10.3 图像平滑

图像平滑

 

学习目标

• 了解图像中的噪声类型

• 了解平均滤波，高斯滤波，中值滤波等的内容

• 能够使用滤波器对图像进行处理

---

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：

 

 

 

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

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

# 1 图像读取

img = cv.imread('./image/dogsp.jpeg')

# 2 均值滤波

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

# 3 图像显示

plt.figure(figsize=(10,8),dpi=100)

plt.subplot(121),plt.imshow(img[:,:,::-1]),plt.title('原图')

plt.xticks([]), plt.yticks([])

plt.subplot(122),plt.imshow(blur[:,:,::-1]),plt.title('均值滤波后结果')

plt.xticks([]), plt.yticks([])

plt.show()

2.2 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：

更远的点以此类推。

为了计算权重矩阵，需要设定σ的值。假定σ=1.5，则模糊半径为1的权重矩阵如下：

这9个点的权重总和等于0.4787147，如果只计算这9个点的加权平均，还必须让它们的权重之和等于1，因此上面9个值还要分别除以0.4787147，得到最终的权重矩阵。

• 计算高斯模糊

有了权重矩阵，就可以计算高斯模糊的值了。

假设现有9个像素点，灰度值（0-255）如下：

每个点乘以对应的权重值：

得到

将这9个值加起来，就是中心点的高斯模糊的值。

对所有点重复这个过程，就得到了高斯模糊后的图像。如果原图是彩色图片，可以对RGB三个通道分别做高斯平滑。

API：

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

参数：

• src: 输入图像

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

• sigmaX: 水平方向的标准差

• sigmaY: 垂直方向的标准差，默认值为0，表示与sigmaX相同

• borderType:填充边界类型

示例：

import cv2 as cv

import numpy as np

from matplotlib import pyplot as plt

# 1 图像读取

img = cv.imread('./image/dogGasuss.jpeg')

# 2 高斯滤波

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

# 3 图像显示

plt.figure(figsize=(10,8),dpi=100)

plt.subplot(121),plt.imshow(img[:,:,::-1]),plt.title('原图')

plt.xticks([]), plt.yticks([])

plt.subplot(122),plt.imshow(blur[:,:,::-1]),plt.title('高斯滤波后结果')

plt.xticks([]), plt.yticks([])

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

import numpy as np

from matplotlib import pyplot as plt

# 1 图像读取

img = cv.imread('./image/dogsp.jpeg')

# 2 中值滤波

blur = cv.medianBlur(img,5)

# 3 图像展示

plt.figure(figsize=(10,8),dpi=100)

plt.subplot(121),plt.imshow(img[:,:,::-1]),plt.title('原图')

plt.xticks([]), plt.yticks([])

plt.subplot(122),plt.imshow(blur[:,:,::-1]),plt.title('中值滤波后结果')

plt.xticks([]), plt.yticks([])

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()