关于滤波和模糊：

它们都属于卷积，不同滤波方法之间只是卷积核不同（对线性滤波而言）
低通滤波器是模糊，高通滤波器是锐化

低通滤波器就是允许低频信号通过，在图像中边缘和噪点都相当于高频部分，所以低通滤波器用于去除噪点、平滑和模糊图像。高通滤波器则反之，用来增强图像边缘，进行锐化处理。

常见噪声有椒盐噪声和高斯噪声，椒盐噪声可以理解为斑点，随机出现在图像中的黑点或白>>点；高斯噪声可以理解为拍摄图片时由于光照等原因造成的噪声。

均值滤波

均值滤波是一种最简单的滤波处理，它取的是卷积核区域内元素的均值，用cv2.blur()实现，如3×3的卷积核：

kernel=19[123456789](3)kernel =\frac{1}{9} \left[ \begin{matrix} 1 & 2 & 3 \\ 4 & 5 & 6 \\ 7 & 8 & 9 \end{matrix} \right] \tag{3} kernel=91⎣⎡147258369⎦⎤(3)

import cv2
img = cv2.imread('lena.jpg')
blur = cv2.blur(img, (3, 3))  # 均值模糊
cv2.imshow("", blur)
cv2.waitKey(0)

方框滤波

方框滤波跟均值滤波很像，如3×3的滤波核如下：
kernel=α[123456789](3)kernel =\alpha \left[ \begin{matrix} 1 & 2 & 3 \\ 4 & 5 & 6 \\ 7 & 8 & 9 \end{matrix} \right] \tag{3} kernel=α⎣⎡147258369⎦⎤(3)

用cv2.boxFilter()函数实现，当可选参数normalize为True的时候，方框滤波就是均值滤波，上式中的a就等于1/9；normalize为False的时候，a=1，相当于求区域内的像素和。

import cv2img = cv2.imread('lena.jpg')
# 前面的均值滤波也可以用方框滤波实现：normalize=True
blur = cv2.boxFilter(img, -1, (3, 3), normalize=False)cv2.imshow("---", blur)
cv2.waitKey(0)

高斯滤波

前面两种滤波方式，卷积核内的每个值都一样，也就是说图像区域中每个像素的权重也就一样。高斯滤波的卷积核权重并不相同：中间像素点权重最高，越远离中心的像素权重越小

显然这种处理元素间权值的方式更加合理一些。图像是2维的，所以我们需要使用2维的高斯函数，比如OpenCV中默认的3×3的高斯卷积核

kernel=[0.06250.1250.06250.1250.250.1250.06250.1250.0625](3)kernel = \left[ \begin{matrix} 0.0625 & 0.125 & 0.0625 \\ 0.125 & 0.25 &0.125 \\ 0.0625 & 0.125& 0.0625 \end{matrix} \right] \tag{3} kernel=⎣⎡0.06250.1250.06250.1250.250.1250.06250.1250.0625⎦⎤(3)

OpenCV中对应函数为cv2.GaussianBlur(src,ksize,sigmaX)：

img = cv2.imread('gaussian_noise.bmp')
# 均值滤波vs高斯滤波
blur = cv2.blur(img, (5, 5))  # 均值滤波
gaussian = cv2.GaussianBlur(img, (5, 5), 1)  # 高斯滤波

参数3 σx值越大，模糊效果越明显。高斯滤波相比均值滤波效率要慢，但可以有效消除高斯噪声，能保留更多的图像细节，所以经常被称为最有用的滤波器。均值滤波与高斯滤波的对比结果如下（均值滤波丢失的细节更多）：

中值滤波

中值又叫中位数，是所有数排序后取中间的值。中值滤波就是用区域内的中值来代替本像素值，所以那种孤立的斑点，如0或255很容易消除掉，适用于去除椒盐噪声和斑点噪声。中值是一种非线性操作，效率相比前面几种线性滤波要慢。

img = cv2.imread('salt_noise.bmp', 0)
# 均值滤波vs中值滤波
blur = cv2.blur(img, (5, 5))  # 均值滤波
median = cv2.medianBlur(img, 5)  # 中值滤波

双边滤波

模糊操作基本都会损失掉图像细节信息，尤其前面介绍的线性滤波器，图像的边缘信息很难保留下来。然而，边缘（edge）信息是图像中很重要的一个特征，所以这才有了双边滤波。用cv2.bilateralFilter()函数实现：

mg = cv2.imread('lena.jpg')
# 双边滤波vs高斯滤波
gau = cv2.GaussianBlur(img, (5, 5), 0)  # 高斯滤波
blur = cv2.bilateralFilter(img, 9, 75, 75)  # 双边滤波

总结

在不知道用什么滤波器好的时候，优先高斯滤波cv2.GaussianBlur()，然后均值滤波cv2.blur()。
常见噪声有椒盐噪声和高斯噪声，椒盐噪声可以理解为斑点，随机出现在图像中的黑点或白点
高斯噪声可以理解为拍摄图片时由于光照等原因造成的噪声。
斑点和椒盐噪声优先使用中值滤波cv2.medianBlur()。
要去除噪点的同时尽可能保留更多的边缘信息，使用双边滤波cv2.bilateralFilter()。
线性滤波（速度相对快）:
- 1.方框滤波：模糊图像
- 2.均值滤波：模糊图像
-3.高斯滤波：信号的平滑处理，去除符合正太分布的噪声
非线性滤波（速度相对慢）:
- 1.中值滤波：去除椒盐噪声
- 2.双边滤波：保边去噪

(ง •_•)ง[Python3 OpenCV4]10.平滑图像相关推荐

(ง •_•)ง[Python3 OpenCV4]4.颜色转换
文章目录 RGB HSV HSL 接口文档颜色空间转换视频中特定颜色物体追踪小结 RGB RGB是从颜色发光的原理来设计定的,通俗点说它的颜色混合方式就好像有红.绿.蓝三盏灯,当它们的光相互叠合 ...
第4章 Python 数字图像处理(DIP) - 频率域滤波10 - 使用低通频率域滤波器平滑图像 - 理想、高斯、巴特沃斯低通滤波器
目录使用低通频率域滤波器平滑图像理想低通滤波器(ILPF) 高斯低通滤波器(GLPF) 巴特沃斯低通滤波器低通滤波的例子使用低通频率域滤波器平滑图像理想低通滤波器(ILPF) 在以原点为中心 ...
OpenCV 中的图像处理 004_平滑图像
本文主要内容来自于 OpenCV-Python 教程的 OpenCV 中的图像处理部分,这部分的全部主要内容如下: 改变色彩空间学习在不同色彩空间之间改变图像.另外学习跟踪视频中的彩色对象. 图 ...
c语言实现图像拼接程序,opencv2实现10张图像上下左右拼接融合分享！
本文实例为大家分享了opencv2实现多张图像上下左右拼接融合的具体代码,供大家参考,具体内容如下在前面的"opencv2两张图像拼接融合_基于SURF特征提取"博文中,实现了两 ...
python识别几何图形拼成的图案_自动驾驶汽车视觉- 图像特征提取与匹配技术
Feature detection and matching Email: williamhyin@outlook.com 特征提取和匹配是许多计算机视觉应用中的一个重要任务,广泛运用在运动结构.图像 ...
数字图像处理笔记（七）：频域低通滤波平滑图像
1 - 傅里叶变换在前面我们对空间滤波做了重点的研究,现在我们来介绍一下涉及频率域中的各种滤波技术.图像从空间域转换到频率域使用的是二维傅里叶变换,一个像素为M*N的图像f(x,y)进行傅里叶变换得 ...
神经网络python分类识别图片_教现有的神经网络图像模型识别新的图像类别
如何用最小代价重新训练Google Inception V3神经网络模型,以用于新的分类郑灵翔 2017.06.03 运行本文的代码要求已安装TensorFlow,若没安装的请参考TensorFlo ...
Anaconda3+python3.7.10+TensorFlow2.3.0+PyQt5环境搭建
Anaconda3+python3.7.10+TensorFlow2.3.0+PyQt5环境搭建一.Anaconda 创建 python3.7环境 1.进入 C:\Users\用户名目录下,找到 ...
基于OpenCV平滑图像
基于OpenCV平滑图像也就是图像模糊,本博文介绍使用OpenCV的不同函数通过线性滤波进行图像平滑. cv::blur cv::GaussianBlur (高斯模糊) cv::medianBlur ...

(ง •_•)ง[Python3 OpenCV4]10.平滑图像

文章目录