快捷導(dǎo)航

OpenCV實(shí)現(xiàn)圖像濾波之雙邊濾波

更新時間：2021年10月11日 16:27:45 作者：Sam Chou

這篇文章主要為大家詳細(xì)介紹了OpenCV實(shí)現(xiàn)圖像濾波之雙邊濾波，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價值，感興趣的小伙伴們可以參考一下

本文實(shí)例為大家分享了opencv實(shí)現(xiàn)雙邊濾波的具體代碼，供大家參考，具體內(nèi)容如下

1、2D卷積

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
 
 
"""
使用自定義卷積核進(jìn)行圖像2D卷積操作
    函數(shù)原型：
        filter2D(src, ddepth, kernel[, dst[, anchor[, delta[, borderType]]]]) -> dst
        函數(shù)返回值：dst：2d卷積操作后的結(jié)果
        函數(shù)解析：
            ddepth：指定輸出圖像深度，-1表示與src深度保持一致
            kernel：卷積內(nèi)核大小, 需大于零，可以不同，如核大小（4，5）
            anchor:錨點(diǎn);默認(rèn)值Point（-1，-1）表示錨位于內(nèi)核中央
            delta：在將它們存儲在dst中之前，將delta可選值添加到已過濾的像素中，默認(rèn)為None
            borderType:邊框模式用于圖像外部的像素， 默認(rèn)邊緣像素拷貝
"""
 
import cv2 as cv
import numpy as np
 
img = cv.imread('./test.png')
 
# 自定義的一些卷積核
kernel = np.ones((5, 5), np.float32) / 25
 
kernel_user_1 = np.array([[0, 0, 1, 0, 0],
                          [0, 0, 1, 0, 0],
                          [1, 1, 1, 1, 1],
                          [0, 0, 1, 0, 0],
                          [0, 0, 1, 0, 0]]) / 9
 
kernel_user_2 = np.array([[1, 0, 0, 0, 1],
                          [0, 1, 0, 1, 0],
                          [0, 0, 1, 0, 0],
                          [0, 1, 0, 1, 0],
                          [1, 0, 0, 0, 1]]) / 9
 
kernel_user_3 = np.array([[0, 0, 0, 0, 0],
                          [0, 1, 1, 1, 0],
                          [0, 1, 1, 1, 0],
                          [0, 1, 1, 1, 0],
                          [0, 0, 0, 0, 0]]) / 9
 
kernel_user_4 = np.array([[1, 1, 1, 1, 1],
                          [1, 0, 0, 0, 1],
                          [1, 0, 0, 0, 1],
                          [1, 0, 0, 0, 1],
                          [1, 1, 1, 1, 1]]) / 16
 
dst = cv.filter2D(img, -1, kernel)
dst1 = cv.filter2D(img, -1, kernel_user_1)
dst2 = cv.filter2D(img, -1, kernel_user_2)
dst3 = cv.filter2D(img, -1, kernel_user_3)
dst4 = cv.filter2D(img, -1, kernel_user_4)
 
h1 = np.hstack((img, dst, dst1))
h2 = np.hstack((dst2, dst3, dst4))
cv.imshow('show', np.vstack((h1, h2)))
 
cv.waitKey(0)
cv.destroyAllWindows()
 
# 理解提高
small = np.array(range(10, 55, 5), np.uint8).reshape(3, -1)
print(small)
print('*' * 60)
 
small_filter = cv.filter2D(small, -1, (np.ones((3, 3), np.float32) / (3 * 3)))
print(small_filter)

2、雙邊濾波

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
 
 
"""
    雙邊濾波器可以很好的保存圖像邊緣細(xì)節(jié)并濾除掉低頻分量的噪音，
    但是雙邊濾波器的效率不是太高，花費(fèi)的時間相較于其他濾波器而言也比較長。
    函數(shù)原型：
        bilateralFilter(src, d, sigmaColor, sigmaSpace[, dst[, borderType]]) -> dst
        重點(diǎn)參數(shù)解析：
            d：表示在過濾過程中每個像素鄰域的直徑范圍。如果該值是非正數(shù)，則將由sigmaSpace計算
            sigmaColor：顏色空間過濾器的sigma值，值越大表示有越寬廣的顏色混合到一起
            sigmaSpace: 坐標(biāo)空間中濾波器的sigma值，如果該值較大，則意味著越遠(yuǎn)的像素將相互影響
            borderType:邊框模式用于圖像外部的像素， 默認(rèn)邊緣像素拷貝
"""
 
import cv2 as cv
import numpy as np
 
# img_path = './images/Fig4.11(a).jpg'
# img_path = './images/Fig5.08(b).jpg'
# img_path = './images/Fig0519(a)(florida_satellite_original).tif'
img_path = 'noisy2.png'
 
img = cv.imread(img_path)
 
 
def nothing(x):
    pass
 
 
cv.namedWindow('image')
 
# 創(chuàng)建滑動條
cv.createTrackbar('d', 'image', 0, 100, nothing)
cv.createTrackbar('sigmaColor', 'image', 0, 200, nothing)
cv.createTrackbar('sigmaSpace', 'image', 0, 200, nothing)
 
cv.imshow('img', img)
cv.imshow('image', img)
 
while True:
    k = cv.waitKey(25) & 0XFF
    if chr(k) == 'q':
        break
    if chr(k) == 'k':
        d = cv.getTrackbarPos('d', 'image')
        sigmaColor = cv.getTrackbarPos('sigmaColor', 'image')
        sigmaSpace = cv.getTrackbarPos('sigmaSpace', 'image')
        b_filter = cv.bilateralFilter(img, d, sigmaColor, sigmaSpace)
        ret, thresh = cv.threshold(b_filter, 127, 255, cv.THRESH_BINARY)
        sava_name = ''.join(('outputs/', 'b_filter', str(d), '_', str(sigmaColor), '_', str(sigmaColor)))
        cv.imshow('image', np.hstack((b_filter, thresh)))
        cv.imwrite(sava_name + '.jpg', b_filter)
        cv.imwrite(sava_name + '_thr.jpg', thresh)
 
cv.destroyAllWindows()