图像平滑

1、2D卷积

LPF：低通滤波，去除噪音，模糊图像

HPF：高通滤波，帮助我们找到图像的边缘

cv.filter2D()可以对图像进行卷积操作。

操作如下：将核放在图像的一个像素 A 上，求与核对应的图像上 25（5x5）

个像素的和，在取平均数，用这个平均数替代像素 A 的值。重复以上操作直到

将图像的每一个像素值都更新一边。代码如下，运行一下吧。 

 

import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('opencv_logo.png')
kernel = np.ones((5,5),np.float32)/25
#cv.Filter2D(src, dst, kernel, anchor=(-1, -1))
#ddepth –desired depth of the destination image;
#if it is negative, it will be the same as src.depth();
#the following combinations of src.depth() and ddepth are supported:
#src.depth() = CV_8U, ddepth = -1/CV_16S/CV_32F/CV_64F
#src.depth() = CV_16U/CV_16S, ddepth = -1/CV_32F/CV_64F
#src.depth() = CV_32F, ddepth = -1/CV_32F/CV_64F
#src.depth() = CV_64F, ddepth = -1/CV_64F
#when ddepth=-1, the output image will have the same depth as the source.
dst = cv2.filter2D(img,-1,kernel)
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(dst),plt.title('Averaging')
plt.xticks([]), plt.yticks([])
plt.show()

 

 

 

2、使用低通滤波器可以达到图像模糊的目的。这对与去除噪音很有帮助。其

实就是去除图像中的高频成分（比如：噪音，边界）。所以边界也会被模糊一

点。（当然，也有一些模糊技术不会模糊掉边界）。OpenCV 提供了四种模糊技

术：平均、高斯模糊、中值模糊、双边滤波

 

平均：这是由一个归一化卷积框完成的。他只是用卷积框覆盖区域所有像素的平

均值来代替中心元素。可以使用函数 cv2.blur() 和 cv2.boxFilter() 来完

这个任务。

import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('opencv_logo.png')
blur = cv2.blur(img,(5,5))
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(blur),plt.title('Blurred')
plt.xticks([]), plt.yticks([])
plt.show()

高斯模糊：

现在把卷积核换成高斯核（简单来说，方框不变，将原来每个方框的值是

相等的，现在里面的值是符合高斯分布的，方框中心的值最大，其余方框根据

距离中心元素的距离递减，构成一个高斯小山包。原来的求平均数现在变成求

加权平均数，全就是方框里的值）。实现的函数是 cv2.GaussianBlur()。我

们需要指定高斯核的宽和高（必须是奇数）。以及高斯函数沿 X，Y 方向的标准

差。如果我们只指定了 X 方向的的标准差，Y 方向也会取相同值。如果两个标

准差都是 0，那么函数会根据核函数的大小自己计算。高斯滤波可以有效的从

图像中去除高斯噪音。

如果你愿意的话，你也可以使用函数 cv2.getGaussianKernel() 自己

构建一个高斯核。

如果要使用高斯模糊的话，上边的代码应该写成： 

#0 是指根据窗口大小（5,5）来计算高斯函数标准差
blur = cv2.GaussianBlur(img,(5,5),0)

中值模糊：

顾名思义就是用与卷积框对应像素的中值来替代中心像素的值。这个滤波

器经常用来去除椒盐噪声。前面的滤波器都是用计算得到的一个新值来取代中

心像素的值，而中值滤波是用中心像素周围（也可以使他本身）的值来取代他。

他能有效的去除噪声。卷积核的大小也应该是一个奇数。

在这个例子中，我们给原始图像加上 50% 的噪声然后再使用中值模糊。 

median = cv2.medianBlur(img,5) 

 

双边滤波：

函数 cv2.bilateralFilter() 能在保持边界清晰的情况下有效的去除噪

音。但是这种操作与其他滤波器相比会比较慢。我们已经知道高斯滤波器是求

中心点邻近区域像素的高斯加权平均值。这种高斯滤波器只考虑像素之间的空

间关系，而不会考虑像素值之间的关系（像素的相似度）。所以这种方法不会考

虑一个像素是否位于边界。因此边界也会别模糊掉，而这正不是我们想要。

双边滤波在同时使用空间高斯权重和灰度值相似性高斯权重。空间高斯函

数确保只有邻近区域的像素对中心点有影响，灰度值相似性高斯函数确保只有

与中心像素灰度值相近的才会被用来做模糊运算。所以这种方法会确保边界不

会被模糊掉，因为边界处的灰度值变化比较大。

#cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace)
#d – Diameter of each pixel neighborhood that is used during filtering.
# If it is non-positive, it is computed from sigmaSpace
#9 邻域直径，两个 75 分别是空间高斯函数标准差，灰度值相似性高斯函数标准差
blur = cv2.bilateralFilter(img,9,75,75)