背景

圖像濾波的作用簡單來說就是將一副圖像通過濾波器得到另一幅圖像；明確一個概念，濾波器又被稱為卷積核，濾波的過程又被稱為卷積；實際上深度學(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，也有一些常見的濾波器，本篇主要介紹這些常見的濾波器；

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，同時計算量也越大；

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

計算公式：

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：擴充尺寸
• S：步長大小

二、卷積實戰(zhàn)

首先介紹兩個簡單的濾波：低通濾波與高通濾波；

低通濾波：低于閾值的可通過，去除噪音或平滑圖像；

高通濾波：高于閾值的可 通過，用于邊緣檢測；

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)

這是一個平均卷積，起到一個降噪的作用，但效果并不明顯；

三、均值濾波

首先介紹一個方盒濾波，實際上就是全為1的卷積核乘以權(quán)重a；

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

說明：當(dāng)normalize為True時，乘以1/W*H，也就是均值濾波，所以一般不用這個濾波函數(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?。?/p>

函數(shù)原型：

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

說明：對效果有影響的參數(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)不錯的；

六、雙邊濾波

作用：可以保留邊緣，同時對邊緣內(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，接下來介紹高通濾波，最主要作用是檢測邊緣；

實現(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，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)點是能檢測到不明顯的邊緣，當(dāng)Sobel的ksize設(shè)置為-1時等同；

九、拉普拉斯算子

優(yōu)點：可同時求得兩個方向的邊緣；

缺點：對噪音比較敏感，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步驟更加簡單，并且效果也比較好，缺點就是如果噪聲過多的話效果會比較差；

十、Canny算法

實現(xiàn)步驟：

1、使用5x5高斯濾波消除噪音；

2、使用Sobel計算圖像梯度的方向（0°、45°、90°、135°）；

3、取局部極大值；

4、閾值計算；

函數(shù)原型：

Canny（img，minVal，maxVal，…）

其中的minVal和maxVal代表邊緣的閾值，兩者差值過大的話會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圖像濾波的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論