opencv图像处理之图像平滑

图像平滑

1 图像噪声

由于图像采集、处理、传输等过程不可避免的会受到噪声的污染，妨碍人们对图像理解及分析处理。常见的图像噪声有高斯噪声、椒盐噪声等。

1.1 椒盐噪声

椒盐噪声也称为脉冲噪声，是图像中经常见到的一种噪声，它是一种随机出现的白点或者黑点，可能是亮的区域有黑色像素或是在暗的区域有白色像素（或是两者皆有)。椒盐噪声的成因可能是影像讯号受到突如其来的强烈干扰而产生、类比数位转换器或位元传输错误等。例如失效的感应器导致像素值为最小值，饱和的感应器导致像素值为最大值。

1.2高斯噪声

高斯噪声是指噪声密度函数服从高斯分布的一类噪声。由于高斯噪声在空间和频域中数学上的易处理性，这种噪声(也称为正态噪声)模型经常被用于实践中。高斯随机变量z的概率密度函数由下式给出:

其中z表示灰度值，u表示z的平均值或期望值， o表示z的标准差。标准差的平方r2称为z的方差。高斯函数的曲线如图所示。

2 图像平滑简介

图像平滑从信号处理的角度看就是去除其中的高频信息，保留低频信息。因此我们可以对图像实施低通滤波。低通滤波可以去除图像中的噪声，对图像进行平滑。
根据滤波器的不同可分为均值滤波，高斯滤波，中值滤波，双边滤波。

2.1 均值滤波

采用均值滤波模板对图像噪声进行滤除。令Sxy表示中心在(x, y)点，尺寸为m×n的矩形子图像窗口的坐标组。均值滤波器可表示为:

由一个归一化卷积框完成的。它只是用卷积框覆盖区域所有像素的平均值来代替中心元素。例如，3x3标准化的平均过滤器如下所示:

均值滤波的优点是算法简单，计算速度较快，缺点是在去噪的同时去除了很多细节部分，将图像变得模糊。

API：

cv.blur(src,ksize,anchor,borderType)

参数：

• src：输入图像
• ksize：卷积核的大小
• anchor：默认值（-1，-1），表示核中心
• borderType：边界类型

示例：

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt

img = cv.imread('../image/yy.jpg')
# 均值滤波
blur = cv.blur(img,(5,5))

#
plt.imshow(blur[:,:,::-1])
plt.show()

2 高斯滤波

二维高斯是构建高斯滤波器的基础，其概率分布函数如下所示:

G(x,y)的分布是一个突起的帽子的形状。这里的ρ可以看作两个值，一个是x方向的标准差ρx，另一个是y方向的标准差ρy。

当ρx ,和ρy取值越大，整个形状趋近于扁平;当ρx和ρy取值越小，整个形状越突起。
正态分布是一种钟形曲线，越接近中心，取值越大，越远离中心，取值越小。计算平滑结果时，只需要将"中心点"作为原点，其他点按照其在正态曲线上的位置，分配权重，就可以得到一个加权平均值。
高斯平滑在从图像中去除高斯噪声方面非常有效。

高斯平滑的流程：

• 首先确定权重矩阵

• 计算高斯模糊

  • API: cv2.6aussianBlur(src,ksize,sigmaX,sigmay,borderTYpe)

  • 参数：

    src：输入图像

    ksize：高斯卷积核的大小，注意：卷积核的宽度核高度都应为奇数，且可以不同

    sigmaX：水平方向的标准差

    sigmaY：垂直方向的标准差，默认为0，表示与sigmaX相同

    borderType：填充边界类型

  • 示例：

  import cv2 as cv
  from matplotlib import pyplot as plt
  
  img = cv.imread('../image/yy.jpg')
  # 高斯滤波
  blur = cv.GaussianBlur(img,(3,3),1)
  
  plt.imshow(blur[:,:,::-1])
  plt.show()
  

2.3 中值滤波

中值滤波是一种典型的非线性滤波技术，基本思想是用像素点邻域灰度值的中值来代替该像素点的灰度值。中值滤波对椒盐噪声(salt-and-pepper noise)来说尤其有用，因为它不依赖于邻域内那些与典型值差别很大的值。

API:

cv.medianBlur(src,ksize)

参数：

• src：输入图像
• ksize：卷积核的大小

示例：

import cv2 as cv
from matplotlib import pyplot as plt

img = cv.imread('../image/yy.jpg')
# 高斯滤波
blur = cv.medianBlur(img,3)

plt.imshow(blur[:,:,::-1])
plt.show()

总结：

1.图像噪声

• 椒盐噪声：图像中随机出现的白点或者黑点
• 高斯噪声：噪声的概率密度分布是正态分布

2.图像平滑

• 均值滤波：算法简单，计算速度快，在去噪的同时去除了很多细节部分，将图像变得模糊
  • cv.blur()
• 高斯滤波：去除高斯噪声
  • cv.GaussianBlur()
• 中值滤波：去除椒盐噪声
  • cv.medianBlur()

注：以上数据来自b站黑马程序员视频，点击跳转