Python 圖像處理 OpenCV （7）：圖像平滑（濾波）處理

import cv2 as cv
import numpy as np

# 讀取圖片
img = cv.imread("maliao.jpg", cv.IMREAD_UNCHANGED)
rows, cols, chn = img.shape

# 加噪聲
for i in range(5000):
    x = np.random.randint(0, rows)
    y = np.random.randint(0, cols)
    img[x, y, :] = 255

cv.imshow("noise", img)

# 圖像保存
cv.imwrite("maliao_noise.jpg", img)

# 等待顯示
cv.waitKey()
cv.destroyAllWindows()

上面這段程序其實是在圖片上隨機加了 5000 個白點，這個噪聲真的是夠大的了。

2. 2D 圖像卷積

在介紹濾波以前先簡單介紹下 2D 圖像卷積，圖像卷積其實就是圖像過濾。

圖像過濾的時候可使用各類低通濾波器（ LPF ），高通濾波器（ HPF ）等對圖像進行過濾。

低通濾波器（ LPF ）有助於消除噪聲，可是會使圖像模糊。

高通濾波器（ HPF ）有助於在圖像中找到邊緣。

OpenCV 爲咱們提供了一個函數 filter2D() 來將內核與圖像進行卷積。

咱們嘗試對圖像進行平均濾波， 5 x 5 平均濾波器內核以下：

$$
K = \frac{1}{25}
\begin{bmatrix}
1 & 1 & 1 & 1 & 1 \
1 & 1 & 1 & 1 & 1 \
1 & 1 & 1 & 1 & 1 \
1 & 1 & 1 & 1 & 1 \
1 & 1 & 1 & 1 & 1
\end{bmatrix}
$$

具體操做以下：

咱們保持這個內核在一個像素上，將全部低於這個內核的 25 個像素相加，取其平均值，而後用新的平均值替換中心像素。它將對圖像中的全部像素繼續此操做，完整的示例代碼以下：

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt

# 讀取圖片
img = cv.imread("maliao_noise.jpg", cv.IMREAD_UNCHANGED)
rgb_img = cv.cvtColor(img, cv.COLOR_BGR2RGB)

kernel = np.ones((5,5),np.float32)/25

dst = cv.filter2D(rgb_img, -1, kernel)

titles = ['Source Image', 'filter2D Image']
images = [rgb_img, dst]

for i in range(2):
    plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])

plt.show()

能夠看到，噪點確實去除掉了，就是圖片變得模糊起來。

3. 均值濾波

均值濾波是指任意一點的像素值，都是周圍 N * M 個像素值的均值。

其實均值濾波和上面的那個圖像卷積的示例，作了一樣的事情，我只是用 filter2D() 這個方法手動完成了均值濾波，實際上 OpenCV 爲咱們提供了專門的均值濾波的方法，前面圖像卷積沒有看明白的同窗，能夠再一遍均值濾波，我儘可能把這個事情整的明白的。

仍是來畫個圖吧：

中間那個紅色的方框裏面的值，是周圍 25 個格子區域中的像素的和去除以 25 ，這個公式是下面這樣的：

$$
K = \frac{1}{25}
\begin{bmatrix}
1 & 1 & 1 & 1 & 1 \
1 & 1 & 1 & 1 & 1 \
1 & 1 & 1 & 1 & 1 \
1 & 1 & 1 & 1 & 1 \
1 & 1 & 1 & 1 & 1
\end{bmatrix}
$$

我爲了偷懶，全部的格子裏面的像素值都寫成 1 ，畢竟 n / n 永遠都等於 1 ，快誇我機智。

上面這個 5 * 5 的矩陣稱爲核，針對原始圖像內的像素點，採用核進行處理，獲得結果圖像。

這個核咱們能夠自定義大小，好比 5 * 5 ，3 * 3 ， 10 * 10 等等，具體定義多大徹底看療效。

OpenCV 爲我提供了 blur() 方法用做實現均值濾波，原函數以下：

def blur(src, ksize, dst=None, anchor=None, borderType=None)

kSize: 內核參數，其實就是圖片進行卷積的時候相乘的那個矩陣，具體的卷積是如何算的，網上有不少，我這裏就不介紹了，所獲得的圖像是模糊的，並且圖像實際上是按照原來的比例缺乏了（原圖像-內核參數+1)^2 個單元格。
anchor: Point 類型，即錨點，有默認值 Point(-1, -1) ，當座標爲負值，就表示取核的中心。
borderType: Int 類型，用於推斷圖像外部像素的某種邊界模式，有默認值 BORDER_DEFAULT 。

接下來是均值濾波的示例代碼：

import cv2 as cv
import matplotlib.pyplot as plt

# 讀取圖片
img = cv.imread("maliao_noise.jpg", cv.IMREAD_UNCHANGED)
rgb_img = cv.cvtColor(img, cv.COLOR_BGR2RGB)

# 均值濾波
blur_img = cv.blur(rgb_img, (3, 3))
# blur_img = cv.blur(img, (5, 5))
# blur_img = cv.blur(img, (10, 10))
# blur_img = cv.blur(img, (20, 20))

titles = ['Source Image', 'Blur Image']
images = [rgb_img, blur_img]

for i in range(2):
    plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])

plt.show()

這個降噪的效果好像沒有前面 2D 卷積的那個降噪效果好，可是圖像更爲清晰，由於我在這個示例中使用了更小的核 3 * 3 的核，順便我也試了下大核，好比代碼中註釋掉的 10 * 10 的核或者 20 * 20 的核，實時證實，核越大降噪效果越好，可是相反的是圖像會越模糊。

4. 方框濾波

方框濾波和均值濾波核基本一致，其中的區別是需不須要進行歸一化處理。

什麼是歸一化處理等下再說，咱們先看方框濾波的原函數：

def boxFilter(src, ddepth, ksize, dst=None, anchor=None, normalize=None, borderType=None)

src: 原始圖像。
ddepth: Int 類型，目標圖像深度，一般用 -1 表示與原始圖像一致。
kSize: 內核參數。
dst: 輸出與 src 大小和類型相同的圖像。
anchor: Point 類型，即錨點，有默認值 Point(-1, -1) 。
normalize: Int 類型，表示是否對目標圖像進行歸一化處理。

當 normalize 爲 true 時，須要執行均值化處理。

當 normalize 爲 false 時，不進行均值化處理，其實是求周圍各像素的和，很容易發生溢出，溢出時均爲白色，對應像素值爲 255 。

完整示例代碼以下：

import cv2 as cv
import matplotlib.pyplot as plt

# 讀取圖片
img = cv.imread('maliao_noise.jpg')
source = cv.cvtColor(img, cv.COLOR_BGR2RGB)

# 方框濾波
result = cv.boxFilter(source, -1, (5, 5), normalize = 1)

# 顯示圖形
titles = ['Source Image', 'BoxFilter Image']
images = [source, result]

for i in range(2):
    plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])

plt.show()

當咱們把 normalize 的屬性設爲 0 時，不進行歸一化處理，結果就變成了下面這個樣子：

5. 高斯濾波

爲了克服簡單局部平均法的弊端(圖像模糊)，目前已提出許多保持邊緣、細節的局部平滑算法。它們的出發點都集中在如何選擇鄰域的大小、形狀和方向、參數加平均及鄰域各店的權重係數等。

在高斯濾波的方法中，其實是把卷積核換成了高斯核，那麼什麼是高斯核呢？

簡單來說就是方框仍是那個方框，原來每一個方框裏面的權是相等的，你們最後取平均，如今變成了高斯分佈的，方框中心的那個權值最大，其他方框根據距離中心元素的距離遞減，構成一個高斯小山包，這樣取到的值就變成了加權平均。

下圖是所示的是 3 * 3 和 5 * 5 領域的高斯核。

高斯濾波是在 OpenCV 中是由 GaussianBlur() 方法進行實現的，它的原函數以下：

def GaussianBlur(src, ksize, sigmaX, dst=None, sigmaY=None, borderType=None)

sigmaX: 表示 X 方向方差。

這裏須要注意的是 ksize 核大小，在高斯核當中，核（N, N）必須是奇數， X 方向方差主要控制權重。

完整的示例代碼以下：

import cv2 as cv
import matplotlib.pyplot as plt

# 讀取圖片
img = cv.imread('maliao_noise.jpg')
source = cv.cvtColor(img, cv.COLOR_BGR2RGB)

# 方框濾波
result = cv.GaussianBlur(source, (3, 3), 0)

# 顯示圖形
titles = ['Source Image', 'GaussianBlur Image']
images = [source, result]

for i in range(2):
    plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])

plt.show()

6. 中值濾波

在使用鄰域平均法去噪的同時也使得邊界變得模糊。

而中值濾波是非線性的圖像處理方法，在去噪的同時能夠兼顧到邊界信息的保留。

中值濾波具體的作法是選一個含有奇數點的窗口 W ，將這個窗口在圖像上掃描，把窗口中所含的像素點按灰度級的升或降序排列，取位於中間的灰度值來代替該點的灰度值。

下圖是一個一維的窗口的濾波過程：

在 OpenCV 中，主要是經過調用 medianBlur() 來實現中值濾波，它的原函數以下：

def medianBlur(src, ksize, dst=None)

中值濾波的核心數和高斯濾波的核心數同樣，必需要是大於 1 的奇數。

示例代碼以下：

import cv2 as cv
import matplotlib.pyplot as plt

# 讀取圖片
img = cv.imread('maliao_noise.jpg')
source = cv.cvtColor(img, cv.COLOR_BGR2RGB)

# 方框濾波
result = cv.medianBlur(source, 3)

# 顯示圖形
titles = ['Source Image', 'medianBlur Image']
images = [source, result]

for i in range(2):
    plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])

plt.show()

能夠明顯看到，目前中值濾波是對原圖像降噪後還原度最高的，經常使用的中值濾波的圖形除了可使用方框，還有十字形、圓形和環形，不一樣形狀的窗口產生不一樣的濾波效果。

方形和圓形窗口適合外輪廓線較長的物體圖像，而十字形窗口對有尖頂角狀的圖像效果好。

對於一些細節較多的複雜圖像，能夠屢次使用不一樣的中值濾波。