wanghaining

       相信很多小伙伴都听过“滤波器”这个词,在通信领域,滤波器能够去除噪声信号等频率成分,然而在我们OpenCV中,“滤波”并不是对频率进行筛选去除,而是实现了图像的平滑处理。接下来,这篇随笔介绍使用OpenCV进行图像处理的第六章 图像平滑处理。

6  图像平滑处理

未经处理的图像含有噪声的影响,所以我们希望尽可能保留原图像的信息,过滤掉图像内部的噪声像素,得到平滑图像,这个过程称作图像的平滑处理。

一幅图像中,若某一像素点与周围像素值差异过大,该像素点很可能是噪声,则需要把值调整为周围的像素点的近似值。如图所示:

那么,如何对图像进行平滑处理过滤噪声呢?OpenCV提供了多种计算方法,有:

均值滤波

方框滤波

高斯滤波

中值滤波

双边滤波

2D卷积滤波(自定义滤波)

 

6.1  均值滤波

均值滤波是指使用当前N×N个像素值的均值来替代当前像素值,例如使用周围3×3的像素点对第3行第3列像素值做均值滤波,如图:

新值=(179+176+175+176+31+179+180+185+181)/ 9 = 162

也相当于,对上图黄色区域矩阵乘以3×3的卷积核,该均值滤波3×3的卷积核如下(右侧矩阵):

OpenCV提供了cv2.blur()函数进行均值滤波,举例程序如下:

 1 #针对噪声图像,使用不同大小的卷积核对其进行均值滤波,并显示均值滤波的情况
 2 import cv2
 3 o=cv2.imread(\'E:\python_opencv\lena.jpg\')
 4 r5=cv2.blur(o,(5,5))         #5×5卷积核进行均值滤波
 5 r30=cv2.blur(o,(30,30))      #30×30卷积核进行均值滤波
 6 cv2.imshow(\'original\',o)
 7 cv2.imshow(\'result5\',r5)
 8 cv2.imshow(\'result30\',r30)
 9 cv2.waitKey()
10 cv2.destroyAllWindows()

运行结果如下图,左为原图像,中间及右侧是为均值滤波处理结果,卷积核依次增大。

可以看出,卷积核越大,参与到均值运算的像素越多;卷积核越大,去噪效果越好,图像失真会越严重,计算时间也会越长。所以我们要在图像去噪和失真之间找到平衡,选择大小合适的卷积核。

 

6.2  方框滤波

方框滤波可以选择对周围每个像素值求平均值,或周围像素值之和而不求平均。

OpenCV提供了cv2.boxFilter()函数进行方框滤波,举例程序如下:

 1 #针对噪声图像,用方框滤波函数cv2.boxFilter()去噪
 2 import cv2
 3 o=cv2.imread(\'E:\python_opencv\lena.jpg\')
 4 #参数normalize的值设置为0,卷积核大小设置成2×2
 5 r1=cv2.boxFilter(o,-1,(2,2),normalize=0) 
 6 #参数normalize的值设置为1,卷积核大小设置成2×2
 7 r2=cv2.boxFilter(o,-1,(2,2),normalize=1) 
 8 cv2.imshow(\'original\',o)
 9 cv2.imshow(\'result1\',r1)
10 cv2.imshow(\'result2\',r2)
11 cv2.waitKey()
12 cv2.destroyAllWindows()

运行结果如下图,左为原图像,右面两幅是方框滤波后图像。

中间图中白色像素较多,是因为cv2.boxFilter()函数中normalize参数等于0,没有设置归一化,将normalize设置为1进行归一化后,可得右面正常图像。

 

 6.3  高斯滤波

前两小节介绍的均值滤波和方框滤波中,每个像素点的权重是相等的,在高斯滤波中,中心点的权重值较大,边缘点的权重值较小,每一种尺寸的卷积核都可以有多种不同形式的权重比例。

例如一个3×3的高斯滤波卷积核如下所示:

OpenCV提供了cv2.GaussianBlur()函数实现高斯滤波,举例程序如下:

1 #对噪声图像进行高斯滤波,显示滤波的结果
2 import cv2
3 o=cv2.imread(\'E:\python_opencv\lena.jpg\')
4 r=cv2.GaussianBlur(o,(5,5),0,0)   #5×5大小的卷积核,权重的标准差为默认值
5 cv2.imshow(\'original\',o)
6 cv2.imshow(\'result\',r)
7 cv2.waitKey()
8 cv2.destroyAllWindows()

运行结果如下图,左为原图像,右是高斯滤波后的图像。

 

 6.4  中值滤波

中值滤波不使用加权求和的形式计算,而是选取邻域内所有像素点的中间值来替代当前的异常像素值。

举例如下,异常值为31,则3×3邻域内从小到大排列是 [31,175,176,176,179,179,180,181,185],中位数是179,则该像素点被处理为179。

OpenCV提供了cv2.medianBlur()函数实现中值滤波,举例程序如下:

1 #对噪声图像进行中值滤波,显示滤波的结果
2 import cv2
3 o=cv2.imread(\'E:\python_opencv\lena.jpg\')
4 r=cv2.medianBlur(o,3)    #滤波核大小设置为3,表示宽度和高度均为3
5 cv2.imshow(\'original\',o)
6 cv2.imshow(\'result\',r)
7 cv2.waitKey()
8 cv2.destroyAllWindows()

运行结果如下图,左为原图像,右为中值滤波后的图像。

可以看到,由于中值滤波没有进行均值处理,得到的图像不存在细节变模糊的问题,有较好的滤波效果。但因为需要排序,中值滤波的计算量也较大。

 

 6.5  双边滤波

在之前介绍的计算加权均值后滤波的方法中,滤波图像不可避免的出现轮廓信息模糊的问题。而双边滤波综合考虑了空间信息和色彩信息,能够有效保护图像内的边缘信息。

双边滤波的原理是,处理异常像素值时,不仅考虑距离对权重的影响(距离越远,权重越小),还考虑色差对权重的影响(色差越大,权重越小),既能去除噪声,又能较好地保护边缘信息。

OpenCV提供了cv2.bilateralFilter()函数实现双边滤波,举例程序如下:

 1 #针对噪声图像,分别对其进行高斯滤波和双边滤波,比较不同滤波方式对边缘的处理结果是否相同
 2 import cv2
 3 o=cv2.imread(\'E:\python_opencv\lena.jpg\')
 4 g=cv2.GaussianBlur(o,(7,7),0,0)      #高斯滤波
 5 b=cv2.bilateralFilter(o,7,100,100)    #双边滤波
 6 cv2.imshow(\'original\',o)
 7 cv2.imshow(\'Gaussian\',g)
 8 cv2.imshow(\'bilateral\',b)
 9 cv2.waitKey()
10 cv2.destroyAllWindows()

运行结果如下图,左为原图像,中间是高斯滤波得到的图像,右为双边滤波后的图像。

可以看出,经过高斯滤波的图像边缘被模糊虚化了,而经过双边滤波的图像得到了较好的保留。

 

 6.6  2D卷积(自定义滤波)

上述滤波方法中,卷积核的设定是较为固定的,而在实际的图像处理时,我们可能希望使用特定的卷积核进行处理,特定卷积核举例如下:

OpenCV提供了cv2.filter2D()函数实现2D卷积滤波,举例程序如下:

 1 #自定义一个卷积核,使用双边滤波函数cv2.filter2D()对原始图像进行滤波
 2 import cv2
 3 import numpy as np
 4 o=cv2.imread(\'E:\python_opencv\lena.jpg\')
 5 kernel=np.ones((3,3),np.float32)/9     #设置3×3卷积核
 6 kernel[2][2]=0.5      #将卷积核的第2行第2列元素置为0.5
 7 r=cv2.filter2D(o,-1,kernel)    #自定义滤波
 8 cv2.imshow(\'original\',o)
 9 cv2.imshow(\'result\',r)
10 cv2.waitKey()
11 cv2.destroyAllWindows()

代码中,自定义将卷积核右下角的值设置为0.5,运行代码后结果如下:

可以看到,本例中自定义卷积核后的滤波的效果,能够对图像的色彩亮度做出改变。

 

这次内容就分享到这里了,下次继续更新第7章 图像形态学操作,希望与各位老师和小伙伴们交流学习~

 

分类:

技术点:

相关文章: