opencv-34 图像平滑处理-双边滤波cv2.bilateralFilter()

双边滤波(BilateralFiltering)是一种图像处理滤波技术,用于平滑图像并同时保留边缘信息。与其他传统的线性滤波方法不同,双边滤波在考虑像素之间的空间距离之外,还考虑了像素之间的灰度值相似性。这使得双边滤波能够有效地去除噪声,同时保持图像的细节和边缘。

双边滤波的核心思想是使用一个滑动窗口(卷积核)在图像上移动,并计算窗口中像素的加权平均值来替代中心像素的值。这里的权重包括两个部分:一个是空间权重,根据像素之间的空间距离计算;另一个是灰度值权重,根据像素之间的灰度值相似性计算。空间权重用于保持边缘信息,而灰度值权重用于平滑图像。

在双边滤波中,窗口的大小和两个权重的参数是需要设置的超参数,它们会影响滤波效果。较大的窗口大小和权重参数可以保留更多的图像细节,但也会导致计算复杂度增加。

基本原理

前述滤波方式基本都只考虑了空间的权重信息,这种情况计算起来比较方便,但是在边缘信息的处理上存在较大的问题。

例如,在图 7-30 中,图像左侧是黑色,右侧是白色,中间是很明显的边缘。

opencv-34 图像平滑处理-双边滤波cv2.bilateralFilter()_第1张图片
在均值滤波、方框滤波、高斯滤波中,都会计算边缘上各个像素点的加权平均值,从而模糊边缘信息。

如图 7-31 所示是高斯滤波处理的结果图像。

opencv-34 图像平滑处理-双边滤波cv2.bilateralFilter()_第2张图片
从图 7-31 可以看到,经过高斯滤波处理后,边缘信息变得很模糊,均值滤波处理也会造成类似的问题。边界模糊是滤波处理过程中对邻域像素取均值所造成的结果,上述滤波处理过程单纯地考虑空间信息,造成了边界模糊和部分信息的丢失。

双边滤波在计算某一个像素点的新值时,不仅考虑距离信息(距离越远,权重越小),还考虑色彩信息(色彩差别越大,权重越小)。双边滤波综合考虑距离和色彩的权重结果,既能够有效地去除噪声,又能够较好地保护边缘信息。

在双边滤波中,当处在边缘时,与当前点色彩相近的像素点(颜色距离很近)会被给予较大的权重值;而与当前色彩差别较大的像素点(颜色距离很远)会被给予较小的权重值(极端情况下权重可能为 0,直接忽略该点),这样就保护了边缘信息。

例如,在图 7-32 中:

  1. 图(a)是原始图像,左侧区域是白色(像素值为 255),右侧区域是黑色(像素值为 0)。
  2. 图(b)是进行均值滤波的可能结果。在进行均值滤波时,仅仅考虑空间信息,此时左右两侧的像素的处理结果是综合考虑周边元素像素值,并对它们取均值得到的。
  3. 图©是进行双边滤波的可能结果。在进行双边滤波时,不仅考虑空间信息,还考虑色彩差别信息

opencv-34 图像平滑处理-双边滤波cv2.bilateralFilter()_第3张图片
在双边滤波中,在计算左侧白色区域边缘点的滤波结果时:

  1. 对于白色的点,给予的权重较大。

  2. 对于黑色的点,由于色彩差异较大,颜色距离很远(注意,不是像素点之间的物理距离,而是颜色值的距离。像素点的值分别是 0 和 255,差别很大,所以说它们颜色距离很远),因此可以将它们的权重设置为 0。

这样,在计算左侧白色边缘滤波结果时,得到的仍然是白色。因此,双边滤波后,左侧边缘得到保留。

在计算右侧黑色区域边缘点的滤波结果时:

  1. 对于黑色的点,给予的权重较大。

  2. 对于白色的点,由于色彩差异较大,颜色距离很远,因此可以将它们的权重设置为 0。

这样,在计算右侧黑色边缘滤波结果时,得到的仍然是黑色。因此,双边滤波后,左侧边缘得到保留。

cv2.bilateralFilter() 函数说明

在 OpenCV 中,实现双边滤波的函数是 cv2.bilateralFilter(),该函数的语法是:

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

式中:

  1. dst 是返回值,表示进行双边滤波后得到的处理结果。
  2. src 是需要处理的图像,即原始图像。它能够有任意数量的通道,并能对各个通道独立
    处理。图像深度应该是 CV_8U、CV_16U、CV_16S、CV_32F 或者 CV_64F 中的一种。
  3. d 是在滤波时选取的空间距离参数,这里表示以当前像素点为中心点的直径。如果该值为非正数,则会自动从参数 sigmaSpace 计算得到。如果滤波空间较大(d>5),则速度较慢。因此,在实时应用中,推荐 d=5。对于较大噪声的离线滤波,可以选择 d=9。
  4. sigmaColor 是滤波处理时选取的颜色差值范围,该值决定了周围哪些像素点能够参与到滤波中来。与当前像素点的像素值差值小于 sigmaColor 的像素点,能够参与到当前的滤波中。该值越大,就说明周围有越多的像素点可以参与到运算中。该值为 0 时,滤波失去意义;该值为 255 时,指定直径内的所有点都能够参与运算。
  5. sigmaSpace 是坐标空间中的 sigma 值。它的值越大,说明有越多的点能够参与到滤波计算中来。当 d>0 时,无论 sigmaSpace 的值如何,d 都指定邻域大小;否则,d 与 sigmaSpace的值成比例。
  6. borderType 是边界样式,该值决定了以何种方式处理边界。一般情况下,不需要考虑该值,直接采用默认值即可。

为了简单起见,可以将两个 sigma(sigmaColor 和 sigmaSpace)值设置为相同的。如果它们的值比较小(例如小于
10),滤波的效果将不太明显;如果它们的值较大(例如大于 150),则滤波效果会比较明显,会产生卡通效果。在函数
cv2.bilateralFilter()中,参数 borderType 是可选参数,其余参数全部为必选参数。

实验:针对噪声图像,对其进行双边滤波,显示滤波的结果。

代码如下:

import cv2
o=cv2.imread("lenaNoise.png")
r=cv2.bilateralFilter(o,25,100,100)
cv2.imshow("original",o)
cv2.imshow("result",r)
cv2.waitKey()
cv2.destroyAllWindows()


其中左图是原始图像,右图是双边滤波的结果图像。从
图中可以看出,双边滤波去除噪声的效果并不好。

你可能感兴趣的:(opencv,计算机视觉,opencv,计算机视觉,人工智能)