OpenCV-python学习笔记（七）——图像平滑处理_filter2d中anchor为什么默认-1,-1

第七章 图像平滑处理

图像平滑处理： 在尽量保持原有图像信息的情况下，过滤掉图像内部的噪声，得到的图像为平滑图像。

原理： 将噪声所在像素点的像素值处理为期周围临近像素点的值的近似值。

取近似值的方法有：均值滤波，方框滤波，高斯滤波，中值滤波，双边滤波，2D卷积滤波（自定义卷积滤波）

7.1 均值滤波

指用当前像素点周围N*N个像素值的均值来代替当前像素值。该方法会遍历图像内的每一个像素点。

7.1.1 语法

dst=cv2.blur (src,ksize,anchor,borderType)
1

dst： 返回值

src： 原图像

ksize： 滤波核的大小。指在均值处理过程中，其邻域图像的高度和宽度。

anchor： 锚点。默认值为（-1.-1），表示当前计算均值的点位于核中心点位置。一般采用默认值。

borderType： 边界样式，一般采用默认值。

所以函数cv2.blur()的一般形式为：

dst=cv2.blur (src,ksize,)
1

示例：

使用5×5的卷积核和30×30的卷积核，结果30×30的图像失真，所以卷积核越大去噪效果越好，失真现象更严重。

import cv2
o=cv2.imread ("lenanoise.png")
r5=cv2.blur (o,(5,5))
r30=cv2.blur (o,(30,30))
cv2.imshow ("original",o)
cv2.imshow ("result5",r5)
cv2.imshow ("result30",r30)
cv2.waitKey ()
cv2.destroyAllWindows ()
1
2
3
4
5
6
7
8
9

结果：

7.2 方框滤波

自由选择是否对均值滤波的结果进行归一化，可以自由选择滤波结果是邻域像素值之和的平均值，还是邻域像素值之和，

（1）邻域像素值的平均值

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-zAWNpCFF-1658741749324)(D:\python\opencv学习笔记\opencv3 笔记\笔记图片\方框滤波平均值.png)]

（2）邻域像素值之和

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-qGStNOqP-1658741749325)(D:\python\opencv学习笔记\opencv3 笔记\笔记图片\方框滤波像素值之和.png)]

7.2.1 语法

dst=cv2.boxFilter (src,ddepth,ksize,anchor,normalize,borderType)
1

ddepth：处理结果图像的图像深度，-1表示与原始图像使用相同的深度图像。

ksize：滤波核大小

anchor：锚点

normalize： 在滤波时是否进行归一化。1真（均值），0假（之和）

borderType ：边界样式

常用形式：

dst=cv2.boxFilter (src,ddepth,ksize)
1

示例：

2×2大小滤波，参数normalize为0，即不归一化，去方框像素值之和。

import cv2
o=cv2.imread ("lenanoise.png")
r=cv2.boxFilter (o,-1,(2,2),normalize=0)
cv2.imshow ("original",o)
cv2.imshow ("result",r )
cv2.waitKey ()
cv2.destroyAllWindows ()
1
2
3
4
5
6
7

结果：

7.3 高斯滤波

均值和方框滤波中，邻域内每个像素的权重都是相等的，在高斯滤波中，中心点的权重值值会加大，远离中心点的权重会减小。

卷积核：

卷积核高度宽度可以不相同，但必须是奇数

不同大小的卷积核：

7.3.1 语法

dst=cv2.GaussianBlur (src,ksize,sigmaX,sigmaY,borderType)
1

ksize： 滤波核的大小

sigmaX： 卷积核在X轴方向的标准差，控制的是权重比例。

sigmaY： 卷积核在Y轴方向的标准差，控制的是权重比例。

sigmaX=0.3×[ (ksize.width-1) ×0.5-1]+0.8

sigmaY=0.3×[ (ksize.height-1 ) ×0.5-1]+0.8

borderType ：边界样式

sigmaY和borderType是可选参数。sigmaX是必选参数，但是可以将该参数设置为0，让函数自己去计算sigmaX的具体值。

常用形式：

dst=cv2.GaussianBlur ( src,ksize,0,0)
1

7.4 中值滤波

领域内所有像素值的中值代替当前像素点的像素值

将领域内的像素值排序，将位于中间的像素值作为当前像素点的像素值

7.4.1 语法

dst=cv2.medianBlur (src,ksize)
1

ksize： 滤波核的大小

中值滤波不存在细节模糊问题，在中值滤波中，噪声成分很难被选上，几乎可以在不影响原有图像的情况下去除全部噪声，但是运算量较大。

7.5 双边滤波

综合考虑空间信息和色彩信息的滤波方式，在滤波过程中能够有效地保护图像内的边缘信息。

距离信息（距离越远，权重越小），色彩信息（色彩差别越大，权重越小），能有效保护边缘信息。

dst=cv2.bilateralFilter (src,d,sigmaColor,sigmaSpace,borderType)
1

d： 空间距离参数，表示以当前像素点为中心点的直径，

sigmaColor： 选取的颜色差值范围，该值确定了哪些像素点能够参加到滤波来，与当前像素点的像素值

sigmaSpace： 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。

示例：

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 ()
1
2
3
4
5
6
7

特点： 更好的处理边缘信息，但是在处理噪声效果并不好。

结果：

7.6 2D卷积

使用自定义卷积核实现卷积操作。

dst=cv2.filter2D ( src,ddepth,kernel,anchor,delta,borderType)
1

ddepth： 处理结果图像的图像深度，-1表示使用与原始图像深度相同的图像深度

kernel： 卷积核，是一个单通道数组。

anchor： 锚点，默认值（-1，-1），表示当前点位于核的中心点的位置。

delta： 修正值，可选参数，在基础滤波的结果上加上该值作为滤波结果

常用形式：

dst=cv2.filter2D (src,ddepth,kernel)
1

示例：

设计9×9的卷积核大小，权重相等。

import cv2
import numpy as np
o=cv2.imread ( "bgra.png")
kernel=np.ones ( (9,9) ,np.float32)/81
r=cv2.filter2D ( o,-1,kernel)
cv2.imshow ("original",o)
cv2.imshow ("Gaussian",r)
cv2.waitKey ()
cv2.destroyAllWindows ()
1
2
3
4
5
6
7
8
9

结果：