day8 - 使用不同的滤波核进行图像降噪

本期主要介绍用于图像平滑处理的滤波，分别是方框滤波、均值滤波、中值滤波、高斯滤波，比较不同滤波的效果；并了解自定义滤波器进行图像处理。

完成本期内容，你可以：

会使用方框滤波、均值滤波、中值滤波、高斯滤波进行图像处理
掌握根据不同的图像选择合适的滤波器

若要运行案例代码，你需要有：

操作系统：Ubuntu 16 以上或者 Windows10
工具软件：VScode 或者其他源码编辑器
硬件环境：无特殊要求
核心库：python 3.6.13， opencv-contrib-python 3.4.11.39

点击下载源码

方框滤波

OpenCV将方框滤波器封装成了boxFilter()方法。

函数原型： dst = cv2. boxFilter(src, ddepth,ksize, anchor, normalize,eborderType)
dst为输出图像。

参数描述如下：

参数	描述
src	被处理的图像
ddepth	结果图像的图像深度，可以用-1表示与原始图像相同。
ksize	滤波核大小，其格式为（高度，宽度），建议使用宽高相等的奇数边长
anchor	可选参数，滤波核的锚点
normalize	在滤波时是否进行归一化。
borderType	可选参数，边界样式，建议采用默认值

均值滤波

OpenCV将均值滤波器封装成了cv2.blur() 方法。

函数原型： dst = cv2.blur(src, ksize, anchor, borderType)

image为输出图像。

参数描述如下：

参数	描述
src	被处理的图像
ksize	滤波核大小，其格式为（高度，宽度），建议使用宽高相等的奇数边长
anchor	可选参数，滤波核的锚点
borderType	可选参数，边界样式，建议采用默认值

中值滤波

OpenCV将中值滤波器封装成了cv2.medianBlur()方法。

函数原型：dst = cv2.medianBlur(src,ksize);

参数描述如下：

参数	描述
src	被处理的图像
ksize	滤波核的边长，必须是大于1的奇数，方法会根据此边长自动创建一个正方形的滤波核。

高斯滤波

OpenCV将高斯滤波器封装成了cv2.GaussianBlur()方法。

函数原型： dst = cv2.GaussianBlur( src, ksize, sigmaX[, sigmaY[, borderType]] )
dst为返回值，表示进行高斯滤波后得到的处理结果。

参数描述如下：

参数	描述
src	需要处理的图像，即源图像
ksize	滤波核大小，其格式为（高度，宽度），建议使用宽高相等的奇数边长
sigmaX	卷积核在水平方向上（X轴方向）的标准差，其控制的是权重比例。
sigmaY	卷积核在垂直方向上（Y轴方向）的标准差。
borderType	可选参数，边界样式，建议采用默认值

自定义滤波

OpenCV中提供了cv2.filter2D()函数来实现自定义滤波器。

函数原型： dst = cv2.filter2D( src, ddepth, kernel, anchor, delta, borderType )
dst为输出图像。

参数描述如下：

参数	描述
src	被处理的图像
ddepth	结果图像的图像深度，可以用-1表示与原始图像相同
kernel	卷积核，是个单通道的数组
anchor	可选参数，滤波核的锚点
delta	可选参数，修正值
borderType	可选参数，边界样式，建议采用默认值

具体步骤

1. 创建项目结构

创建项目名为使用不同的滤波进行图像降噪，项目根目录下新建code文件夹储存代码，新建dataset文件夹储存数据，项目结构如下：

使用不同的滤波进行图像降噪                 # 项目名称
├── code                               # 储存代码文件
├── dataset                            # 储存数据文件

注：如项目结构已存在，无需再创建。

2. 使用不同的滤波处理图像

将图像scenery.png添加了噪声的图像sp_noise.png进行降噪处理。

scenery.png

在 code文件夹下创建sp_noise.py文件；
导入所需的库，OpenCV、datetime；
读取dataset文件夹下的sp_noise.png图片，并进行展示,标题为sp_noise ；
分别使用均值滤波、中值滤波、高斯滤波进行图像处理，并展示结果；

步骤一：创建文件并读取图像

代码实现

# 导入OpenCV、datetime
import cv2
import datetime# 读取图像
o=cv2.imread("../dataset/sp_noise.png")
cv2.imshow("sp_noise",o)

添加噪声后的图像

步骤二：使用均值滤波处理图像

代码实现

# 使用 5*5的滤波核进行均值滤波处理
strat_t = datetime.datetime.now() # 获取当前时间
blur_img=cv2.blur(o,(5,5))
end_t = datetime.datetime.now()
t = end_t - strat_t #计算均值滤波处理所用时间
print('均值滤波处理耗时：',t)
cv2.imshow("blur_img",blur_img)

均值滤波处理耗时： 0:00:00.003000

均值滤波处理后的效果

步骤三：使用中值滤波处理图像

代码实现

# 使用 3*3的滤波核进行中值滤波处理
strat_t = datetime.datetime.now()
median_img=cv2.medianBlur(o,3)
end_t = datetime.datetime.now()
t = end_t - strat_t
print('中值滤波处理耗时：',t)
cv2.imshow("median_img",median_img)

中值滤波处理耗时： 0:00:00.000999

中值滤波处理后的效果

步骤四：使用高斯滤波处理图像

代码实现

# 使用 3*3标准差为0的滤波核进行高斯滤波处理
strat_t = datetime.datetime.now()
gaussian_img = cv2.GaussianBlur(o,(3,3),0,0)
end_t = datetime.datetime.now()
t = end_t - strat_t
print('高斯滤波处理耗时：',t)
cv2.imshow("gaussian_img",gaussian_img)

高斯滤波处理耗时：0:00:00.002001

高斯滤波处理后的效果

步骤五：关闭窗口

代码实现

cv2.waitKey()
cv2.destroyAllWindows()

5.3 结果比较

通过三种不同滤波方法对图像进行处理，中值滤波对图像的处理耗时较短，均值滤波耗时较长；但是从滤波效果来看，中值滤波效果优于其他两者；均值滤波对于噪声的处理效果略好于高斯滤波，但是对于图像的模糊更多；从综合效果出发，对于这张图像，使用中值滤波处理的效果最好。

点击下载源码