前文傳送門：
「Python 圖像處理 OpenCV （1）：入門」
「Python 圖像處理 OpenCV （2）：像素處理與 Numpy 操作以及 Matplotlib 显示圖像」
「Python 圖像處理 OpenCV （3）：圖像屬性、圖像感興趣 ROI 區域及通道處理」
「Python 圖像處理 OpenCV （4）：圖像算數運算以及修改顏色空間」
「Python 圖像處理 OpenCV （5）：圖像的幾何變換」
「Python 圖像處理 OpenCV （6）：圖像的閾值處理」
1. 引言
第一件事情還是先做名詞解釋，圖像平滑到底是個啥？
從字面意思理解貌似圖像平滑好像是在說圖像滑動。
emmmmmmmmmmmmmmm。。。。
其實半毛錢關係也沒有，圖像平滑技術通常也被成為圖像濾波技術（這個名字看到可能大家會有點感覺）。
每一幅圖像都包含某種程度的噪聲，噪聲可以理解為由一種或者多種原因造成的灰度值的隨機變化，如由光子通量的隨機性造成的噪聲等等。
而圖像平滑技術或者是圖像濾波技術就是用來處理圖像上的噪聲，其中，能夠具備邊緣保持作用的圖像平滑處理，成為了大家關注的重點。
這不廢話，處理個圖片降噪，結果把整個圖像搞的跟玻璃上糊上了一層水霧一樣，這種降噪有啥意義。
本文會介紹 OpenCV 中提供的圖像平滑的 4 個算法：
下面開始一個一個看吧：）
先給出一個給馬里奧加噪聲的程序，程序來源於楊老師的博客：https://blog.csdn.net/Eastmount/article/details/82216380 ，完整代碼如下：
import cv2 as cv
import numpy as np
# 讀取圖片
img = cv.imread("maliao.jpg", cv.IMREAD_UNCHANGED)
rows, cols, chn = img.shape
# 加噪聲
for i in range(5000):
x = np.random.randint(0, rows)
y = np.random.randint(0, cols)
img[x, y, :] = 255
cv.imshow("noise", img)
# 圖像保存
cv.imwrite("maliao_noise.jpg", img)
# 等待显示
cv.waitKey()
cv.destroyAllWindows()
上面這段程序實際上是在圖片上隨機加了 5000 個白點，這個噪聲真的是夠大的了。
2. 2D 圖像卷積
在介紹濾波之前先簡單介紹下 2D 圖像卷積，圖像卷積其實就是圖像過濾。
圖像過濾的時候可以使用各種低通濾波器（ LPF ），高通濾波器（ HPF ）等對圖像進行過濾。
低通濾波器（ LPF ）有助於消除噪聲，但是會使圖像模糊。
高通濾波器（ HPF ）有助於在圖像中找到邊緣。
OpenCV 為我們提供了一個函數 filter2D() 來將內核與圖像進行卷積。
我們嘗試對圖像進行平均濾波， 5 x 5 平均濾波器內核如下：
\[ K = \frac{1}{25} \begin{bmatrix} 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \end{bmatrix} \]
具體操作如下：
我們保持這個內核在一個像素上，將所有低於這個內核的 25 個像素相加，取其平均值，然後用新的平均值替換中心像素。它將對圖像中的所有像素繼續此操作，完整的示例代碼如下：
import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
# 讀取圖片
img = cv.imread("maliao_noise.jpg", cv.IMREAD_UNCHANGED)
rgb_img = cv.cvtColor(img, cv.COLOR_BGR2RGB)
kernel = np.ones((5,5),np.float32)/25
dst = cv.filter2D(rgb_img, -1, kernel)
titles = ['Source Image', 'filter2D Image']
images = [rgb_img, dst]
for i in range(2):
plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')
plt.title(titles[i])
plt.xticks([]), plt.yticks([])
plt.show()
可以看到，噪點確實去除掉了，就是圖片變得模糊起來。
3. 均值濾波
均值濾波是指任意一點的像素值，都是周圍 N * M 個像素值的均值。
其實均值濾波和上面的那個圖像卷積的示例，做了同樣的事情，我只是用 filter2D() 這個方法手動完成了均值濾波，實際上 OpenCV 為我們提供了專門的均值濾波的方法，前面圖像卷積沒有看明白的同學，可以再一遍均值濾波，我盡量把這個事情整的明白的。
還是來畫個圖吧：
中間那個紅色的方框裏面的值，是周圍 25 個格子區域中的像素的和去除以 25 ，這個公式是下面這樣的：
\[ K = \frac{1}{25} \begin{bmatrix} 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \end{bmatrix} \]
我為了偷懶，所有的格子裏面的像素值都寫成 1 ，畢竟 n / n 永遠都等於 1 ，快誇我機智。
上面這個 5 * 5 的矩陣稱為核，針對原始圖像內的像素點，採用核進行處理，得到結果圖像。
這個核我們可以自定義大小，比如 5 * 5 ，3 * 3 ， 10 * 10 等等，具體定義多大完全看療效。
OpenCV 為我提供了 blur() 方法用作實現均值濾波，原函數如下：
def blur(src, ksize, dst=None, anchor=None, borderType=None)
- kSize: 內核參數，其實就是圖片進行卷積的時候相乘的那個矩陣，具體的卷積是如何算的，網上有很多，我這裏就不介紹了，所得到的圖像是模糊的，而且圖像其實是按照原來的比例缺少了（原圖像-內核參數+1)^2 個單元格。
- anchor: Point 類型，即錨點，有默認值 Point(-1, -1) ，當坐標為負值，就表示取核的中心。
- borderType: Int 類型，用於推斷圖像外部像素的某種邊界模式，有默認值 BORDER_DEFAULT 。
接下來是均值濾波的示例代碼：
import cv2 as cv
import matplotlib.pyplot as plt
# 讀取圖片
img = cv.imread("maliao_noise.jpg", cv.IMREAD_UNCHANGED)
rgb_img = cv.cvtColor(img, cv.COLOR_BGR2RGB)
# 均值濾波
blur_img = cv.blur(rgb_img, (3, 3))
# blur_img = cv.blur(img, (5, 5))
# blur_img = cv.blur(img, (10, 10))
# blur_img = cv.blur(img, (20, 20))
titles = ['Source Image', 'Blur Image']
images = [rgb_img, blur_img]
for i in range(2):
plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')
plt.title(titles[i])
plt.xticks([]), plt.yticks([])
plt.show()
這個降噪的效果好像沒有前面 2D 卷積的那個降噪效果好，但是圖像更為清晰，因為我在這個示例中使用了更小的核 3 * 3 的核，順便我也試了下大核，比如代碼中註釋掉的 10 * 10 的核或者 20 * 20 的核，實時證明，核越大降噪效果越好，但是相反的是圖像會越模糊。
4. 方框濾波
方框濾波和均值濾波核基本一致，其中的區別是需不需要進行歸一化處理。
什麼是歸一化處理等下再說，我們先看方框濾波的原函數：
def boxFilter(src, ddepth, ksize, dst=None, anchor=None, normalize=None, borderType=None)
- src: 原始圖像。
- ddepth: Int 類型，目標圖像深度，通常用 -1 表示與原始圖像一致。
- kSize: 內核參數。
- dst: 輸出與 src 大小和類型相同的圖像。
- anchor: Point 類型，即錨點，有默認值 Point(-1, -1) 。
- normalize: Int 類型，表示是否對目標圖像進行歸一化處理。
當 normalize 為 true 時，需要執行均值化處理。
當 normalize 為 false 時，不進行均值化處理，實際上是求周圍各像素的和，很容易發生溢出，溢出時均為白色，對應像素值為 255 。
完整示例代碼如下：
import cv2 as cv
import matplotlib.pyplot as plt
# 讀取圖片
img = cv.imread('maliao_noise.jpg')
source = cv.cvtColor(img, cv.COLOR_BGR2RGB)
# 方框濾波
result = cv.boxFilter(source, -1, (5, 5), normalize = 1)
# 显示圖形
titles = ['Source Image', 'BoxFilter Image']
images = [source, result]
for i in range(2):
plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')
plt.title(titles[i])
plt.xticks([]), plt.yticks([])
plt.show()
當我們把 normalize 的屬性設為 0 時，不進行歸一化處理，結果就變成了下面這個樣子：
5. 高斯濾波
為了克服簡單局部平均法的弊端(圖像模糊)，目前已提出許多保持邊緣、細節的局部平滑算法。它們的出發點都集中在如何選擇鄰域的大小、形狀和方向、參數加平均及鄰域各店的權重係數等。
在高斯濾波的方法中，實際上是把卷積核換成了高斯核，那麼什麼是高斯核呢？
簡單來講就是方框還是那個方框，原來每個方框裏面的權是相等的，大家最後取平均，現在變成了高斯分佈的，方框中心的那個權值最大，其餘方框根據距離中心元素的距離遞減，構成一個高斯小山包，這樣取到的值就變成了加權平均。
下圖是所示的是 3 * 3 和 5 * 5 領域的高斯核。
高斯濾波是在 OpenCV 中是由 GaussianBlur() 方法進行實現的，它的原函數如下：
def GaussianBlur(src, ksize, sigmaX, dst=None, sigmaY=None, borderType=None)
這裏需要注意的是 ksize 核大小，在高斯核當中，核 （N, N） 必須是奇數， X 方向方差主要控制權重。
完整的示例代碼如下：
import cv2 as cv
import matplotlib.pyplot as plt
# 讀取圖片
img = cv.imread('maliao_noise.jpg')
source = cv.cvtColor(img, cv.COLOR_BGR2RGB)
# 方框濾波
result = cv.GaussianBlur(source, (3, 3), 0)
# 显示圖形
titles = ['Source Image', 'GaussianBlur Image']
images = [source, result]
for i in range(2):
plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')
plt.title(titles[i])
plt.xticks([]), plt.yticks([])
plt.show()
6. 中值濾波
在使用鄰域平均法去噪的同時也使得邊界變得模糊。
而中值濾波是非線性的圖像處理方法，在去噪的同時可以兼顧到邊界信息的保留。
中值濾波具體的做法是選一個含有奇數點的窗口 W ，將這個窗口在圖像上掃描，把窗口中所含的像素點按灰度級的升或降序排列，取位於中間的灰度值來代替該點的灰度值。
下圖是一個一維的窗口的濾波過程：
在 OpenCV 中，主要是通過調用 medianBlur() 來實現中值濾波，它的原函數如下：
def medianBlur(src, ksize, dst=None)
中值濾波的核心數和高斯濾波的核心數一樣，必須要是大於 1 的奇數。
示例代碼如下：
import cv2 as cv
import matplotlib.pyplot as plt
# 讀取圖片
img = cv.imread('maliao_noise.jpg')
source = cv.cvtColor(img, cv.COLOR_BGR2RGB)
# 方框濾波
result = cv.medianBlur(source, 3)
# 显示圖形
titles = ['Source Image', 'medianBlur Image']
images = [source, result]
for i in range(2):
plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')
plt.title(titles[i])
plt.xticks([]), plt.yticks([])
plt.show()
可以明顯看到，目前中值濾波是對原圖像降噪后還原度最高的，常用的中值濾波的圖形除了可以使用方框，還有十字形、圓形和環形，不同形狀的窗口產生不同的濾波效果。
方形和圓形窗口適合外輪廓線較長的物體圖像，而十字形窗口對有尖頂角狀的圖像效果好。
對於一些細節較多的複雜圖像，可以多次使用不同的中值濾波。
7. 示例代碼
如果有需要獲取源碼的同學可以在公眾號回復「OpenCV」進行獲取。
8. 參考
https://blog.csdn.net/Eastmount/article/details/82216380
http://www.woshicver.com/
本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理
【其他文章推薦】
※台北網頁設計公司這麼多該如何選擇?
※智慧手機時代的來臨，RWD網頁設計為架站首選
※評比南投搬家公司費用收費行情懶人包大公開
※回頭車貨運收費標準
※網頁設計最專業,超強功能平台可客製化
※別再煩惱如何寫文案,掌握八大原則!
