python-opencv 图像处理基础（三）高斯滤波中值滤波均值滤波线性滤波非线性滤波中值滤波均值滤波高斯滤波双边滤波引导滤波最小二乘滤波（WLS）

66 阅读 0 评论 44 点赞

我是靠谱客的博主雪白便当，最近开发中收集的这篇文章主要介绍python-opencv 图像处理基础（三）高斯滤波中值滤波均值滤波线性滤波非线性滤波中值滤波均值滤波高斯滤波双边滤波引导滤波最小二乘滤波（WLS），觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

线性滤波

方框滤波、均值滤波、高斯滤波，原始数据和滤波结果是一种线性的算术运算，即用加减乘除等运算实现所以称之为线性滤波。

非线性滤波

中值滤波、双边滤波。原始数据和滤波结果是一种逻辑关系，即通过比较一定邻域内的灰度值大小来实现的。

中值滤波

将模板内的像素数据，按从小到大的顺序排列，取中间的像素替换原始像素的卷积操作。

注：如果数量为偶数那么中位数则是中间两数的均值。中值滤波是一种可以非常有效去除少量异常像素值的滤波方法。

中值滤波在一定的条件下可以克服常见线性滤波器如方框滤波器、均值滤波等带来的图像细节模糊，而且对滤除脉冲干扰及图像扫描噪声非常有效，也常用于保护边缘信息, 保存边缘的特性使它在不希望出现边缘模糊的场合也很有用，是非常经典的平滑噪声处理方法。

但是中值滤波的缺点也很明显，因为要进行排序操作，所以处理的时间长，是均值滤波的5倍以上。

void medianBlur( InputArray src, OutputArray dst, int ksize );

输入图像src，输出图像dst，以及核的大小ksize。注意这里的ksize必须为正奇数1,3,5,7……否则程序会出错。

均值滤波

求取模板内的像素均值替代像素值。

均值模糊+中值模糊+自定义模糊：

#均值模糊、中值模糊、自定义模糊
#模糊操作的基本原理
#1、基于离散卷积
#2、定义好每个卷积核
#3、不同卷积核得到不同的卷积效果
#4、模糊是卷积的一种表现
def blur_demo(image):
	#均值模糊
	dst=cv2.blur(image,(1,10))
	cv2.imshow("blur_demo",dst)


def median_blur_demo(image):
	#中值模糊
	dst=cv2.medianBlur(image,5)#奇数
	cv2.imshow("medianBlur",dst)


def custom_blur_demo(image):
	#自定义模糊
	kernel=np.array([[0,-1,0],[-1,5,-1],[0,-1,0]],np.float32)
	#dst=cv.filter2D(src, ddepth, kernel[, dst[, anchor[, delta[, borderType]]]])
	#ddepth:目标图像所需深度
	#kernel:卷积核（或相当于相关核），单通道浮点矩阵;如果要将不同的内核应用于不同的通道，请使用拆分将图像拆分为单独的颜色平面，然后单独处理它们。
	#anchor:内核的锚点，指示内核中过滤点的相对位置;锚应位于内核中;默认值（-1，-1）表示锚位于内核中心。
	#detal:在将它们存储在dst中之前，将可选值添加到已过滤的像素中。类似于偏置。
	#borderType:像素外推法，参见BorderTypes
	dst=cv2.filter2D(image,-1,kernel=kernel)
	cv2.imshow("custom_blur_demo",dst)

if __name__ == '__main__':
	image=cv2.imread('../opencv-python-img/lena.png')
	#blur_demo(image)
	#median_blur_demo(image)
	custom_blur_demo(image)
	cv2.waitKey(0)

高斯滤波

高斯滤波是最常用的图像去噪方法之一，它能很好地滤除掉图像中随机出现的高斯噪声，高斯滤波是一种低通滤波，它在滤除图像中噪声信号的同时，也会对图像中的边缘信息进行平滑，表现出来的结果就是图像变得模糊。高斯滤波之所以会导致图像变得模糊，是因为它在滤波过程中只关注了位置信息。

在滤波窗口内，距离中心点越近的点的权重越大；这种只关注距离的思想在某些情况下是可行的，例如在平坦的区域，距离越近的区域其像素分布也越相近，自然地，这些点的像素值对滤波中心点的像素值更有参考价值。但是在像素值出现跃变的边缘区域，这种方法会适得其反，损失掉有用的边缘信息。此时就出现了一类算法——边缘保护滤波方法，双边滤波就是最常用的边缘保护滤波方法（另一种常用来与双边滤波对比的边缘保护滤波方法——引导滤波）。

高斯噪声+高斯模糊：

def clamp(pv):
	if pv>255:
		return 255
	elif pv<0:
		return 0
	else:
		return pv


def gaussian_noise(image):
	h,w,c=image.shape
	for row in range(h):
		for col in range(w):
			s=np.random.normal(0,20,3)
			b=image[row,col,0]
			g=image[row,col,1]
			r=image[row,col,2]
			image[row,col,0]=clamp(b+s[0])
			image[row,col,1]=clamp(g+s[1])
			image[row,col,2]=clamp(r+s[2])
	cv2.imshow("noise image",image)



if __name__ == '__main__':
	image=cv2.imread("../opencv-python-img/lena.png")
	
	t1=cv2.getTickCount()
	gaussian_noise(image)
	#dst=cv2.GaussianBlur(image,(0,0),15)
	#cv2.imshow('dst',dst)
	t2=cv2.getTickCount()
	time=(t2-t1)/cv2.getTickFrequency()
	print(time)
	cv2.waitKey(0)

	#说明：
	#自定义函数高斯模糊耗时3.4s
	#调用opencv高斯模糊函数耗时0.1s

双边滤波

双边滤波的思想很简单，在高斯滤波的基础上加入了像素值权重项，也就是说既要考虑距离因素，也要考虑像素值差异的影响，像素值越相近，权重越大。

Python: cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace[, dst[, borderType]]) → dst

函数中的参数依次表示

src：输入图像，

d：滤波窗口的直径（函数注释中使用的是Diameter，那么很可能函数中选取的窗口是圆形窗口），

sigmaColor：像素值域方差，颜色空间的标准差，即灰度值相似性高斯函数标准差，一遍尽可能大。

sigmaSpace：空间域方差，以及边缘处理方式。一般尽可能小,参数越大，邻近像素将会在越远的地方mix

#---------------------------------边缘保留滤波EPF
#1、高斯双边
#2、均值迁移
#双边滤波是一种非线性的滤波方法，是结合图像的空间邻近度和像素值相似度的一种折衷处理，同时考虑空间与信息和灰度相似性，达到保边去噪的目的，具有简单、非迭代、局部处理的特点。之所以能够达到保边去噪的滤波效果是因为滤波器由两个函数构成：一个函数是由几何空间距离决定滤波器系数，另一个是由像素差值决定滤波器系数. 
def bi_demo(image):
	dst=cv2.bilateralFilter(image,0,100,33)
	#image 输入图像
	#0：过滤时周围每个像素邻域的直径
	#100：颜色空间的标准差，即灰度值相似性高斯函数标准差，一遍尽可能大。
	#33：空间高斯函数标准差。一般尽可能小,参数越大，邻近像素将会在越远的地方mix
	cv2.imshow("bi_demo",dst)

def shift_demo(image):#使用均值边缘保留滤波时，可能会导致图像过度模糊
	dst=cv2.pyrMeanShiftFiltering(image,10,50)
	#src:原图像
	#sp:空间窗的半径
	#sr:色彩窗的半径
	cv2.imshow("shift_demo",dst)

if __name__ == '__main__':
	image=cv2.imread('../opencv-python-img/lena.png')
	#bi_demo(image)
	shift_demo(image)
	cv2.waitKey(0)