OpenCV 滤波与卷积之 —— 平滑

本文摘录OpenCV 中的卷积、滤波相关操作内容，重点介绍 Opencv 中的平滑滤波操作。

平滑

平滑一般也称“模糊”，是一种简单而又常用的图像处理操作。平滑图像的目的有很多，但通常都是为了减少噪声和伪影。在降低图像分辨率的时候，平滑也是十分重要的。OpenCV 提供5种不同的平滑操作，每种操作都有对应的函数实现，这些操作平滑的结果有着细微的差别。

1. cv2.blur()

简单模糊，官网链接

• 函数使用

cv.blur(src, ksize[, dst[, anchor[, borderType]]]) -> dst

blur 函数执行平均的核卷积图像操作，卷积核为：

$$ \mathrm{K}=\frac{1}{\mathrm{ksize} . {width*ksize.height }}\left[\begin{array}{cccccc}1 & 1 & 1 & \cdots & 1 & 1 \\ 1 & 1 & 1 & \cdots & 1 & 1 \\ \cdots & & & & & \\ 1 & 1 & 1 & \cdots & 1 & 1\end{array}\right] $$

• 示例代码

img = mt.cv_rgb_imread('img1.jpg', gray=True)
res = cv2.blur(img, [17, 17])
PIS(img, res)

2. cv2.boxFilter()

OpenCV中的函数cv2.boxFilter()是一种一般化的形式，而cv2.blur()是一种特殊化的形式。两者之间根本的区别主要是前者可以以非归一化形式调用，并且输出图像深度可以控制(cv2.blur()输出图像的深度与源图像保持一致）。假如变量ddepth的值设为-1,目标图像的深度将于源图像保持一致。

• 函数使用

cv2.boxFilter(
	src, 			# 源图像
	ddepth, 		# 输出图像深度
	ksize, 			# 核尺寸
	anchor, 		# 中心锚点位置
	normalize = True)		# 是否归一化，如果 True，结果会除以核面积

• 示例代码

img = mt.cv_rgb_imread('img1.jpg', gray=False)
res = cv2.boxFilter(img, 3, [17, 17])
PIS(img, res)

3. cv2.medianBlur()

中值滤波，官网链接

中值滤波器是一种非线性核的实例，无法以图形形式表示。

• 函数使用

cv2.medianBlur(src, ksize[, dst]) ->	dst

中值滤波器(Median Filter)将每个像素替换为围绕这个像素的矩形邻域内的中值或“中值”像素（相对于平均像素）。通过平均的简单模糊对噪声图像，尤其是有较大孤立的异常值（比如数字影像中的拍摄噪声）非常敏感。少量具有较大偏差的点也会严重影响到均值滤波。中值滤波可以采用取中间点的方式来消除异常值。

• 示例代码

img = mt.cv_rgb_imread('img1.jpg', gray=False)
res = cv2.medianBlur(img, 17)
PIS(img, res)

4. cv2.GaussianBlur()

使用高斯滤波器模糊图像。该函数卷积具有指定高斯核的源图像。

官方链接

• 函数使用

cv.GaussianBlur(
    src, 				# 源图像
    ksize, 				# 高斯核尺寸
    sigmaX[, 			# X 方向的高斯核标准差。
    dst[, 
    sigmaY[, 			# X 方向的高斯核标准差。如果 sigmaY 是0，那么它将被设置为 sigmaX。
    					#如果两个 sigmas 都是零，那么它们将分别从 ksize.width 和 ksize.height 计算出来
    borderType]
    ]]) -> dst

• 两个 sigmas 都是零，高斯参数计算公式：

$$
\begin{array}{c}

\sigma_{x}=\left(\frac{n_{x}-1}{2}\right) \cdot 0.30+0.80, n_{x}=k size. width -1\
\sigma_{y}=\left(\frac{n_{y}-1}{2}\right) \cdot 0.30+0.80, n_{y}=k size .height -1
\end{array}
$$

• 高斯核示例

• OpenCV实现的高斯平滑还为几个常用的内核提供性能上的优化。3×3、5×5以及7×7的标准sigma核(sigmaX=0.0) 相对其他核性能更优。
• 示例代码

img = mt.cv_rgb_imread('img1.jpg', gray=False)
res = cv2.GaussianBlur(img, [17, 17], 10, 10)
PIS(img, res)

5. cv2.bilateralFilter()

双边滤波

官网链接

• 函数使用

cv2.bilateralFilter(
	src, 				# 源图像
	d, 					# 像素邻域的直径
	sigmaColor, 		# 颜色空间滤波器的sigma值
	sigmaSpace[, 		# 坐标空间中滤波器的sigma值
	dst[, 
	borderType]]) -> dst

相似于高斯平滑，双边滤波对每个像素及其领域内的像素进行了加权平均。其权重由两部分组成，第一部分同高斯平滑；第二部分也是高斯权重，不同的是它不是基于空间距离而是色彩强度差计算而来，在多通道（彩色）图像上强度差由各分量的加权累加代替。

可以把双边滤波当作是高斯平滑，只是相似程度更高的像素权值更高，边缘更明显，对比度更高。双边滤波的效果就是将源图像变成一幅水彩画，这种效果在多次迭代后更加显著，因此这种方法在图像分割领域十分有用。

• 算法原理

• 示例代码

img = mt.cv_rgb_imread('img1.jpg', gray=False)
res = cv2.bilateralFilter(img, 9, 100, 1000)
PIS(img, res)

示例源码

• https://github.com/zywvvd/Python_Practise

参考资料

• 《学习 OpenCV3》 第十章

文章链接：
https://www.zywvvd.com/notes/study/image-processing/opencv/opencv-smooth/opencv-smooth/