python 简单图像处理（10） 空间域图像平滑
图象平滑的主要目的是减少图像噪声
图像噪声来自多方面，常见的噪声有以下几种：
加性噪声、乘性噪声、量化噪声、椒盐噪声
减少噪声的方法可以在空间域或是在频率域
在空间域，基本方法是求像素的平均值或中值
在频率域，运用的是低通滤波技术
在这里我们只讲空间域的图象平滑。频率域以后有机会再讲
空间域的各种滤波器虽然形状不同，但在空间域实现图像滤波的方法是相似的。
都是利用模板卷积，即将图像模板下的像素与模板系数的乘积求和操作。
我们先来看3×3的模板：
我们先来看看领域平均法：
常用的平滑掩模算子有
我们写程序来实现：
import cv
def Filter(image,array):
w = image.width
h = image.height
size = (w,h)
iFilter = cv.CreateImage(size, 8 , 1 )
for i in range(h):
for j in range(w):
if i in [0,h - 1 ] or j in [0,w - 1 ]:
iFilter[i,j] = image[i,j]
else :
a = [0] * 9
for k in range( 3 ):
for l in range( 3 ):
a[k * 3 + l] = image[i - 1 + k,j - 1 + l]
sum = 0
for m in range( 9 ):
sum = sum + array[m] * a[m]
iFilter[i,j] = int(sum)
return iFilter
H1 = [ 1.0 / 9 ] * 9
H2 = [ 1.0 / 10 ] * 9
H2[ 4 ] = 0.2
H3 = [ 1.0 / 16 , 2.0 / 16 , 1.0 / 16 , 2.0 / 16 , 4.0 / 16 , 2.0 / 16 , 1.0 / 16 , 2.0 / 16 , 1.0 / 16 ]
H4 = [ 1.0 / 8 ] * 9
H4[ 4 ] = 0
image = cv.LoadImage( ' lena.jpg ' ,0)
iH1F = Filter(image,H1)
iH2F = Filter(image,H2)
iH3F = Filter(image,H3)
iH4F = Filter(image,H4)
cv.ShowImage( ' image ' ,image)
cv.ShowImage( ' iH1F ' ,iH1F)
cv.ShowImage( ' iH2F ' ,iH2F)
cv.ShowImage( ' iH3F ' ,iH3F)
cv.ShowImage( ' iH4F ' ,iH4F)
cv.WaitKey(0)
效果如下：
不同算子间差别很小，至少这幅图是这样的
我们再来看看中值滤波器
中值滤波器不存在算子的概念，只有窗口的概念
选取以某一点为中心的窗口，对窗口中所有点灰度值取中值，将灰度值的中值付给这一点。这就是中值滤波的全部
改造一下刚才的程序：
import cv
def MFilter(image):
w = image.width
h = image.height
size = (w,h)
iMFilter = cv.CreateImage(size, 8 , 1 )
for i in range(h):
for j in range(w):
if i in [0,h - 1 ] or j in [0,w - 1 ]:
iMFilter[i,j] = image[i,j]
else :
a = [0] * 9
for k in range( 3 ):
for l in range( 3 ):
a[k * 3 + l] = image[i - 1 + k,j - 1 + l]
a.sort()
iMFilter[i,j] = a[ 4 ]
return iMFilter
image = cv.LoadImage( ' lena.jpg ' ,0)
iMF = MFilter(image)
cv.ShowImage( ' image ' ,image)
cv.ShowImage( ' iMF ' ,iMF)
cv.WaitKey(0)
中间为平均值滤波，右边是中值滤波。有没有看出差别？
我们来更直观的看看两种滤波方式对不同信号的处理效果吧
对线性信号，为了处理简单，我用的窗的长度为3
我们从效果可以看出中值平滑只对特别尖锐的信号平滑，而平均值平滑对所有的信号都平滑
所有平均值平滑不仅消除了噪声，还损失了原图中陡峭的边缘
对于含有点，线，尖角较多的图不适应采取中值滤波，他们容易被误认为噪声
好啦，简单的空域平滑滤波就讲到这里了