图像平滑

目标

学习如何：

• 使用各种低通滤波器模糊图像
• 将自定义滤波器应用于图像（二维卷积）

二维卷积（图像滤波）

与一维信号一样，图像也可以使用各种低通滤波器 (LPF)、高通滤波器 (HPF) 等进行滤波。LPF 有助于去除噪声、模糊图像等。HPF 滤波器有助于查找图像中的边缘。

OpenCV 提供了一个函数cv.filter2D() 用于将内核与图像进行卷积。例如，我们将尝试对图像应用平均滤波器。5x5 平均滤波器内核如下所示：

\[K = \frac{1}{25} \begin{bmatrix} 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \end{bmatrix}\]

操作方法如下：将此内核放在像素上方，将此内核下方的 25 个像素相加，取平均值，并将中心像素替换为新的平均值。对图像中的所有像素重复此操作。尝试以下代码并检查结果：

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
 
img = cv.imread('opencv_logo.png')
assert img is not None, "文件无法读取，请使用 os.path.exists() 检查"
 
kernel = np.ones((5,5),np.float32)/25
dst = cv.filter2D(img,-1,kernel)
 
plt.subplot(121),plt.imshow(img),plt.title('原始图像')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(dst),plt.title('平均滤波')
plt.xticks([]), plt.yticks([])
plt.show()

结果

图像

图像模糊（图像平滑）

图像模糊是通过使用低通滤波器内核对图像进行卷积来实现的。它对于去除噪声很有用。它实际上是从图像中去除高频内容（例如：噪声、边缘）。因此，在此操作中边缘会稍微模糊一些（也有一些模糊技术不会模糊边缘）。OpenCV 提供了四种主要的模糊技术。

1. 平均模糊

这是通过使用归一化盒式滤波器对图像进行卷积来完成的。它只需取内核区域下所有像素的平均值，并用此平均值替换中心元素。这是由函数cv.blur() 或 cv.boxFilter() 完成的。查看文档以了解有关内核的更多详细信息。我们应该指定内核的宽度和高度。3x3 归一化盒式滤波器如下所示：

\[K = \frac{1}{9} \begin{bmatrix} 1 & 1 & 1 \\ 1 & 1 & 1 \\ 1 & 1 & 1 \end{bmatrix}\]

注意

如果您不想使用归一化盒式滤波器，请使用 cv.boxFilter()。将参数 normalize=False 传递给函数。

查看下面使用 5x5 大小内核的示例演示：

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
 
img = cv.imread('opencv-logo-white.png')
assert img is not None, "文件无法读取，请使用 os.path.exists() 检查"
 
blur = cv.blur(img,(5,5))
 
plt.subplot(121),plt.imshow(img),plt.title('原始图像')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(blur),plt.title('模糊图像')
plt.xticks([]), plt.yticks([])
plt.show()

结果

图像

2. 高斯模糊

在此方法中，使用高斯内核代替盒式滤波器。这是使用函数cv.GaussianBlur() 完成的。我们应该指定内核的宽度和高度，它们应该是正奇数。我们还应该分别指定 X 和 Y 方向的标准差 sigmaX 和 sigmaY。如果只指定 sigmaX，则 sigmaY 取与 sigmaX 相同的值。如果两者都设置为零，则它们将根据内核大小计算得出。高斯模糊在去除图像中的高斯噪声方面非常有效。

如果需要，可以使用函数cv.getGaussianKernel() 创建高斯内核。

上面的代码可以修改为高斯模糊：

blur = cv.GaussianBlur(img,(5,5),0)

结果

图像

3. 中值模糊

在这里，函数cv.medianBlur() 获取内核区域下所有像素的中值，并将中心元素替换为此中值。这对于去除图像中的椒盐噪声非常有效。有趣的是，在上述滤波器中，中心元素是一个新计算的值，它可能是图像中的像素值或一个新值。但在中值模糊中，中心元素始终被图像中的某个像素值替换。它可以有效地减少噪声。其内核大小应为正奇整数。

在此演示中，我在原始图像中添加了 50% 的噪声并应用了中值模糊。查看结果：

median = cv.medianBlur(img,5)

结果

图像

4. 双边滤波

cv.bilateralFilter() 在去除噪声的同时非常有效地保持边缘锐利。但与其他滤波器相比，该操作速度较慢。我们已经看到，高斯滤波器会获取像素周围的邻域并找到其高斯加权平均值。这个高斯滤波器仅是空间的函数，也就是说，在滤波时会考虑附近的像素。它不考虑像素是否具有几乎相同的强度。它不考虑像素是否是边缘像素。因此，它也会模糊边缘，而我们不想这样做。

双边滤波器也采用空间上的高斯滤波器，但还有一个高斯滤波器，它是像素差的函数。空间的高斯函数确保仅考虑附近的像素进行模糊处理，而强度差的高斯函数确保仅考虑与中心像素强度相似的像素进行模糊处理。因此，它保留了边缘，因为边缘处的像素将具有较大的强度变化。

下面的示例显示了双边滤波器的使用方法（有关参数的详细信息，请访问文档）。

blur = cv.bilateralFilter(img,9,75,75)

结果

图像

看，表面的纹理消失了，但边缘仍然保留。

附加资源

1. 关于双边滤波的详细信息