opencv 4 -- 图像平滑与滤波
一、blur—图像均值平滑滤波
简称 平均滤波
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('person_454.bmp',0)
# 平均滤波，调用的时候需要设置 卷积框的宽和高
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()结果：图片变模糊了
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('person_454.bmp',0)
# 第二个参数的-1表示输出图像使用的深度与输入图像相同
result1 = cv2.boxFilter(img, -1, (5, 5))
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(result1),plt.title('bilateralFilter')
plt.xticks([]), plt.yticks([])
plt.show()结果跟上面的一样
二、GaussianBlur—图像高斯平滑滤波
简称：高斯模糊
平均核核高斯核的区别 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，权就是方框里的值
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
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
你也可以使用函数 cv2.getGaussianKernel() 自己 构建一个高斯核
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('person_454.bmp',0)
#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)
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(blur),plt.title('GaussianBlur')
plt.xticks([]), plt.yticks([])
plt.show()结果：
高斯模糊简单点说： 在某些情况下，需要对一个像素的周围的像素给予更多的重视
三、medianBlur—图像中值滤波
简称：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
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('person_454.bmp',0)
median = cv2.medianBlur(img,5)
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(median),plt.title('median')
plt.xticks([]), plt.yticks([])
plt.show()结果：
四、bilateralFilter—图像双边滤波
简称：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，不会考虑像素值之间的关系(像素的相似度)
所以高斯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
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
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('person_454.bmp',0)
#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)
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(blur),plt.title('bilateralFilter')
plt.xticks([]), plt.yticks([])
plt.show()