五、图像平滑、滤波

太过爱你忘了你带给我的痛 2023-06-13 11:17 19阅读 0赞

**目录**

1、2D滤波器cv2.filter2D( )

2、均值滤波blur

3、方框滤波boxFilter

4、高斯模糊模板

5、中值滤波模板

6、双边滤波

7、联合双边滤波(未测试)

8、导向滤波

--------------------

**运用它，首先就要了解它，什么是平滑滤波？**

平滑滤波是**低频增强的空间域滤波技术**。它的**目的有两类：一类是模糊；另一类是消除噪音**。空间域的平滑滤波一般采用简单平均法进行，就是求邻近像元点的平均亮度值。邻域的大小与平滑的效果直接相关，**邻域越大平滑的效果越好，但邻域过大，平滑会使边缘信息损失的越大**，**从而使输出的图像变得模糊**，因此需合理选择邻域的大小。

**在看一下滤波的目的：**

滤波的本义是指信号有各种频率的成分,**滤掉不想要的成分**,即为滤掉常说的噪声,留下想要的成分.这即是滤波的过程,也是目的。

*  **抽出对象的特征作为图像识别的特征模式**；
 *  为适应图像处理的要求，**消除图像数字化时所混入的噪声**。

# 1、2D滤波器cv2.filter2D( ) #

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：**将和模板放在图像的一个像素A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。**

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

使用自定义内核对图像进行卷积。该功能将任意线性滤波器应用于图像。支持就地操作。当光圈部分位于图像外部时，该功能会根据指定的边框模式插入异常像素值。

cv2.filter2D(src,dst,ddepth,kernel,anchor=(-1,-1),delta=0,borderType=cv2.BORDER_DEFAULT)
            src: 输入图像对象矩阵
            dst:输出图像矩阵
            ddepth:输出矩阵的数值类型
            kernel:卷积核
            anchor：卷积核锚点，默认(-1,-1)表示卷积核的中心位置
            delat:卷积完后相加的常数
            borderType:填充边界类型

**参数：**

<table> 
 <tbody> 
  <tr> 
   <td>参数</td> 
   <td>描述</td> 
  </tr> 
  <tr> 
   <td>src</td> 
   <td>原图像</td> 
  </tr> 
  <tr> 
   <td>dst</td> 
   <td>目标图像，与原图像尺寸和通过数相同</td> 
  </tr> 
  <tr> 
   <td>ddepth</td> 
   <td>输出图像深度（通道数），-1表示和原图像一致</td> 
  </tr> 
  <tr> 
   <td>kernel</td> 
   <td>卷积核（或相当于相关核），单通道浮点矩阵;如果要将不同的内核应用于不同的通道，请使用拆分将图像拆分为单独的颜色平面，然后单独处理它们。</td> 
  </tr> 
  <tr> 
   <td>anchor</td> 
   <td>内核的锚点，指示内核中过滤点的相对位置;锚应位于内核中;默认值（-1，-1）表示锚位于内核中心。</td> 
  </tr> 
  <tr> 
   <td>detal</td> 
   <td>在将它们存储在dst中之前，将可选值添加到已过滤的像素中。类似于偏置。</td> 
  </tr> 
  <tr> 
   <td>borderType</td> 
   <td>像素外推法，参见BorderTypes</td> 
  </tr> 
 </tbody> 
</table>

# encoding: utf-8
    
    import cv2
    import matplotlib.pyplot as plt
    import math
    import copy
    import numpy as np
    
    
    path = r"lena.jpg"
    img = cv2.imread(path)
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    gray1 = np.float32(gray) #转化数值类型
    
    kernel = np.ones((5,5),np.float32)/25
    dst = cv2.filter2D(gray,-1,kernel)
    #cv2.filter2D(src,dst,kernel,auchor=(-1,-1))函数：
    #输出图像与输入图像大小相同
    #中间的数为-1，输出数值格式的相同plt.figure()
    
    plt.subplot(1,2,1),plt.imshow(gray1,'gray')#默认彩色，另一种彩色bgr
    plt.subplot(1,2,2),plt.imshow(dst,'gray')
    plt.show()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3MyOTQ4NzgzMDQ_size_16_color_FFFFFF_t_70][]

# 2、均值滤波blur #

OpenCV中有一个专门的平均滤波模板供使用------归一化卷积模板，所有的滤波模板都是**使卷积框覆盖区域所有像素点与模板相乘后得到的值作为中心像素的值**。OpenCV中均值模板可以用 cv2.blur 和 cv2.boxFilter ,比如一个3\*3的模板其实就可以如下表示；

![2019111620542129.png][]

模板大小m\*n是可以设置的。**如果不想要前面的1/9，可以使用非归一化模板cv2.boxFitter。**

cv2.blur(src,ksize,dst,anchor,borderType)
            src: 输入图像对象矩阵,可以为单通道或多通道
            ksize:高斯卷积核的大小，格式为(宽，高)
            dst:输出图像矩阵,大小和数据类型都与src相同
            anchor：卷积核锚点，默认(-1,-1)表示卷积核的中心位置
            borderType:填充边界类型

# encoding: utf-8
    
    import cv2
    import matplotlib.pyplot as plt
    import math
    import copy
    import numpy as np
    
    
    path = r"lena.jpg"
    img = cv2.imread(path)
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    
    blur = cv2.blur(gray,(10,10))
    
    plt.figure()
    plt.subplot(1,2,1),plt.imshow(gray,'gray')#默认彩色，指定为gray
    plt.subplot(1,2,2),plt.imshow(blur,'gray')
    
    plt.show()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3MyOTQ4NzgzMDQ_size_16_color_FFFFFF_t_70 1][]

# 3、方框滤波boxFilter #

cv2.boxFilter(src,ddepth,ksize,dst,anchor,normalize,borderType)
            src: 输入图像对象矩阵,
            ddepth:输出图像深度（通道数），-1表示和原图像一致
            ksize:高斯卷积核的大小，格式为(宽，高)
            dst:输出图像矩阵,大小和数据类型都与src相同
            anchor：卷积核锚点，默认(-1,-1)表示卷积核的中心位置
            normalize:是否归一化 （若卷积核3*5，归一化卷积核需要除以15）
            borderType:填充边界类型

# encoding: utf-8
    
    import cv2
    import matplotlib.pyplot as plt
    import math
    import copy
    import numpy as np
    
    path = r"lena.jpg"
    img = cv2.imread(path)
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    
    box = cv2.boxFilter(gray,-1,(10,10),normalize=True)
    
    plt.figure()
    plt.subplot(1,2,1),plt.imshow(gray,'gray')#默认彩色，指定为gray
    plt.subplot(1,2,2),plt.imshow(box,'gray')
    
    plt.show()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3MyOTQ4NzgzMDQ_size_16_color_FFFFFF_t_70 2][]

# 4、高斯模糊模板 #

现在把**卷积模板中的值换一下，不是全1了，换成一组符合高斯分布的数值放在模板里面，**比如这时中间的数值最大，往两边走越来越小，**构造一个小的高斯包**。实现的函数为cv2.GaussianBlur()。

对于高斯模板，我们需要制定的是高斯核的高和宽（奇数），沿 x 与 y 方向的标准差(**如果只给x，y=x，如果都给0，那么函数会自己计算**)。高斯核**可以有效的出去图像的高斯噪声。当然也可以自己构造高斯核**

cv2.Guassianblur(img, (3, 3), 1) 表示进行高斯滤波，

**参数说明:**

1表示σ， x表示与当前值得距离，计算出的G(x)表示权重值

![20191116212050548.png][]

**卷积核大小是奇数**

dst = cv2.GaussianBlur(src,ksize,sigmaX,sigmay,borderType)
            src: 输入图像矩阵,可为单通道或多通道，多通道时分别对每个通道进行卷积
            dst:输出图像矩阵,大小和数据类型都与src相同
            ksize:高斯卷积核的大小，宽，高都为奇数，且可以不相同
            sigmaX: 一维水平方向高斯卷积核的标准差
            sigmaY: 一维垂直方向高斯卷积核的标准差，默认值为0，表示与sigmaX相同
            borderType:填充边界类型

# encoding: utf-8
    
    import cv2
    import matplotlib.pyplot as plt
    import math
    import copy
    import numpy as np
    
    path = r"lena.jpg"
    img = cv2.imread(path)
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    # 添加点噪声
    for i in range(2000):  
        temp_x = np.random.randint(0, gray.shape[0])
        temp_y = np.random.randint(0, gray.shape[1])
        gray[temp_x][temp_y] = 255
    
    gauss = cv2.GaussianBlur(gray,(5,5),0)
    plt.figure()
    plt.subplot(1,2,1),plt.imshow(gray,'gray')#默认彩色，指定为gray
    plt.subplot(1,2,2),plt.imshow(gauss,'gray')
    
    plt.show()

# 5、中值滤波模板 #

中值滤波模板就是**用卷积框中像素的中值代替中心值，达到去噪声的目的**。这个模板**一般用于去除椒盐噪声。**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，**卷积核的大小也是个奇数。**

cv2.medianBlur(src,ksize,dst)
            src: 输入图像对象矩阵,可以为单通道或多通道
            ksize:核的大小，格式为 3      #注意不是（3,3）
            dst:输出图像矩阵,大小和数据类型都与src相同

# encoding: utf-8
    
    import cv2
    import matplotlib.pyplot as plt
    import math
    import copy
    import numpy as np
    
    def show_img(name="test",img=None):
        plt.figure()
        plt.imshow(img)
        plt.title(name)
        plt.show()
    
    path = r"lena.jpg"
    img = cv2.imread(path)
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    # 添加点噪声
    for i in range(2000):
        temp_x = np.random.randint(0, gray.shape[0])
        temp_y = np.random.randint(0, gray.shape[1])
        gray[temp_x][temp_y] = 255
    
    medina = cv2.medianBlur(gray,5)
    plt.figure()
    plt.subplot(1,2,1),plt.imshow(gray,'gray')#默认彩色，指定为gray
    plt.subplot(1,2,2),plt.imshow(medina,'gray')
    
    plt.show()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3MyOTQ4NzgzMDQ_size_16_color_FFFFFF_t_70 3][]

# 6、双边滤波 #

相比于上面几种平滑算法，**双边滤波在平滑的同时还能保持图像中物体的轮廓信息**。

双边滤波在高斯平滑的基础上引入了灰度值相似性权重因子，所以在构建其卷积核核时，要同时考虑空间距离权重和灰度值相似性权重。在进行卷积时，每个位置的邻域内，根据和锚点的距离d构建距离权重模板，根据和锚点灰度值差异r构建灰度值权重模板，结合两个模板生成该位置的卷积核。

opencv中的bilateralFilter()函数实现了双边滤波，其参数对应如下：

dst = cv2.bilateralFilter(src,d,sigmaColor,sigmaSpace,borderType)
            src: 输入图像对象矩阵,可以为单通道或多通道
            d:用来计算卷积核的领域直径，如果d<=0，从sigmaSpace计算d
            sigmaColor：颜色空间滤波器标准偏差值，决定多少差值之内的像素会被计算（构建灰度值模板）
            sigmaSpace:坐标空间中滤波器标准偏差值。如果d>0，设置不起作用，否则根据它来计算d值（构建距离权重模板）

**双边滤波函数后面的两个参数设置的越大，图像的去噪越多，但随之而来的是图像ji将变得模糊，所以根据需要调整好后两个参数的大小。**

# encoding: utf-8
    
    import cv2
    import matplotlib.pyplot as plt
    import math
    import copy
    import numpy as np
    
    path = r"lena.jpg"
    img = cv2.imread(path)
    gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
    # 添加点噪声
    for i in range(2000):
        temp_x = np.random.randint(0, gray.shape[0])
        temp_y = np.random.randint(0, gray.shape[1])
        gray[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
    bilater = cv2.bilateralFilter(gray,9,75,75)
    
    plt.figure()
    plt.subplot(1,2,1),plt.imshow(gray,'gray')#默认彩色，指定为gray
    plt.subplot(1,2,2),plt.imshow(bilater,'gray')
    
    plt.show()

# 7、**联合双边滤波(未测试)** #

双边滤波是根据原图中不同位置灰度相似性来构建相似性权重模板，而联合滤波是先对原图进行高斯平滑，然后根据平滑后的图像灰度值差异建立相似性模板，再与距离权重模板相乘得到最终的卷积核，最后再对原图进行处理。所以相比于双边滤波，联合双边滤波只是建立灰度值相似性模板的方法不一样。

联合双边滤波作为边缘保留滤波算法时，进行joint的图片即为自身原图片，如果将joint换为其他引导图片，联合双边滤波算法还可以用来实现其他功能。opencv 2中不支持联合双边滤波，opencv 3中除了主模块，还引入了contrib，其中的ximgproc模块包括了联合双边滤波的算法。因此如果需要使用opencv的联合双边滤波，需要安装opencv-contrib-python包。

安装opencv主模块和contrib附加模块步骤：
    　　pip uninstall opencv-python （如果已经安装opencv-python包，先卸载）
    　　pip install opencv-contrib-python

联合双边滤波: cv2.xmingproc.jointBilateralFilter(), 其相关参数如下：

dst = cv2.xmingproc.jointBilateralFilter(joint,src,d,sigmaColor,sigmaSpace,borderType)
            joint: 进行联合滤波的导向图像，可以为单通道或多通道，保持边缘的滤波算法时常采用src
            src: 输入图像对象矩阵,可以为单通道或多通道
            d:用来计算卷积核的领域直径，如果d<0，从sigmaSpace计算d
            sigmaColor：颜色空间滤波器标准偏差值，决定多少差值之内的像素会被计算（构建灰度值模板）
            sigmaSpace:坐标空间中滤波器标准偏差值。如果d>0，设置不起作用，否则根据它来计算d值（构建距离权重模板）

下面是联合双边滤波的使用代码和效果：（采用src的高斯平滑图片作为joint）

#coding:utf-8
    import cv2 as cv
    import matplotlib.pyplot as plt
    import numpy as np
    import random
    import math
    
    src = cv.imread(r"C:\Users\Administrator\Desktop\timg.jpg")
    joint  = cv.GaussianBlur(src,(7,7),1,0)
    dst = cv.ximgproc.jointBilateralFilter(joint,src,33,2,0)
    # dst = cv.ximgproc.jointBilateralFilter(src,src,33,2,0) #采用src作为joint
    
    cv.imshow("img",src)
    cv.imshow("joint",joint)
    cv.imshow("dst",dst)
    cv.waitKey(0)
    cv.destroyAllWindows()
    
    cv2.ximgproc.jointBilateralFilter()

# 8、**导向滤波** #

导向滤波也是需要一张图片作为引导图片，来表明边缘，物体等信息，作为保持边缘滤波算法，可以采用自身作为导向图片。opencv 2中也暂不支持导向滤波, 同样在opencv-contrib-python包的ximgproc模块提供了导向滤波函。

导向滤波具体原理可以参考：https://blog.csdn.net/baimafujinji/article/details/74750283

opencv中导向滤波cv2.ximgproc.guidedFilter()的参数如下：

导向滤波
        cv2.ximgproc.guidedFilter(guide,src,radius,eps,dDepth)
            guide: 导向图片，单通道或三通道
            src: 输入图像对象矩阵,可以为单通道或多通道
            radius:用来计算卷积核的领域直径
            eps:规范化参数， eps的平方类似于双边滤波中的sigmaColor（颜色空间滤波器标准偏差值）
           (regularization term of Guided Filter. eps2 is similar to the sigma 
             in the color space into bilateralFilter.)
            dDepth: 输出图片的数据深度

#coding:utf-8
    import cv2 as cv
    
    src = cv.imread(r"C:\Users\Administrator\Desktop\timg.jpg")
    dst = cv.ximgproc.guidedFilter(src,src,33,2,-1)
    cv.imshow("img",src)
    cv.imshow("dst",dst)
    cv.waitKey(0)
    cv.destroyAllWindows()
    
    cv2.ximgproc.guidedFilter

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3MyOTQ4NzgzMDQ_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20191116204718447.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3MyOTQ4NzgzMDQ=,size_16,color_FFFFFF,t_70
[2019111620542129.png]: https://img-blog.csdnimg.cn/2019111620542129.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3MyOTQ4NzgzMDQ_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20191116211658490.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3MyOTQ4NzgzMDQ=,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3MyOTQ4NzgzMDQ_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20191116212009703.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3MyOTQ4NzgzMDQ=,size_16,color_FFFFFF,t_70
[20191116212050548.png]: https://img-blog.csdnimg.cn/20191116212050548.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3MyOTQ4NzgzMDQ_size_16_color_FFFFFF_t_70 3]: https://img-blog.csdnimg.cn/20191116213919542.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3MyOTQ4NzgzMDQ=,size_16,color_FFFFFF,t_70