1.jpg
本节主要讲模糊操作，这是一种对图像预处理的方法。
开篇的图像选的并不具有代表性。只是想验证我对于下面要提到的中值滤波的猜测。
模糊处理的方法主要有：平均模糊，高斯模糊，中位值模糊，双边模糊。
下面一一介绍：
平均模糊
平均模糊其实就是内核对原图像卷积后求平均。比如下面这样一个内核：
对应python中的函数就是：cv2.blur
import argparse
import cv2
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True, help="Path to the image")
args = vars(ap.parse_args())
image = cv2.imread(args["image"])
cv2.imshow("Original", image)
kernelSizes = [(3, 3), (9, 9), (15, 15)]
# 对使用不同大小的内核对原图像进行平均模糊
for (kX, kY) in kernelSizes:
blurred = cv2.blur(image, (kX, kY))
cv2.imshow("Average ({}, {})".format(kX, kY), blurred)
cv2.waitKey(0)
处理之后的结果如下：
image.png
高斯模糊
# 关闭所有窗口
cv2.destroyAllWindows()
cv2.imshow("Original", image)
# 使用不同大小的内核对原图像进行高斯模糊
for (kX, kY) in kernelSizes:
blurred = cv2.GaussianBlur(image, (kX, kY), 0)
cv2.imshow("Gaussian ({}, {})".format(kX, kY), blurred)
cv2.waitKey(0)
效果如下：
image.png
中位数模糊（中值模糊）
# 关闭所有的图像
cv2.destroyAllWindows()
cv2.imshow("Original", image)
# 使用不同大小的内核对原图像进行中值模糊
for k in (3, 9, 15):
blurred = cv2.medianBlur(image, k)
cv2.imshow("Median {}".format(k), blurred)
cv2.waitKey(0)
效果如下：
image.png
我想验证的是图像上部的几个黑点（我手动添加上去的噪点）是否可以清除掉。可以看出中位数模糊对于去除噪点要比平均值模糊和高斯模糊好。
双边滤波器
以上的几种模糊方法对于保持边缘都不好。而为了实现保持边缘，则有了双边滤波器。
# 导入库
import argparse
import cv2
# 构建参数解析器
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True, help="Path to the image")
args = vars(ap.parse_args())
# 加载并显示图像
image = cv2.imread(args["image"])
cv2.imshow("Original", image)
params = [(11, 21, 7), (11, 41, 21), (11, 61, 39)]
# 对原始图像使用不同的直径，颜色标准差，空间标准差的双边滤波
for (diameter, sigmaColor, sigmaSpace) in params:
blurred = cv2.bilateralFilter(image, diameter, sigmaColor, sigmaSpace)
title = "Blurred d={}, sc={}, ss={}".format(diameter, sigmaColor, sigmaSpace)
cv2.imshow(title, blurred)
cv2.waitKey(0)
双边滤波器有三个参数，直径，颜色标准差，空间标准差。
这个方法比较消耗资源，速度也更慢。但对于保持边缘有很好的效果。
总结
平均模糊速度最快，但不能保持边缘。
高斯模糊可以更好保持边缘，但速度稍慢。
中值模糊可以消除椒盐噪声。
双边模糊可以最好的保持边缘，速度也是最慢的。