什么是图像平滑处理
在尽量保留图像原有信息的情况下，过滤掉图像内部的噪声，这一过程我们称之为图像的平滑处理，所得到的图像称为平滑图像。
那么什么是图像的噪声呢？
图像的噪声就是图像中与周围像素点差异较大的像素点。噪声的处理就是将其更改为临近像素点的近似值，使图像更平滑。
图像平滑处理的噪声取值的方式有以下6种：
（1）均值滤波
（2）方框滤波
（3）高斯滤波
（4）中值滤波
（5）双边滤波
（6）2D卷积（自定义滤波）
均值滤波
均值滤波是指用当前像素点周围N*N个像素点的均值来代替当前像素值。使用该方法遍历处理图像内的每一个像素点，即可完成整幅图像的均值滤波。
在进行均值滤波处理时，我们需要考虑对周围多少个像素点取平均值。通常情况下，我们会以当前像素点为中心，对行数和列数相等的一块区域内的所有像素点取平均值。
但是边缘像素点可能不能这样做，毕竟比如左上角的像素点是没有左上像素点的，这个时候我们常常会取图像内存在的周围邻域点的平均值。
在OpenCV中，它给我们提供的均值滤波函数为cv2.blur()，其完整定义如下：
def blur(src, ksize, dst=None, anchor=None, borderType=None):
src：原始图像
kszie：滤波中心的大小，也就是取平均值的周围像素点的高度与宽度，比如（5,5），就是取5*5邻域像素点均值作为结果。
anchor：锚点，其默认值为（-1，1），表示当前计算均值的点位于核的中心点位置。一般使用默认值即可。
borderType：边界样式，该值决定了以何种方式处理边界，一般情况下不需要更改。
了解了该函数的定义，下面我们简单的来完成一个去噪图像，具体代码如下所示：
import cv2
img = cv2.imread("5.jpg")
result_5img = cv2.blur(img, (5, 5))
result_30img= cv2.blur(img, (30, 30))
cv2.imshow("img", img)
cv2.imshow("result_5img", result_5img)
cv2.imshow("result_30img", result_30img)
cv2.waitKey()
cv2.destroyAllWindows()
运行之后，效果如下所示：
从上图可以看出来，使用（5，5）卷积进行均值滤波处理后图像虽然模糊，但还可以辨认。而使用（30，30）卷积进行均值滤波，图像失真非常严重。
所以，我们可以得出来，卷积核越大，去噪效果越好，花费的时间越长，同时图像失真也越严重。而实际的处理中，我们需要在失真与去噪之间取得平衡，选取合适的卷积大小。
方框滤波
方框滤波与均值滤波的不同之处在于，方框滤波不会计算像素均值，它可以自由选择是否对均值滤波的结果进行归一化，即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。
在OpenCV中，它提供cv2.boxFilter()函数来实现方框滤波，其完整定义如下：
def boxFilter(src, ddepth, ksize, dst=None, anchor=None, normalize=None, borderType=None):
src：原始图像
ddepth：处理结果图像的图像深度，一般使用-1表示与原图像使用相同的图像深度
ksize：滤波核心的大小
normalize：是否在滤波时进行归一化处理。当它为1时，表示要进行归一化处理，也就是邻域像素值的和除以面积，比如（3，3），公式如下：
当它为0时，表示不需要进行归一化处理，直接使用邻域像素值的和。
下面，我们来用程序分别实现归一化与不归一化的效果，代码如下：
import cv2
img = cv2.imread("5.jpg")
result1 = cv2.boxFilter(img, -1, (5, 5))
result2 = cv2.boxFilter(img, -1, (30, 30))
result3 = cv2.boxFilter(img, -1, (2, 2),normalize=0)
cv2.imshow("img", img)
cv2.imshow("result1", result1)
cv2.imshow("result2", result2)
cv2.imshow("result3", result3)
cv2.waitKey()
cv2.destroyAllWindows()
运行之后，显示的效果如下所示：
可以看到，左下角不需要归一化处理，这里只取（2，2），如果你取大了，可以试试。因为范围大了，和一般都会大于255，那么就会造成图像全是白色。
高斯滤波
在进行均值滤波与方框滤波时，其邻域内每个像素的权重是相等的。而高斯滤波会将中心点的权重加大，远离中心点的权重减小，以此来计算邻域内各个像素值不同权重的和。
在OpenCV中，它给我们提供cv2.GaussianBlur()函数进行高斯滤波，其完整定义如下：
def GaussianBlur(src, ksize, sigmaX, dst=None, sigmaY=None, borderType=None):
src：原始图像
ksize：滤波核的大小
sigmaX：卷积和在水平方向上（X轴方向）的标准差，其控制的是权重比例
sigmaY：卷积和在垂直方向上（Y轴方向）的标准差，也是控制的是权重比例。如果它为0，只采用sigmaX的值，如果sigmaX与sigmaY都是0，则通过ksize.width和ksize.height计算得到（可选参数）
下面，我们来使用高斯滤波看看效果，代码如下所示：
import cv2
img = cv2.imread("5.jpg")
result = cv2.GaussianBlur(img, (3, 3), 0, 0)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()
运行之后，效果如下所示：
中值滤波
中值滤波与前面的三种滤波都不同，它不在采用加权求均值的方式计算滤波结果，而是用邻域内所有像素值的中间值来代替当前像素点的像素值。
简单点说，就是取当前像素点及其周围临近像素点的像素值，将这些值进行排序后，取中间位置的像素值作为当前位置的像素值。
在OpenCV中，它提供给我们cv2.medianBlur()函数来进行中值滤波，其完整定义如下：
def medianBlur(src, ksize, dst=None):
src：原始图像
kszie：滤波核的大小
参数就两个，下面我们来用代码测试一下：
import cv2
img = cv2.imread("5.jpg")
result = cv2.medianBlur(img, 3)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()
运行之后，显示效果如下：
可以看到，这里我们将脸上的红点去掉了。需要特别注意的是，滤波核的大小必须是奇数，矩阵中心点向外衍生必然是奇数，不信可以随便矩阵取一点试试。
双边滤波
双边滤波是综合考虑空间信息和色彩信息的滤波方式，在滤波的过程中能够有效地保护图像内的边缘信息。
前面滤波方式基本只考虑了空间的权重信息，这种情况计算起来比较方便，但是边缘信息的处理上存在较大问题。而双边滤波在处理边缘时，与当前点色彩相近的像素点给与较大的权重值，而与当前像素点色彩差别大的会给较小的权重，这样就保护了边缘信息。
简单点概括，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，还考虑色彩信息。双边滤波即能有效地去除噪声，又能很好地保护边缘信息。
在OpenCV中，它给我们提供cv2.bilateralFilter()函数来实现，其完整定义如下：
def bilateralFilter(src, d, sigmaColor, sigmaSpace, dst=None, borderType=None):
src：原始图像
d：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，则会从参数sigmaSpace计算得到。如果滤波空间较大，比如d>5，则速度较慢。因此，在实际的应用中，推荐d=5。对于噪声较大的离线滤波，可以选择d=9。
sigmaColor：在滤波处理时，选择的颜色范围，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，指定直径内的所有点都能够参与运算。
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。当d>0时，无论sigmaSpace的值如何，d都指定邻域大小；否则，d域sigmaSpace的值成比例。
为了简单起见，博主这里将两个sigmaColor与sigmaSpace值设置为相同的。如果它们的值比较小，比如小于10，滤波的效果不太明显；如果它们的值较大，比如大于150，则滤波效果会比较明显。
代码如下所示：
import cv2
img = cv2.imread("5.jpg")
result = cv2.bilateralFilter(img,25,50,50)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()
运行之后，显示效果如下所示：
2D卷积
在OpenCV中，除了提供上面这些常用的滤波方式之外，还允许用户自定义卷积核实现卷积操作。这个函数是cv2.Filter2D()，其完整定义如下：
def filter2D(src, ddepth, kernel, dst=None, anchor=None, delta=None, borderType=None):
src：原始图像
ddepth：处理结果图像的深度，-1与原图像一致。
kernel：卷积核，是一个单通道数组。如果想在处理彩色图像时，让每个通道使用不同的核，则必须将彩色图像分解后使用不同的核完成。
delta：修正值，可选参数。如果该值存在，会在基础滤波的结果上加上该值作为最终的滤波结果。
下面，我们来使用这个函数看看效果，具体代码如下所示：
import cv2
import numpy as np
img = cv2.imread("5.jpg")
kernel = np.ones((9,9), np.float32) / 81
result = cv2.filter2D(img, -1, kernel)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()
运行之后，效果如下所示：
到此这篇关于OpenCV-Python实现图像平滑处理操作的文章就介绍到这了,更多相关OpenCV 图像平滑处理内容请搜索或继续浏览下面的相关文章！
发表评论