导向滤波python_(三)OpenCV-Python学习—图像平滑

由于种种原因，图像中难免会存在噪声，需要对其去除。噪声可以理解为灰度值的随机变化，即拍照过程中引入的一些不想要的像素点。噪声可分为椒盐噪声，高斯噪声，加性噪声和乘性噪声等，参见：https://zhuanlan.zhihu.com/p/52889476

噪声主要通过平滑进行抑制和去除，包括基于二维离散卷积的高斯平滑，均值平滑，基于统计学的中值平滑，以及能够保持图像边缘的双边滤波，导向滤波算法等。下面介绍其具体使用

1. 二维离散卷积

理解卷积：https://www.zhihu.com/question/22298352/answer/637156871

https://www.zhihu.com/question/22298352/answer/228543288

学习图像平滑前，有必要了解下卷积的知识，看完上述连接，对于图像处理中卷积应该了解几个关键词：卷积核，锚点，步长，内积，卷积模式

卷积核(kernel)：用来对图像矩阵进行平滑的矩阵，也称为过滤器(filter)

锚点：卷积核和图像矩阵重叠，进行内积运算后，锚点位置的像素点会被计算值取代。一般选取奇数卷积核，其中心点作为锚点

步长：卷积核沿着图像矩阵每次移动的长度

内积：卷积核和图像矩阵对应像素点相乘，然后相加得到一个总和，如下图所示。(不要和矩阵乘法混淆)

卷积模式：卷积有三种模式，FULL, SAME，VALID，实际使用注意区分使用的那种模式。(参考：https://zhuanlan.zhihu.com/p/62760780)

Full：全卷积，full模式的意思是，从filter和image刚相交开始做卷积，白色部分为填0，橙色部分为image, 蓝色部分为filter，filter的运动范围如图所示。

Same卷积：当filter的锚点(K)与image的边角重合时，开始做卷积运算，可见filter的运动范围比full模式小了一圈，same mode为full mode 的子集，即full mode的卷积结果包括same mode。

valid卷积：当filter全部在image里面的时候，进行卷积运算，可见filter的移动范围较same更小了，同样valid mode为same mode的子集。valid mode的卷积计算，填充边界中的像素值不会参与计算，即无效的填充边界不影响卷积，所以称为valid mode。

python的scipy包中提供了convolve2d()函数来实现卷积运算，其参数如下：

fromscipy import signal

signal.convolve2d(src,kernel,mode,boundary,fillvalue)

src: 输入的图像矩阵，只支持单通的(即二维矩阵)

kernel：卷积核

mode：卷积类型：full, same, valid

boundary:边界填充方式：fill，wrap, symm

fillvalue: 当boundary为fill时，边界填充的值，默认为0

opencv中提供了flip()函数翻转卷积核，filter2D进行same 卷积, 其参数如下：

dst =cv2.flip(src,flipCode)

src: 输入矩阵

flipCode:0表示沿着x轴翻转，1表示沿着y轴翻转，-1表示分别沿着x轴，y轴翻转

dst:输出矩阵(和src的shape一样)

cv2.filter2D(src,dst,ddepth,kernel,anchor=(-1,-1),delta=0,borderType=cv2.BORDER_DEFAULT)

src: 输入图像对象矩阵

dst:输出图像矩阵

ddepth:输出矩阵的数值类型

kernel:卷积核

anchor：卷积核锚点，默认(-1,-1)表示卷积核的中心位置

delat:卷积完后相加的常数

borderType:填充边界类型

2 图像平滑

2.1 高斯平滑

高斯平滑即采用高斯卷积核对图像矩阵进行卷积操作。高斯卷积核是一个近似服从高斯分布的矩阵，随着距离中心点的距离增加，其值变小。这样进行平滑处理时，图像矩阵中锚点处像素值权重大，边缘处像素值权重小，下为一个3*3的高斯卷积核：

opencv中提供了GaussianBlur()函数来进行高斯平滑，其对应参数如下：

dst =cv2.GaussianBlur(src,ksize,sigmaX,sigmay,borderType)

src: 输入图像矩阵,可为单通道或多通道，多通道时分别对每个通道进行卷积

dst:输出图像矩阵,大小和数据类型都与src相同

ksize:高斯卷积核的大小，宽，高都为奇数，且可以不相同

sigmaX: 一维水平方向高斯卷积核的标准差

sigmaY: 一维垂直方向高斯卷积核的标准差，默认值为0，表示与sigmaX相同

borderType:填充边界类型

代码使用示例和效果如下：(相比于原图，平滑后图片变模糊)

#coding:utf-8import cv2ascv

import matplotlib.pyplotasplt

import numpyasnp

img= cv.imread(r"C:\Users\Administrator\Desktop\timg.jpg")

img_gauss= cv.GaussianBlur(img,(3,3),1)

cv.imshow("img",img)

cv.imshow("img_gauss",img_gauss)

cv.waitKey(0)

cv.destroyAllWindows()

GaussianBlur()

对于上面的高斯卷积核，可以由如下两个矩阵相乘进行构建，说明高斯核是可分离卷积核，因此高斯卷积操作可以分成先进行垂直方向的一维卷积，再进行一维水平方向卷积。

opencv中getGaussianKernel()能用来产生一维的高斯核，分别获得水平和垂直的高斯核，分两步也能完成高斯卷积，获得和GaussianBlur一样的结果。其参数如下：

cv2.getGaussianKernel(ksize,sigma,ktype)

ksize:奇数，一维核长度

sigma:标准差

ktype:数据格式，应该为CV_32F 或者 CV_64F

返回矩阵如下：垂直的矩阵

[[ 0.27406862]

[ 0.45186276]

[ 0.27406862]

#coding:utf-8import cv2ascv

import matplotlib.pyplotasplt

import numpyasnpfromscipy import signal

#convolve2d只是对单通道进行卷积，若要实现cv.GaussianBlur()多通道高斯卷积，需要拆分三个通道进行，再合并

def gaussianBlur(img,h,w,sigma,boundary="fill",fillvalue=0):

kernel_x=cv.getGaussianKernel(w,sigma,cv.CV_64F) #默认得到的为垂直矩阵

kernel_x=np.transpose(kernel_x) #转置操作，得到水平矩阵

#水平方向卷积

gaussian_x= signal.convolve2d(img,kernel_x,mode="same",boundary=boundary,fillvalue=fillvalue)

#垂直方向卷积

kernel_y=cv.getGaussianKernel(h,sigma,cv.CV_64F)

gaussian_xy= signal.convolve2d(gaussian_x,kernel_y,mode="same",boundary=boundary,fillvalue=fillvalue)

#cv.CV_64F数据转换为uint8

gaussian_xy=np.round(gaussian_xy)

gaussian_xy=gaussian_xy.astype(np.uint8)returngaussian_xyif __name__=="__main__":

img= cv.imread(r"C:\Users\Administrator\Desktop\timg.jpg",0)

img_gauss= gaussianBlur(img,3,3,1)

cv.imshow("img",img)

cv.imshow("img_gauss",img_gauss)

cv.waitKey(0)

cv.destroyAllWindows()

先水平卷积，再垂直卷积

2.2 均值平滑

高斯卷积核，对卷积框中像素值赋予不同权重，而均值平滑赋予相同权重，一个3*5的均值卷积核如下，均值卷积核也是可分离的。

opencv的boxFilter()函数和blur()函数都能用来进行均值平滑，其参数如下：

cv2.boxFilter(src,ddepth,ksize,dst,anchor,normalize,borderType)

src: 输入图像对象矩阵,

ddepth:数据格式,位深度

ksize:高斯卷积核的大小，格式为(宽，高)

dst:输出图像矩阵,大小和数据类型都与src相同

anchor：卷积核锚点，默认(-1,-1)表示卷积核的中心位置

normalize:是否归一化 (若卷积核3*5，归一化卷积核需要除以15)

borderType:填充边界类型

cv2.blur(src,ksize,dst,anchor,borderType)

src: 输入图像对象矩阵,可以为单通道或多通道

ksize:高斯卷积核的大小，格式为(宽，高)

dst:输出图像矩阵,大小和数据类型都与src相同

anchor：卷积核锚点，默认(-1,-1)表示卷积核的中心位置

borderType:填充边界类型

示例代码和使用效果如下：

#coding:utf-8import cv2ascv

import matplotlib.pyplotasplt

import numpyasnp

img= cv.imread(r"C:\Users\Administrator\Desktop\timg.jpg")

img_blur= cv.blur(img,(3,5))

# img_blur= cv.boxFilter(img,-1,(3,5))

cv.imshow("img",img)

cv.imshow("img_blur",img_blur)

cv.waitKey(0)

cv.destroyAllWindows()

blur()和boxFilter()

2.3 中值平滑

中值平滑也有核，但并不进行卷积计算，而是对核中所有像素值排序得到中间值，用该中间值来代替锚点值。opencv中利用medianBlur()来进行中值平滑，中值平滑特别适合用来去除椒盐噪声，其参数如下：

cv2.medianBlur(src,ksize,dst)

src: 输入图像对象矩阵,可以为单通道或多通道

ksize:核的大小，格式为3 #注意不是(3,3)

dst:输出图像矩阵,大小和数据类型都与src相同

其使用代码及效果如下：(加上的白点噪声都被平滑掉了)

#coding:utf-8import cv2ascv

import matplotlib.pyplotasplt

import numpyasnp

import random

img= cv.imread(r"C:\Users\Administrator\Desktop\timg.jpg")

rows,cols= img.shape[:2]

#加入椒盐噪声for i in range(100):

r= random.randint(0,rows-1)

c= random.randint(0,cols-1)

img[r,c]=255img_medianblur= cv.medianBlur(img,5)

cv.imshow("img",img)

cv.imshow("img_medianblur",img_medianblur)

cv.waitKey(0)

cv.destroyAllWindows()

medianBlur()

2.4 双边滤波

相比于上面几种平滑算法，双边滤波在平滑的同时还能保持图像中物体的轮廓信息。双边滤波在高斯平滑的基础上引入了灰度值相似性权重因子，所以在构建其卷积核核时，要同时考虑空间距离权重和灰度值相似性权重。在进行卷积时，每个位置的邻域内，根据和锚点的距离d构建距离权重模板，根据和锚点灰度值差异r构建灰度值权重模板，结合两个模板生成该位置的卷积核。opencv中的bilateralFilter()函数实现了双边滤波，其参数对应如下：

dst =cv2.bilateralFilter(src,d,sigmaColor,sigmaSpace,borderType)

src: 输入图像对象矩阵,可以为单通道或多通道

d:用来计算卷积核的领域直径，如果d<=0，从sigmaSpace计算d

sigmaColor：颜色空间滤波器标准偏差值，决定多少差值之内的像素会被计算(构建灰度值模板)

sigmaSpace:坐标空间中滤波器标准偏差值。如果d>0，设置不起作用，否则根据它来计算d值(构建距离权重模板)

其使用代码及效果如下：

#coding:utf-8import cv2ascv

import matplotlib.pyplotasplt

import numpyasnp

import random

import math

img= cv.imread(r"C:\Users\Administrator\Desktop\timg.jpg")

img_bilateral= cv.bilateralFilter(img,0,0.2,40)

cv.imshow("img",img)

cv.imshow("img_bilateral",img_bilateral)

cv.waitKey(0)

cv.destroyAllWindows()

bilateralFilter

同样，利用numpy也可以自己实现双边滤波算法，同样需要对每个通道进行双边滤波，最后进行合并，下面代码只对单通道进行了双边滤波，代码和效果如下图：

#coding:utf-8import cv2ascv

import matplotlib.pyplotasplt

import numpyasnp

import random

import math

def getDistanceWeight(sigmaSpace,H,W):

r,c= np.mgrid[0:H:1,0:W:1]

r= r-(H-1)/2c=c-(W-1)/2distanceWeight= np.exp(-0.5*(np.power(r,2)+np.power(c,2))/math.pow(sigmaSpace,2))returndistanceWeight

def bilateralFilter(img,H,W,sigmaColor,sigmaSpace):

distanceWeight=getDistanceWeight(sigmaSpace,H,W)

cH= (H-1)/2cW= (W-1)/2rows,cols= img.shape[:2]

bilateralImg=np.zeros((rows,cols),np.float32)for r inrange(rows):for c inrange(cols):

pixel=img[r,c]

rTop= 0 if r-cH<0 else r-cH

rBottom= rows-1 if r+cH>rows-1 else r+cH

cLeft= 0 if c-cW<0 else c-cW

cRight= cols-1 if c+cW>cols-1 else c+cW

#权重模板作用区域

region=img[rTop:rBottom+1,cLeft:cRight+1]

#灰度值差异权重

colorWeight= np.exp(0.5*np.power(region-pixel,2.0)/math.pow(sigmaColor,2))

print(colorWeight.shape)

#距离权重

distanceWeightTemp= distanceWeight[cH-(r-rTop):rBottom-r+cH+1,cW-(c-cLeft):cRight-c+cW+1]

print(distanceWeightTemp.shape)

#权重相乘并归一化

weightTemp= colorWeight*distanceWeightTemp

weightTemp= weightTemp/np.sum(weightTemp)

bilateralImg[r][c]=np.sum(region*weightTemp)returnbilateralImgif __name__=="__main__":

img= cv.imread(r"C:\Users\Administrator\Desktop\timg.jpg",0)

img_temp= img/255.0img_bilateral= bilateralFilter(img_temp,3,3,0.2,19)*255img_bilateral[img_bilateral>255] = 255img_bilateral=img_bilateral.astype(np.uint8)

cv.imshow("img",img)

cv.imshow("img_bilateral",img_bilateral)

cv.waitKey(0)

cv.destroyAllWindows()

python实现双边滤波

2.5 联合双边滤波

双边滤波是根据原图中不同位置灰度相似性来构建相似性权重模板，而联合滤波是先对原图进行高斯平滑，然后根据平滑后的图像灰度值差异建立相似性模板，再与距离权重模板相乘得到最终的卷积核，最后再对原图进行处理。所以相比于双边滤波，联合双边滤波只是建立灰度值相似性模板的方法不一样。

联合双边滤波作为边缘保留滤波算法时，进行joint的图片即为自身原图片，如果将joint换为其他引导图片，联合双边滤波算法还可以用来实现其他功能。opencv 2中不支持联合双边滤波，opencv 3中除了主模块，还引入了contrib，其中的ximgproc模块包括了联合双边滤波的算法。因此如果需要使用opencv的联合双边滤波，需要安装opencv-contrib-python包。

安装opencv主模块和contrib附加模块步骤：

pip uninstall opencv-python (如果已经安装opencv-python包，先卸载)

pip install opencv-contrib-python

联合双边滤波: cv2.xmingproc.jointBilateralFilter(), 其相关参数如下：

dst =cv2.xmingproc.jointBilateralFilter(joint,src,d,sigmaColor,sigmaSpace,borderType)

joint: 进行联合滤波的导向图像，可以为单通道或多通道，保持边缘的滤波算法时常采用src

src: 输入图像对象矩阵,可以为单通道或多通道

d:用来计算卷积核的领域直径，如果d<0，从sigmaSpace计算d

sigmaColor：颜色空间滤波器标准偏差值，决定多少差值之内的像素会被计算(构建灰度值模板)

sigmaSpace:坐标空间中滤波器标准偏差值。如果d>0，设置不起作用，否则根据它来计算d值(构建距离权重模板)

下面是联合双边滤波的使用代码和效果：(采用src的高斯平滑图片作为joint)

#coding:utf-8import cv2ascv

import matplotlib.pyplotasplt

import numpyasnp

import random

import math

src= cv.imread(r"C:\Users\Administrator\Desktop\timg.jpg")

joint= cv.GaussianBlur(src,(7,7),1,0)

dst= cv.ximgproc.jointBilateralFilter(joint,src,33,2,0)

# dst= cv.ximgproc.jointBilateralFilter(src,src,33,2,0) #采用src作为joint

cv.imshow("img",src)

cv.imshow("joint",joint)

cv.imshow("dst",dst)

cv.waitKey(0)

cv.destroyAllWindows()

cv2.ximgproc.jointBilateralFilter()

2.6 导向滤波

导向滤波也是需要一张图片作为引导图片，来表明边缘，物体等信息，作为保持边缘滤波算法，可以采用自身作为导向图片。opencv 2中也暂不支持导向滤波, 同样在opencv-contrib-python包的ximgproc模块提供了导向滤波函。

导向滤波具体原理可以参考：https://blog.csdn.net/baimafujinji/article/details/74750283

opencv中导向滤波cv2.ximgproc.guidedFilter()的参数如下：

导向滤波

cv2.ximgproc.guidedFilter(guide,src,radius,eps,dDepth)

guide: 导向图片，单通道或三通道

src: 输入图像对象矩阵,可以为单通道或多通道

radius:用来计算卷积核的领域直径

eps:规范化参数， eps的平方类似于双边滤波中的sigmaColor(颜色空间滤波器标准偏差值)

(regularization term of Guided Filter. eps2is similar to the sigma inthe color space into bilateralFilter.)

dDepth: 输出图片的数据深度

其代码使用和效果如下：

#coding:utf-8import cv2ascv

src= cv.imread(r"C:\Users\Administrator\Desktop\timg.jpg")

dst= cv.ximgproc.guidedFilter(src,src,33,2,-1)

cv.imshow("img",src)

cv.imshow("dst",dst)

cv.waitKey(0)

cv.destroyAllWindows()

cv2.ximgproc.guidedFilter

原文：https://www.cnblogs.com/silence-cho/p/11027218.html