opencv学习笔记(四)--图像平滑处理

图像平滑处理的几种常用方法：

• 均值滤波
• 归一化滤波
• 高斯模糊
• 中值滤波

平滑处理（模糊）的主要目的是去燥声：

不同的处理方式适合不同的噪声图像，其中高斯模糊最常用。

其实最重要的是对图像卷积的核的理解，核太大图像会失真，具体关于核的讲解点击传送门

 

图像噪声：引起较强视觉效果的孤立像素点或像素块。一般，噪声信号与要研究的对象不相关，它以无用的信息形式出现，扰乱图像的可观测信息。通俗的说就是噪声让图像不清楚。

废话不多说，直接上代码：

#均值滤波         //像素点等于周围N*N像素的平均值
img = cv.imread("E:/pictures/lenanoise.jpg")
blur = cv.blur(img,(7,7))          #res = cv.blur(src,核大小)
cv.imshow("orginal",img)
cv.imshow("blur",blur)
cv.waitKey()
cv.destroyAllWindows()

　　（这是原图）

def blur(src, ksize, dst=None, anchor=None, borderType=None)

kSize：内核参数，其实就是图片进行卷积的时候相乘的那个矩阵，具体的卷积是如何算的，网上有很多，我这里就不介绍了，所得到的图像是模糊的，而且图像其实是按照原来的比例缺少了（原图像-内核参数+1)^2 个单元格

anchor:Point类型，即锚点，有默认值Point(-1,-1)，当坐标为负值，就表示取核的中心。
borderType：Int类型，用于推断图像外部像素的某种边界模式，有默认值BORDER_DEFAULT.

---

方框滤波（归一化滤波）：

#方框滤波                归一化处理
img = cv.imread("E:/pictures/lenanoise.jpg")
boxFiter = cv.boxFilter(img,-1,(5,5))           
boxFiter2 = cv.boxFilter(img,-1,(5,5),normalize=False)    #res = cv.boxFilter(src,图像深度，核大小，normalize属性)
cv.imshow("orginal",img)                                 #图像深度一般设为-1表示和原图的深度一样
cv.imshow("boxFilter",boxFiter)                         #normalize->是否进行归一化处理
cv.imshow("boxFilter2",boxFiter2)                       #normalize属性有两个值TRUE和False，默认为TRUE
cv.waitKey()                                            #（归一化）normalize为TRUE时和均值滤波一样，等于周围N*N个像素的平均值
cv.destroyAllWindows()                                  #normalize为FALSE时，表示周围N*N个像素和，大于255的置为255

　　

---

高斯模糊：

#高斯滤波         //周围N*N个像素的加权平均值
img = cv.imread("E:/pictures/lenanoise.jpg")    #离中心点越近权重越大，越远权重越小
gassblur = cv.GaussianBlur(img,(9,9),0)          #dst = cv.GaussianBlur(src,ksize,sigmax)
cv.imshow("orginal",img)                        #ksize->核大小（必须为奇数）3=3*3,5=5*5
cv.imshow("GaussianBlur",gassblur)             #sigmax ->x方向方差（计算权重） ，一般设为0，由ksize推算，当然是由计算机完成的
cv.waitKey()
cv.destroyAllWindows()

在这种方法中，不使用由相同滤波器系数组成的盒式滤波器，而是使用高斯内核。 它使用函数cv2.GaussianBlur（）完成。 我们应该指定内核的宽度和高度
，它应该是正数和奇数。 我们还应该分别指定X和Y方向的标准偏差sigmaX和sigmaY。 如果只指定sigmaX，则sigmaY等于sigmaX。 如果两者均为零，则从
内核大小进行计算。 高斯滤波非常有效地消除图像中的高斯噪声。

---

中值滤波：

#中值滤波              将n*n个像素排序后取中值作为新的像素值（核必须为奇数）
img = cv.imread("E:/pictures/lenanoise.jpg")
medianblur = cv.medianBlur(img,3)               #dst = cv.medianBlur(src,ksize)
cv.imshow("orginal",img)                         #ksize->核大小,必须为奇数，如3,5,7...代表3*3,5*5....
cv.imshow("GaussianBlur",medianblur)
cv.waitKey()
cv.destroyAllWindows()

转载于:https://www.cnblogs.com/ling2000/p/10582018.html