背景

圖像濾波的作用簡(jiǎn)單來(lái)說(shuō)就是將一副圖像通過(guò)濾波器得到另一幅圖像；明確一個(gè)概念，濾波器又被稱為卷積核，濾波的過(guò)程又被稱為卷積；實(shí)際上深度學(xué)習(xí)就是訓(xùn)練許多適應(yīng)任務(wù)的濾波器，本質(zhì)上就是得到最佳的參數(shù)；當(dāng)然在深度學(xué)習(xí)之前，也有一些常見(jiàn)的濾波器，本篇主要介紹這些常見(jiàn)的濾波器；

一、卷積相關(guān)概念

卷積核大小一般為奇數(shù)的原因：

1、增加padding的原因；

2、保證錨點(diǎn)在中間，防止位置發(fā)生偏移；

卷積核大小的影響：卷積核越大，感受野越大，提取的特征越好，同時(shí)計(jì)算量也越大；

邊界擴(kuò)充（padding）作用：使得輸出數(shù)據(jù)的尺寸與輸入相等；

計(jì)算公式：

N = （W - F + 2P）/ S + 1

• N：輸出圖像大小
• W：原圖大小
• F：卷積核大小
• P：擴(kuò)充尺寸
• S：步長(zhǎng)大小

二、卷積實(shí)戰(zhàn)

首先介紹兩個(gè)簡(jiǎn)單的濾波：低通濾波與高通濾波；

低通濾波：低于閾值的可通過(guò)，去除噪音或平滑圖像；

高通濾波：高于閾值的可 通過(guò)，用于邊緣檢測(cè)；

函數(shù)原型：

filter2D（src，ddepth，kernel，[anchor，delta，borderType]）

ddepth：位深，一般設(shè)定為-1；

代碼案例：

kernel = np.ones((5, 5), np.float32) / 25
result = cv2.filter2D(img, -1, kernel)

這是一個(gè)平均卷積，起到一個(gè)降噪的作用，但效果并不明顯；

三、均值濾波

首先介紹一個(gè)方盒濾波，實(shí)際上就是全為1的卷積核乘以權(quán)重a；

函數(shù)原型：boxFilter（src，ddepth，ksize，anchor，normalize，borderType）

說(shuō)明：當(dāng)normalize為T(mén)rue時(shí)，乘以1/W*H，也就是均值濾波，所以一般不用這個(gè)濾波函數(shù)；

均值濾波函數(shù)原型：blur（src，ksize，[anchor，borderType]）

注意：一般均值濾波就是使用這個(gè)API；

代碼案例：

result = cv2.blur(img, 5)

四、高斯濾波

原理：越靠近中心，權(quán)重越大，離中心越遠(yuǎn)，權(quán)重越小；

函數(shù)原型：

GaussianBlur（img，kernel，sigmaX，[sigmaY，…]）

說(shuō)明：對(duì)效果有影響的參數(shù)為kernel和sigmaX，這兩者越大圖像平滑（模糊）的效果會(huì)越明顯；

代碼案例：

gauss = cv2.imread('gaussian.png')
result = cv2.GaussianBlur(gauss, (5, 5), 5)
cv2.imshow('org', gauss)
cv2.imshow('result', result)
cv2.waitKey(0)

從圖中可看出，處理后高斯噪點(diǎn)減少了，但整體圖像也變模糊了；

五、中值濾波

本質(zhì)：取中間值作為卷積結(jié)果；

作用：對(duì)胡椒噪音有很好的處理效果；

函數(shù)原型：

medianBlur（img，ksize）

代碼案例：

img = cv2.imread('papper.png')
result = cv2.medianBlur(img, 5)
cv2.imshow('org', img)
cv2.imshow('result', result)
cv2.waitKey(0)

從上圖可以看出，效果是相當(dāng)不錯(cuò)的；

六、雙邊濾波

作用：可以保留邊緣，同時(shí)對(duì)邊緣內(nèi)的區(qū)域進(jìn)行平滑處理；（主要進(jìn)行美顏）

函數(shù)原型：

bilateralFilter（img，d，sigmaColor，sigmaSpace）

案例代碼：

img = cv2.imread('1.jpg')
result = cv2.bilateralFilter(img, 9, 50, 50)
cv2.imshow('org', img)
cv2.imshow('result', result)
cv2.waitKey(0)

從圖中可以看出，美顏效果是比較明顯的，并且對(duì)于邊緣輪廓也處于能接受范圍；

七、Sobel算子

上述介紹的幾種濾波均為低通濾波，接下來(lái)介紹高通濾波，最主要作用是檢測(cè)邊緣；

實(shí)現(xiàn)步驟：

x軸方向求導(dǎo) —— y軸方向求導(dǎo) —— 最終結(jié)果為二者相加

函數(shù)原型：

Sobel（src，ddepth，dx，dy，ksize=3，…）

代碼案例：

chess = cv2.imread('chess.png')
# 求y方向邊緣
dy = cv2.Sobel(chess, cv2.CV_64F, 1, 0, ksize=5)
# 求x方向邊緣
dx = cv2.Sobel(chess, cv2.CV_64F, 0, 1, ksize=5)
# 二者相加
result = dy + dx

cv2.imshow('chess', chess)
cv2.imshow('dy', dy)
cv2.imshow('dx', dx)
cv2.imshow('result', result)
cv2.waitKey(0)

從上圖可以明顯看出，當(dāng)dx設(shè)置為1時(shí)，求得y方向上的邊緣信息，反之也是，最終二者相加的結(jié)果也就是Sobel算子的結(jié)果。不能一開(kāi)始就設(shè)定dx，dy為1，這樣子不能達(dá)到該效果；

八、Scharr算子

定義：與Sobel類似，但使用的kernel值不同，并且只能為3x3，只能求x方向或y方向一個(gè)方向的邊緣信息；

函數(shù)原型：

Scharr（src，ddepth，dx，dy）

在這里就不演示了，該算子不常用，主要優(yōu)點(diǎn)是能檢測(cè)到不明顯的邊緣，當(dāng)Sobel的ksize設(shè)置為-1時(shí)等同；

九、拉普拉斯算子

優(yōu)點(diǎn)：可同時(shí)求得兩個(gè)方向的邊緣；

缺點(diǎn)：對(duì)噪音比較敏感，一般需要先進(jìn)行去噪在調(diào)用拉普拉斯算子；

函數(shù)原型：

Laplacian（img，ddepth，ksize=1）

代碼案例：

chess = cv2.imread('chess.png')
result = cv2.Laplacian(chess, cv2.CV_64F, ksize=5)

cv2.imshow('chess', chess)
cv2.imshow('result', result)
cv2.waitKey(0)

從效果上看，比起Sobel步驟更加簡(jiǎn)單，并且效果也比較好，缺點(diǎn)就是如果噪聲過(guò)多的話效果會(huì)比較差；

十、Canny算法

實(shí)現(xiàn)步驟：

1、使用5x5高斯濾波消除噪音；

2、使用Sobel計(jì)算圖像梯度的方向（0°、45°、90°、135°）；

3、取局部極大值；

4、閾值計(jì)算；

函數(shù)原型：

Canny（img，minVal，maxVal，…）

其中的minVal和maxVal代表邊緣的閾值，兩者差值過(guò)大的話會(huì)損失一定的邊緣信息；

代碼案例：

img = cv2.imread('1.jpg')
result = cv2.Canny(img, 100, 200)

cv2.imshow('org', img)
cv2.imshow('result', result)
cv2.waitKey(0)

以上就是Python OpenCV學(xué)習(xí)之圖像濾波詳解的詳細(xì)內(nèi)容，更多關(guān)于Python OpenCV圖像濾波的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

最新評(píng)論