shù)就兩個(gè)，下面我們來(lái)用代碼測(cè)試一下：

import cv2

img = cv2.imread("5.jpg")
result = cv2.medianBlur(img, 3)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()

運(yùn)行之后，顯示效果如下：

可以看到，這里我們將臉上的紅點(diǎn)去掉了。需要特別注意的是，濾波核的大小必須是奇數(shù)，矩陣中心點(diǎn)向外衍生必然是奇數(shù)，不信可以隨便矩陣取一點(diǎn)試試。

雙邊濾波

雙邊濾波是綜合考慮空間信息和色彩信息的濾波方式，在濾波的過(guò)程中能夠有效地保護(hù)圖像內(nèi)的邊緣信息。

前面濾波方式基本只考慮了空間的權(quán)重信息，這種情況計(jì)算起來(lái)比較方便，但是邊緣信息的處理上存在較大問(wèn)題。而雙邊濾波在處理邊緣時(shí)，與當(dāng)前點(diǎn)色彩相近的像素點(diǎn)給與較大的權(quán)重值，而與當(dāng)前像素點(diǎn)色彩差別大的會(huì)給較小的權(quán)重，這樣就保護(hù)了邊緣信息。

簡(jiǎn)單點(diǎn)概括，雙邊濾波在計(jì)算某一個(gè)像素點(diǎn)的新值時(shí)，不僅考慮距離信息，還考慮色彩信息。雙邊濾波即能有效地去除噪聲，又能很好地保護(hù)邊緣信息。

在OpenCV中，它給我們提供cv2.bilateralFilter()函數(shù)來(lái)實(shí)現(xiàn)，其完整定義如下：

def bilateralFilter(src, d, sigmaColor, sigmaSpace, dst=None, borderType=None):

src：原始圖像

d：在濾波時(shí)選取的空間距離參數(shù)，這里表示以當(dāng)前像素點(diǎn)為中心點(diǎn)的直徑。如果該值為非正數(shù)，則會(huì)從參數(shù)sigmaSpace計(jì)算得到。如果濾波空間較大，比如d>5，則速度較慢。因此，在實(shí)際的應(yīng)用中，推薦d=5。對(duì)于噪聲較大的離線濾波，可以選擇d=9。

sigmaColor：在濾波處理時(shí)，選擇的顏色范圍，該值決定了周圍哪些像素點(diǎn)能夠參與到濾波中來(lái)。與當(dāng)前像素點(diǎn)的像素值差值小于sigmaColor的像素點(diǎn)，能夠參與到當(dāng)前的濾波中。該值越大，就說(shuō)明周圍有越多的像素點(diǎn)可以參與到運(yùn)算中。該值為0時(shí)，濾波失去意義；該值為255，指定直徑內(nèi)的所有點(diǎn)都能夠參與運(yùn)算。

sigmaSpace：坐標(biāo)空間中的sigma值。它的值越大，說(shuō)明有越多的點(diǎn)能夠參與到濾波計(jì)算中來(lái)。當(dāng)d>0時(shí)，無(wú)論sigmaSpace的值如何，d都指定鄰域大??；否則，d域sigmaSpace的值成比例。

為了簡(jiǎn)單起見，博主這里將兩個(gè)sigmaColor與sigmaSpace值設(shè)置為相同的。如果它們的值比較小，比如小于10，濾波的效果不太明顯；如果它們的值較大，比如大于150，則濾波效果會(huì)比較明顯。

代碼如下所示：

import cv2

img = cv2.imread("5.jpg")
result = cv2.bilateralFilter(img,25,50,50)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()

運(yùn)行之后，顯示效果如下所示：

2D卷積

在OpenCV中，除了提供上面這些常用的濾波方式之外，還允許用戶自定義卷積核實(shí)現(xiàn)卷積操作。這個(gè)函數(shù)是cv2.Filter2D()，其完整定義如下：

def filter2D(src, ddepth, kernel, dst=None, anchor=None, delta=None, borderType=None): 

src：原始圖像

ddepth：處理結(jié)果圖像的深度，-1與原圖像一致。

kernel：卷積核，是一個(gè)單通道數(shù)組。如果想在處理彩色圖像時(shí)，讓每個(gè)通道使用不同的核，則必須將彩色圖像分解后使用不同的核完成。

delta：修正值，可選參數(shù)。如果該值存在，會(huì)在基礎(chǔ)濾波的結(jié)果上加上該值作為最終的濾波結(jié)果。

下面，我們來(lái)使用這個(gè)函數(shù)看看效果，具體代碼如下所示：

import cv2
import numpy as np

img = cv2.imread("5.jpg")
kernel = np.ones((9,9), np.float32) / 81
result = cv2.filter2D(img, -1, kernel)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()

運(yùn)行之后，效果如下所示：

到此這篇關(guān)于OpenCV-Python實(shí)現(xiàn)圖像平滑處理操作的文章就介紹到這了,更多相關(guān)OpenCV 圖像平滑處理內(nèi)容請(qǐng)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(píng)論