为什么要使用滤波

消除图像中的噪声成分叫作图像的平滑化或滤波操作。信号或图像的能量大部分集中在幅度谱的低频和中频段是很常见的，而在较高频段，感兴趣的信息经常被噪声淹没。因此一个能降低高频成分幅度的滤波器就能够减弱噪声的影响。
如下图，左图带有椒盐噪声，右图为使用中值滤波处理后的图片。

图像滤波的目的有两个:一是抽出对象的特征作为图像识别的特征模式;另一个是为适应图像处理的要求，消除图像数字化时所混入的噪声。

python +opencv讲解

均值滤波

含义
如图：如果我们想对红色点进行处理，则它新值等于周围N乘N个像素点的平均（包括自身）

用表达式表达：

扩展到对整个图像进行均值滤波

实现方法：
处理结果=cv2.blur(原始图像,核大小)

核大小：以（宽度，高度）的元祖
效果：使图像变模糊啦。能处理被椒盐攻击过的照片。

import cv2
a=cv2.imread('lenacolor.png')#
b=cv2.blur(a,(8,8))
cv2.imshow('original',a)
cv2.imshow('result',b)
cv2.waitKey(0)
cv2.destroyAllWindows()

方框滤波

实现方法：函数boxFilter
处理结果=cv2.boxFilter(原始图像,目标图像深度,核大小,normalize属性）

目标图像深度: int类型的目标图像深度，-1表示与原始图像一致
核大小：（宽度，高度）元祖
normalize:是否对目标图像进行归一化处理
normalize为true 时与均值滤波一样，为false时表示任意一个点的像素为周围像素点的和，容易发生溢出超过255

normalize=1，1为true

import cv2
a=cv2.imread('lenacolor.png')#
b=cv2.boxFilter(a,-1,(5,5),normalize=1)
cv2.imshow('original',a)
cv2.imshow('result',b)
cv2.waitKey(0)
cv2.destroyAllWindows()

结果：

normalize=0，0为false
结果中只有几个点不是白色

减少核大小为（2,2）normalize=0

高斯滤波

含义：
中心点权重高，越远越低

实现方法：GaussianBlur

处理结果=cv2.GaussianBlur(原始图像src，核函数大小ksize，sigmaX)

核函数大小ksize：（N，N）必须是奇数
sigmaX：控制x方向方差，控制权重,一般取0,它自己去计算方差。y轴方差和x一致

import cv2
a=cv2.imread('lenacolor.png')#
b=cv2.GaussianBlur(a,(3,3),0)
cv2.imshow('original',a)
cv2.imshow('result',b)
cv2.waitKey(0)
cv2.destroyAllWindows()

中值滤波

使用像素点邻域附近的像素的中值代替该点的像素值。通俗点来说，在这个像素的左边找五个像素点，右边找五个像素点，将这些像素进行排序，排序过后产生一个中值，用中间大小的值，来代替该像素的值。

中值滤波可以有效的去除斑点和椒盐噪声。但是效率低，其运算时间 为均值滤波的五倍以上。

实现方法：medianBlur
目标图像=cv2.medianBlur(原始图像,intksize)
intksize:核函数，必须为奇数.

import cv2
a=cv2.imread('lenacolor.png')#
b=cv2.medianBlur(a,5)
cv2.imshow('original',a)
cv2.imshow('result',b)
cv2.waitKey(0)
cv2.destroyAllWindows()

到此这篇关于opencv 图像滤波(均值,方框,高斯,中值)的文章就介绍到这了,更多相关opencv 图像滤波内容请搜索python博客以前的文章或继续浏览下面的相关文章希望大家以后多多支持python博客！