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（2D 卷积）

2D 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 有助于消除噪声、模糊图像等。HPF 滤波器有助于在图像中查找边缘。

OpenCV 提供了一个函数 cv.filter2D() 来将内核与图像进行卷积。例如，我们将尝试在图像上使用平均滤波器。一个 5x5 平均滤波器内核如下所示

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

该操作的工作方式如下：将此内核保持在一个像素之上，将此内核下方的所有 25 个像素相加，取平均值，然后用新的平均值替换中心像素。此操作将继续用于图像中的所有像素。尝试此代码并检查结果

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, "file could not be read, check with os.path.exists()"
 
kernel = np.ones((5,5),np.float32)/25
dst = cv.filter2D(img,-1,kernel)
 
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(dst),plt.title('Averaging')
plt.xticks([]), plt.yticks([])
plt.show()

结果

image

图像模糊（图像平滑）

图像模糊是通过将图像与低通滤波器内核进行卷积来实现的。它对于消除噪声很有用。它实际上是从图像中消除了高频内容（例如：噪声、边缘）。因此，在此操作中边缘会稍微模糊（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

这是通过将图像与归一化框滤波器进行卷积来完成的。它只是取内核区域下所有像素的平均值，并替换中心元素。这是通过函数 cv.blur() 或 cv.boxFilter() 来完成的。有关内核的更多详细信息，请查看文档。我们应该指定内核的宽度和高度。一个 3x3 归一化框滤波器如下所示

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

注意

如果您不想使用归一化框滤波器，请使用 cv.boxFilter()。将参数 normalize=False 传递给该函数。

查看下面一个 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, "file could not be read, check with os.path.exists()"
 
blur = cv.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

image

2. 高斯模糊

在此方法中，不使用框滤波器，而是使用高斯内核。它通过函数 cv.GaussianBlur() 完成。我们应该指定内核的宽度和高度，它们应该为正奇数。我们还应该分别指定 X 和 Y 方向的标准差，sigmaX 和 sigmaY。如果仅指定了 sigmaX，则 sigmaY 与 sigmaX 相同。如果两者都设置为零，则它们将根据内核大小进行计算。高斯模糊在消除图像中的高斯噪声方面非常有效。

如果需要，您可以使用函数 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

image

3. 中值模糊

这里，函数 cv.medianBlur() 获取内核区域下所有像素的中值，中心元素将替换为此中值。这对于图像中的椒盐噪声非常有效。有趣的是，在上面的滤波器中，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。但是在中值模糊中，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。它的内核大小应为正奇整数。

在此演示中，我向原始图像添加了 50% 的噪声，并应用了中值模糊。检查结果

median = cv.medianBlur(img,5)

结果

image

4. 双边滤波

cv.bilateralFilter() 在去除噪声的同时保持边缘清晰非常有效。但是与其他滤波器相比，该操作速度较慢。我们已经看到高斯滤波器获取像素周围的邻域并找到其高斯加权平均值。此高斯滤波器只是空间的函数，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，这是我们不想做的。

双边滤波还在空间中采用高斯滤波器，但还有一个高斯滤波器是像素差的函数。空间的高斯函数确保仅考虑附近的像素进行模糊，而强度差的高斯函数确保仅考虑与中心像素具有相似强度的那些像素进行模糊。因此，它可以保留边缘，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（有关参数的详细信息，请访问文档）。

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

结果

image

请注意，表面上的纹理消失了，但边缘仍然保留。

补充资源

1. 有关 双边滤波 的详细信息