opencv图像处理-图像平滑

图像平滑是一种区域增强算法，在图像产生、传输和复制的过程中，会因为多方面原因而产生噪声(某一像素与周围像素点相比有明显不同)或丢失数据，因而图像的质量会降低。此时就需要对图像进行一定的增强处理，以降低图像质量带来的影响

图像噪声

图像噪声使得图像模糊，甚至淹没图像特征，造成分析困难。

常见的噪声分类:

产生原因: 外部噪声、内部噪声
统计特征: 平稳噪声非平稳噪声
幅度分布: 高斯噪声椒盐噪声
噪声频谱: 白噪声 1/f 噪声
噪声与信号之间的关系: 加性噪声乘性噪声

模板卷积

模板操作是图像处理中常用的一种邻域运算方式，主要有卷积和相关操作。

模板:

常用矩阵表示，可以是一幅图像、一个滤波器或一个窗口，定义了参与运算的中心元素和邻域元素的相对位置及相关系数。
模板的中心元素(原点)表示将要处理的元素，一般取模板中心点，也可以根据需要选取非中心点。
模板卷积(或相关):

指模板与图像进行卷积(或相关)运算，是一种线性滤波，其输出像素是输入邻域像素的线性加权和。
卷积核:

模板卷积中的模板又称为卷积核，其元素称为卷积系数、模板系数或加权系数，其大小及排列顺序决定了对图像进行邻域处理的类型。

卷积运算前需要将模板绕模板中心旋转 180°，其余运算过程与模板运算过程一致，因而统称模板卷积。

模板操作需要注意的两个问题:

图像边界问题

当模板原点移至图像边界时，部分模板系数可能在原图像中找不到与之对应的像素。

解决方法:

1.不做处理

2.扩充图像

可以复制原图像边界像素或利用常数来填充扩充的像素边界
计算结果可能超出灰度范围

均值滤波

原理: 用一个像素邻域平均值作为滤波结果，此时滤波器模板的所有系数取值均为 1，仅获取内核区域下所有像素的平均值，并替换中心元素，为保证输出像素值不越界，邻域平均的卷积核系数之和为 1

计算思路:

例如下图中，我们要计算红色点经过均值滤波后的像素值，蓝色区域 3×3 的矩阵为核，采用核处理后，红色点的像素值=(100+210+123+123+220+231+45+21+32)/9

均值滤波常用的一个 3×3 的 Box 模板(还有 5×5 等等),Box 模板中加权系数均相同，邻域中各像素对平滑结果的影响相同。

代码:

import cv2 as cv
img=cv.imread('noise.jpg')
blur=cv.blur(img,(3,3)) #(3×3)为核大小
cv.imshow('original',img)
cv.imshow('blur',blur)
cv.waitKey(0)
cv.destroyAllWindows()

处理结果:

方框滤波

代码:

import cv2 as cv
img=cv.imread('noise.jpg')
box=cv.boxFilter(img,-1,(3,3),normalize=True) # -1 表示颜色通道一致，(3,3)表示卷积核的大小 normalize表示归一化，如果选择归一化，则和均值滤波是一样的
box2=cv.boxFilter(img,-1,(3,3),normalize=False)
# normalize为false，不进行归一化处理，此时模板内像素进行处理时可能会发生越界的情况(即超过最大的像素值255),越界的情况会直接取最大值255
cv.imshow('boxfilter1',box)
cv.imshow('box2',box2)
cv.waitKey(0)
cv.destroyAllWindows()

处理结果(进行归一化):

处理结果(不进行归一化):

高斯滤波

原理:

高斯模板是通过对二维高斯函数进行采样(高斯模糊的卷积核里的数值满足高斯分布)、量化并归一化得到的，它考虑了邻域像素位置的影响，距离当前被平滑像素越近的点，加权系数越大，将加权平均值作为中心像素的输出结果。
加权的目的在于减轻平滑过程中造成的图像模糊
高斯模糊对于从图像中去除高斯噪声非常有效

高斯滤波常用的一个 3×3 模板

代码:

cv.GaussianBlur(src,ksize,sigmaX,sigmaY)

ksize:卷积核大小
sigmaX:X 方向标准偏差
sigmaY:Y 方向标准偏差

如果仅指定 sigmaX，则将 sigmaY 与 sigmaX 相同。如果两个都为零，则根据内核大小进行计算。

import cv2 as cv
img=cv.imread('noise.jpg')
gauss=cv.GaussianBlur(img,(7,7),0)# (7,7)为卷积核大小
cv.imshow('original',img)
cv.imshow('gauss',gauss)
cv.waitKey(0)
cv.destroyAllWindows()

处理结果:

中值滤波

中值滤波是一种非线性滤波，它能在滤除噪声的同时很好地保持图像边缘。

原理: 以某像素为中心的窗口内所有像素的灰度按从小到大排序，取排序结果的中间值作为该像素的灰度值。

计算思路:

例如我们以 220 为中心选取了一个 3×3 的窗口，此时对窗口内所有像素按灰度大小进行排序，取中间值 123 作为中值滤波后的像素值。

代码:

cv.medianBlur(src,ksize)

ksize:表示卷积核大小，必须是一个大于 1 的奇数

import cv2 as cv
img=cv.imread('noise.jpg')
media=cv.medianBlur(img,5)
cv.imshow('original',img)
cv.imshow('media',media)
cv.waitKey(0)
cv.destroyAllWindows()

处理结果:

上述滤波处理对比

import numpy as np
import cv2 as cv
img=cv.imread('noise.jpg')
blur=cv.blur(img,(3,3))
gauss=cv.GaussianBlur(img,(7,7),0)
media=cv.medianBlur(img,5)
res=np.hstack((img,blur,gauss,media)) # 水平拼接所有图像
cv.imshow('all',res)