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

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)

引导滤波

引导滤波与双边滤波相似，同样具有保持边缘的特性，在引导滤波中，用到了局部线性模型，用如下图进行简单理解：

某函数上一点与其临近部分的点成线性关系，一个复杂的函数就可以用很多局部的线性函数来表示，当需要求该函数上某一点的值时，只需要计算所有包含该点的线性函数的值做平均即可。这种模型，在表示非解析函数上非常有用。

在滤波效果上，引导滤波和双边滤波差不多，在一些细节上，引导滤波较好。

引导滤波最大的优势在于，可以写出时间复杂度与窗口大小无关的算法，因此在使用大窗口处理图片时，其效率更高。

在图像去雾、图像抠图上均有相应的应用。

最小二乘滤波（WLS）

参考

1、高斯噪声和椒盐噪声_FireBird的专栏-CSDN博客_高斯噪声

2、导向滤波(Guided Filter)公式详解_Zetropy-CSDN博客_导向滤波

3、数字图像处理之椒盐噪声和中值滤波_tsfx051435adsl的博客-CSDN博客_椒盐噪声图像