opencv-python教程学习系列13-图像平滑

前言

opencv-python教程学习系列记录学习python-opencv过程的点滴，本文主要介绍图像平滑，坚持学习，共同进步。

系列教程参照OpenCV-Python中文教程；

系统环境

系统：win7_x64;

python版本：python3.5.2；

opencv版本：opencv3.3.1；

内容安排

1.知识点介绍；

2.测试代码；

具体内容

1.知识点介绍；

本文主要基于cv2包介绍几种常见的平滑滤波方法，比如2D卷积、均值滤波、高斯模糊、中值滤波、双边滤波。

对于图像的平滑与滤波，但从滤波角度来讲，一般主要目的都是为了实现对图像噪声的消除，增强图像的效果。图像的滤波可以看成是滤波模板与原始图像对应部分的的卷积运算。

1.1 2D卷积；

对于2D图像可以进行低通或者高通滤波操作，低通滤波（LPF）有利于去噪，模糊图像，高通滤波（HPF）有利于找到图像边界。

Opencv提供的一个通用的2D滤波函数为cv2.filter2D()，滤波函数的使用需要一个核模板，对图像的滤波操作过程为：将核模板放在图像的某个像素上，求与之对应的图像上的每个像素点的和，核不同，得到的结果不同，而滤波的使用核心也是对于这个核模板的使用，需要注意的是，该滤波函数是单通道运算的，也就是说对于彩色图像的滤波，需要将彩色图像的各个通道提取出来，对各个通道分别滤波才行。

1 2	`kernel` `=` `np.ones((5,5),np.float32)/25` `dst` `=` `cv2.filter2D(img,-1,kernel)`

1.2 均值滤波；

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cv2.blur()和cv2.boxFilter()来实现，我们需要设定卷积框的宽和高。同样是一个矩阵。

blur = cv2.blur(img,(5,5))

1.3 高斯模糊

高斯模糊即是将卷积核换成高斯核，核区域中的数值符合高斯分布，实现的函数是cv2.GaussianBlur()，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。高斯滤波可以有效的从图像中去除高斯噪音，也可以使用cv2.getGaussianKernel()自己构建一个高斯核。

# 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)

1.4 中值滤波；

中值滤波是使用区域的中值来代替中心像素的值，用来去除椒盐噪声，卷积核的大小是奇数。

blur = cv2.medianBlur(img,5)

1.5 双边滤波；

双边滤波函数为cv2.bilateralFilter()。该滤波器可以在保证边界清晰的情况下有效的去掉噪声即保边去噪。它的构造比较复杂，既考虑了图像的空间关系，也考虑图像的灰度关系。双边滤波同时使用了空间高斯权重和灰度相似性高斯权重，确保了边界不会被模糊掉。具体原理可参考女神博客here。

#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)

2. 测试代码；

import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread('test.jpg',0) #直接读为灰度图像
for i in range(2000): #添加点噪声
    temp_x = np.random.randint(0,img.shape[0])
    temp_y = np.random.randint(0,img.shape[1])
    img[temp_x][temp_y] = 255

#9---滤波领域直径
#后面两个数字：空间高斯函数标准差，灰度值相似性标准差
blur = cv2.bilateralFilter(img,9,75,75)
plt.subplot(1,2,1),plt.imshow(img,'gray')#默认彩色，另一种彩色bgr
plt.subplot(1,2,2),plt.imshow(blur,'gray')