基于Python的Opencv学习

Bertha 。 2023-02-15 01:18 21阅读 0赞

## 基于Python的Opencv学习第七天 ##

各位小伙伴，大家好。今天我们一起来学习一下对**图像平滑处理**的相关内容，一起来看一下吧！

## 一.均值滤波 ##

对任意一点的像素值进行均值滤波，意思是选取周围N\*N个像素值的均值。![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjE3NDIwMg_size_16_color_FFFFFF_t_70_pic_center]  
例如：红色点的像素值=蓝色背景区域像素值之和（这个和含红色值）除以25（即25个不同的值相加除以25后的值赋给红色区域）

红色点的像素新值=（（197+25+106+156+159）+（149+40+107+5+71）+（163+198+226+223+156）+（222+37+68+193+157）+（42+72+250+41+75））/25

这里选取的N行，N列在我们opencv中被称作核，将是我们需要调用opencv函数里面的重要参数。

在opencv中进行均值滤波需要调用blur（）函数，来看看具体语法：  
**处理结果=cv2.blur（原始图像，核大小）**

这里参数很简单，一个是需要处理的原始图像  
一个是我们自定义的**核大小：以（宽度，高度）形式表示的元组**![在这里插入图片描述][20200604083153271.png_pic_center]

来看示例代码和结果：

>>> import cv2
    >>> a=cv2.imread(r"C:\Users\LT010407\Desktop\2.jpg")
    >>> b=cv2.blur(a,(5,5))
    >>> cv2.imshow("a",a)
    >>> cv2.imshow("b",b)
    >>>

**这里采取（5，5）就是对每一个点选取周围5\*5个区域进行均值滤波处理，当此处选取的区域越大，图像就会更加模糊，如果选取为（1，1）就会发现图像和原图像相同，没有进行滤波**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjE3NDIwMg_size_16_color_FFFFFF_t_70_pic_center 1]  
这里我们可以看到b图像更加平滑（这里可能看上去有点模糊处理的感觉，而且似乎看不出来平滑，但是如果对图像进行椒盐噪声攻击就能看得很清楚）  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjE3NDIwMg_size_16_color_FFFFFF_t_70_pic_center 2]

## 二.方框滤波 ##

在方块滤波时，我们需要调用boxFilter（）函数，具体语法如下：  
**处理结果=cv2.boxFilter（原始图像，目标深度图像，核大小，normalize属性）**

来看具体参数：  
原始图像：即我们需要处理的图像  
目标深度大小：int类型的目标图像深度。通常使用“-1”表示与原始图像一致  
核大小：与均值滤波介绍的相同，可参考均值滤波部分

normalize属性：是否对目标图像进行归一化处理  
**normalize=1（或者该参数不填）：对目标图像进行归一化处理，其结果和均值滤波相同（即进行归一化处理就等同于均值滤波）  
normalize=0：不进行归一化处理**

这里介绍一下归一化处理：  
如果进行归一化处理就是所有N*N个像素值加起来之后除以（N*N）

如果不进行归一化处理就是所有N\*N个像素值加起来然后直接赋给待处理那点的像素值，这里很容易发生溢出，因为通常周围几个值加起来肯定大于最大值255，所以如果选取的核大小很大，那么很容易得到一片空白。

首先来看进行归一化处理的代码和结果：

>>> import cv2
    >>> a=cv2.imread(r"C:\Users\LT010407\Desktop\2.jpg")
    >>>> b=cv2.boxFilter(a,-1,(5,5),normalize=1)
    >>> c=cv2.blur(a,(5,5))
    >>> cv2.imshow("b",b)
    >>> cv2.imshow("c",c)
    >>>

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjE3NDIwMg_size_16_color_FFFFFF_t_70_pic_center 3]  
如图，b是进行方块滤波（归一化处理的结果），c是进行均值滤波结果，两者相同作用。

再来看一下不进行归一化处理的代码和结果：

>>> import cv2
    >>> a=cv2.imread(r"C:\Users\LT010407\Desktop\2.jpg")
    >>> d=cv2.boxFilter(a,-1,(5,5),normalize=0)
    >>> cv2.imshow("d",d)
    >>>

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjE3NDIwMg_size_16_color_FFFFFF_t_70_pic_center 4]  
这里由于选取核大小过大，导致这里的d图出现一片白色，已经发生溢出事件。

>>> import cv2
    >>> a=cv2.imread(r"C:\Users\LT010407\Desktop\2.jpg")
    >>>> e=cv2.boxFilter(a,-1,(2,2),normalize=0)
    >>> cv2.imshow("e",e)
    >>>

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjE3NDIwMg_size_16_color_FFFFFF_t_70_pic_center 5]  
这里可以看到选取核大小较小，还能看到一点图像，但是像素点值已经很大，白色很明显。

## 三.高斯滤波 ##

高斯滤波**即让临近的像素具有更高的重要度，对周围像素计算加权平均值，较近的像素具有较大的权重值。**  
这里和均值滤波不同的是，均值滤波是所有值采用*1然后相加除以N*N，相当于每一个值都除以N\*N，但是高斯滤波就是每个值采取不同的比例，靠近待处理像素值的点的权重高，远离的则权重低，但是所有的和加起来等于“1”。

如下图可以看出，选取核大小为3\*3，则权重可以如下选取。

![在这里插入图片描述][20200604091856575.png_pic_center]

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjE3NDIwMg_size_16_color_FFFFFF_t_70_pic_center 6]  
这幅图更能够容易理解高斯滤波算法

在opencv中我们需要调用GaussianBlur（）函数，来看具体语法：  
**dst=cv2.GaussianBlur(src,ksize,sigmaX)**

src：原始图像  
**ksize：核大小（N，N）必须是奇数**  
**sigmaX：X方向方差，控制权重**

这里注重解释一下sigmaX，一般情况下我们选择

**sigmaX=0，这时opencv会自动计算出：  
sigmaX=0.3**\*((ksize-1)\***0.5-1)+0.8  
而且Y方向方差等于X方向方差**

import cv2
    a=cv2.imread(r"C:\Users\LT010407\Desktop\2.jpg")
    cv2.imshow("a",a)
    b=cv2.GaussianBlur(a,(3,3),0)
    cv2.imshow("b",b)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjE3NDIwMg_size_16_color_FFFFFF_t_70_pic_center 7]  
这里选取核大小比较小，不容易看出结果，如果选取核大小较大，可以看到图像更加平滑。

## 四.中值滤波 ##

中值滤波顾名思义，就是**让选取的核大小里面的像素值按照大小排列，取排序像素集中位于中间位置的值作为中值滤波后的像素值。**  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjE3NDIwMg_size_16_color_FFFFFF_t_70_pic_center 8]  
这幅图能够非常详细的表达中值滤波的含义。

在opencv中，我们调用medianBlur（）函数，具体语法如下：  
**dst=cv2.medianBlur（src，ksize）**

参数含义为：  
src：需要处理的原图像  
**ksize：选取的核大小，必须是比1大的奇数，如3，5，7等  
以前核大小是元组的形式，这里就是一个数字，如填入3，即核大小为3\*3**

import cv2
    a=cv2.imread(r"C:\Users\LT010407\Desktop\2.jpg")
    cv2.imshow("a",a)
    b=cv2.medianBlur(a,3)
    cv2.imshow("b",b)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjE3NDIwMg_size_16_color_FFFFFF_t_70_pic_center 9]  
这里是代码和结果展示，由于选取核大小较小，所有结果不是特别明显。

今天给小伙伴们讲了一下图像平滑处理的各种滤波算法，都比较简单，在opencv里面就像做填空题一样，但是还是需要了解清楚各个参数的含义，只要清楚了含义，填空就方便多了。今天就到这里，我们下一篇博客见（转载注明出处）。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjE3NDIwMg_size_16_color_FFFFFF_t_70_pic_center]: https://img-blog.csdnimg.cn/20200604082230661.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjE3NDIwMg==,size_16,color_FFFFFF,t_70#pic_center
[20200604083153271.png_pic_center]: https://img-blog.csdnimg.cn/20200604083153271.png#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjE3NDIwMg_size_16_color_FFFFFF_t_70_pic_center 1]: https://img-blog.csdnimg.cn/20200604083434652.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjE3NDIwMg==,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjE3NDIwMg_size_16_color_FFFFFF_t_70_pic_center 2]: https://img-blog.csdnimg.cn/20200604083724604.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjE3NDIwMg==,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjE3NDIwMg_size_16_color_FFFFFF_t_70_pic_center 3]: https://img-blog.csdnimg.cn/20200604090203847.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjE3NDIwMg==,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjE3NDIwMg_size_16_color_FFFFFF_t_70_pic_center 4]: https://img-blog.csdnimg.cn/20200604090423233.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjE3NDIwMg==,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjE3NDIwMg_size_16_color_FFFFFF_t_70_pic_center 5]: https://img-blog.csdnimg.cn/20200604090639714.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjE3NDIwMg==,size_16,color_FFFFFF,t_70#pic_center
[20200604091856575.png_pic_center]: https://img-blog.csdnimg.cn/20200604091856575.png#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjE3NDIwMg_size_16_color_FFFFFF_t_70_pic_center 6]: https://img-blog.csdnimg.cn/20200604095652799.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjE3NDIwMg==,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjE3NDIwMg_size_16_color_FFFFFF_t_70_pic_center 7]: https://img-blog.csdnimg.cn/20200604100728306.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjE3NDIwMg==,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjE3NDIwMg_size_16_color_FFFFFF_t_70_pic_center 8]: https://img-blog.csdnimg.cn/20200604101127853.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjE3NDIwMg==,size_16,color_FFFFFF,t_70#pic_center
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjE3NDIwMg_size_16_color_FFFFFF_t_70_pic_center 9]: https://img-blog.csdnimg.cn/20200604101641648.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NjE3NDIwMg==,size_16,color_FFFFFF,t_70#pic_center