[Python图像处理] 四.图像平滑之均值滤波、方框滤波、高斯滤波及中值滤波

时间 2020-05-14 标签 python 图像处理图像平滑均值滤波方框高斯

该系列文章是讲解Python OpenCV图像处理知识，前期主要讲解图像入门、OpenCV基础用法，中期讲解图像处理的各类算法，包括图像锐化算子、图像加强技术、图像分割等，后期结合深度学习研究图像识别、图像分类应用。但愿文章对您有所帮助，若是有不足之处，还请海涵~html

该系列在github全部源代码：https://github.com/eastmountyxz/ImageProcessing-Python
PS：请求帮忙点个Star，哈哈，第一次使用Github，之后会分享更多代码，一块儿加油。python

前文参考：
[Python图像处理] 一.图像处理基础知识及OpenCV入门函数
 [Python图像处理] 二.OpenCV+Numpy库读取与修改像素
 [Python图像处理] 三.获取图像属性、兴趣ROI区域及通道处理github

本篇文章主要讲解Python调用OpenCV实现图像平滑，包括四个算法：均值滤波、方框滤波、高斯滤波和中值滤波。全文均是基础知识，但愿对您有所帮助。知识点以下：
1.图像平滑
2.均值滤波
3.方框滤波
4.高斯滤波
5.中值滤波web

PS：本文介绍图像平滑，想让你们先看看图像处理的效果，后面还会补充一些基础知识供你们学习。文章参考本身的博客及网易云课堂李大洋老师的讲解，强烈推荐你们学习。算法

PSS：2019年1~2月做者参加了CSDN2018年博客评选，但愿您能投出宝贵的一票。我是59号，Eastmount，杨秀璋。投票地址：https://bss.csdn.net/m/topic/blog_star2018/index网络

五年来写了314篇博客，12个专栏，是真的热爱分享，热爱CSDN这个平台，也想帮助更多的人，专栏包括Python、数据挖掘、网络爬虫、图像处理、C#、Android等。如今也当了两年老师，更是以为有义务教好每个学生，让贵州学子好好写点代码，学点技术，"师者，传到授业解惑也"，提早祝你们新年快乐。2019咱们携手共进，为爱而生。

一.图像平滑

1.图像加强
图像加强是对图像进行处理，使其比原始图像更适合于特定的应用，它须要与实际应用相结合。对于图像的某些特征如边缘、轮廓、对比度等，图像加强是进行强调或锐化，以便于显示、观察或进一步分析与处理。图像加强的方法是因应用不一样而不一样的，研究内容包括：(参考课件和左飞的《数字图像处理》)app

2.图像平滑
图像平滑是一种区域加强的算法，平滑算法有邻域平均法、中指滤波、边界保持类滤波等。在图像产生、传输和复制过程当中，经常会由于多方面缘由而被噪声干扰或出现数据丢失，下降了图像的质量（某一像素，若是它与周围像素点相比有明显的不一样，则该点被噪声所感染）。这就须要对图像进行必定的加强处理以减少这些缺陷带来的影响。
简单平滑-邻域平均法dom

3.邻域平均法
图像简单平滑是指经过邻域简单平均对图像进行平滑处理的方法，用这种方法在必定程度上消除原始图像中的噪声、下降原始图像对比度的做用。它利用卷积运算对图像邻域的像素灰度进行平均，从而达到减少图像中噪声影响、下降图像对比度的目的。
但邻域平均值主要缺点是在下降噪声的同时使图像变得模糊，特别在边缘和细节处，并且邻域越大，在去噪能力加强的同时模糊程度越严重。svg

首先给出为图像增长噪声的代码。

# -*- coding:utf-8 -*-
import cv2
import numpy as np

#读取图片
img = cv2.imread("test.jpg", cv2.IMREAD_UNCHANGED)
rows, cols, chn = img.shape

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

cv2.imshow("noise", img)
           
#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果以下所示：

二.均值滤波

1.原理
均值滤波是指任意一点的像素值，都是周围N*M个像素值的均值。例以下图中，红色点的像素值为蓝色背景区域像素值之和除25。

其中红色区域的像素值均值滤波处理过程为： ((197+25+106+156+159)+ (149+40+107+5+71)+ (163+198+**226**+223+156)+ (222+37+68+193+157)+ (42+72+250+41+75)) / 25

其中5*5的矩阵称为核，针对原始图像内的像素点，采用核进行处理，获得结果图像。

提取1/25能够将核转换为以下形式：

2.代码
Python调用OpenCV实现均值滤波的核心函数以下：
result = cv2.blur(原始图像,核大小)
其中，核大小是以（宽度，高度）表示的元祖形式。常见的形式包括：核大小（3，3）和（5，5）。
$K=\frac{1}{9}\left[ \begin{matrix} 1 & 1 & 1 \\ 1 & 1 & 1 \\ 1 & 1 & 1 \end{matrix} \right] \tag{1}$
$K=\frac{1}{25}\left[ \begin{matrix} 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \\ \end{matrix} \right] \tag{2}$

代码以下所示：

#encoding:utf-8
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
 
#读取图片
img = cv2.imread('test01.png')
source = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
 
#均值滤波
result = cv2.blur(source, (5,5))
 
#显示图形
titles = ['Source Image', 'Blur Image']  
images = [source, result]  
for i in xrange(2):  
   plt.subplot(1,2,i+1), plt.imshow(images[i], 'gray')  
   plt.title(titles[i])  
   plt.xticks([]),plt.yticks([])  
plt.show()

输出结果以下图所示：

核设置为（10，10）和（20，20）会让图像变得更加模糊。

若是设置为（1，1）处理结果就是原图，核中每一个权重值相同，称为均值。

三.方框滤波

方框滤波和均值滤波核基本一致，区别是需不须要均一化处理。OpenCV调用boxFilter()函数实现方框滤波。函数以下：
result = cv2.boxFilter(原始图像, 目标图像深度, 核大小, normalize属性)
其中，目标图像深度是int类型，一般用“-1”表示与原始图像一致；核大小主要包括（3，3）和（5，5），以下所示。

$K=\frac{1}{9}\left[ \begin{matrix} 1 & 1 & 1 \\ 1 & 1 & 1 \\ 1 & 1 & 1 \end{matrix} \right] \tag{3}$
$K=\frac{1}{25}\left[ \begin{matrix} 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \\ \end{matrix} \right] \tag{4}$

normalize属性表示是否对目标图像进行归一化处理。当normalize为true时须要执行均值化处理，当normalize为false时，不进行均值化处理，实际上为求周围各像素的和，很容易发生溢出，溢出时均为白色，对应像素值为255。

在图像简单平滑中，算法利用卷积模板逐一处理图像中每一个像素，这一过程能够形象地比做对原始图像的像素一一进行过滤整理，在图像处理中把邻域像素逐一处理的算法过程称为滤波器。平滑线性滤波器的工做原理是利用模板对邻域内像素灰度进行加权平均，也称为均值滤波器。

代码以下所示：

#encoding:utf-8
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
 
#读取图片
img = cv2.imread('test01.png')
source = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
 
#方框滤波
result = cv2.boxFilter(source, -1, (5,5), normalize=1)
 
#显示图形
titles = ['Source Image', 'BoxFilter Image']  
images = [source, result]  
for i in xrange(2):  
   plt.subplot(1,2,i+1), plt.imshow(images[i], 'gray')  
   plt.title(titles[i])  
   plt.xticks([]),plt.yticks([])  
plt.show()

代码中使用5*5的核，normalize=1表示进行归一化处理，此时与均值滤波相同，输出结果以下图所示：

下面是图像左上角处理先后的像素结果：

print(source[0:3, 0:3, 0])
#[[115 180 106]
# [ 83 152 72]
# [ 55 58 55]]
print(result[0:3, 0:3, 0])
#[[92 90 78]
# [92 89 77]
# [82 80 72]]

若是省略参数normalize，则默认是进行归一化处理。若是normalize=0则不进行归一化处理，像素值为周围像素之和，图像更多为白色。

#encoding:utf-8
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
 
#读取图片
img = cv2.imread('test01.png')
source = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
 
#方框滤波
result = cv2.boxFilter(source, -1, (5,5), normalize=0)
 
#显示图形
titles = ['Source Image', 'BoxFilter Image']  
images = [source, result]  
for i in xrange(2):  
   plt.subplot(1,2,i+1), plt.imshow(images[i], 'gray')  
   plt.title(titles[i])  
   plt.xticks([]),plt.yticks([])  
plt.show()

输出结果以下图所示：

上图不少像素为白色，由于图像求和结果几乎都是255。若是设置的是2*2矩阵，只取四个像素结果要好些。
result = cv2.boxFilter(source, -1, (2,2), normalize=0)

四.高斯滤波

为了克服简单局部平均法的弊端(图像模糊)，目前已提出许多保持边缘、细节的局部平滑算法。它们的出发点都集中在如何选择邻域的大小、形状和方向、参数加平均及邻域各店的权重系数等。
图像高斯平滑也是邻域平均的思想对图像进行平滑的一种方法，在图像高斯平滑中，对图像进行平均时，不一样位置的像素被赋予了不一样的权重。高斯平滑与简单平滑不一样，它在对邻域内像素进行平均时，给予不一样位置的像素不一样的权值，下图的所示的 3 * 3 和 5 * 5 领域的高斯模板。

高斯滤波让临近的像素具备更高的重要度，对周围像素计算加权平均值，较近的像素具备较大的权重值。以下图所示，中心位置权重最高为0.4。

Python中OpenCV主要调用GaussianBlur函数，以下：
dst = cv2.GaussianBlur(src, ksize, sigmaX)
其中，src表示原始图像，ksize表示核大小，sigmaX表示X方向方差。注意，核大小（N, N）必须是奇数，X方向方差主要控制权重。

$K(3,3)=\left[ \begin{matrix} 0.05 & 0.1 & 0.05 \\ 0.1 & 0.4 & 0.1 \\ 0.05 & 0.1 & 0.05 \end{matrix} \right] \tag{5}$
$K(5,5)=\left[ \begin{matrix} 1 & 1 & 2 & 1 & 1 \\ 1 & 3 & 4 & 3 & 1 \\ 2 & 4 & 8 & 4 & 2 \\ 1 & 3 & 4 & 3 & 1 \\ 1 & 1 & 2 & 1 & 1 \\ \end{matrix} \right] \tag{4}$

代码以下：

#encoding:utf-8
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
 
#读取图片
img = cv2.imread('test01.png')
source = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
 
#高斯滤波
result = cv2.GaussianBlur(source, (3,3), 0)

#显示图形
titles = ['Source Image', 'GaussianBlur Image']  
images = [source, result]  
for i in xrange(2):  
   plt.subplot(1,2,i+1), plt.imshow(images[i], 'gray')  
   plt.title(titles[i])  
   plt.xticks([]),plt.yticks([])  
plt.show()

输出结果以下所示：

若是使用15*15的核，则图形将更加模糊。

五.中值滤波

1.概念
在使用邻域平均法去噪的同时也使得边界变得模糊。而中值滤波是非线性的图像处理方法，在去噪的同时能够兼顾到边界信息的保留。选一个含有奇数点的窗口W，将这个窗口在图像上扫描，把窗口中所含的像素点按灰度级的升或降序排列，取位于中间的灰度值来代替该点的灰度值。例如选择滤波的窗口以下图，是一个一维的窗口，待处理像素的灰度取这个模板中灰度的中值，滤波过程以下：

以下图所示，将临近像素按照大小排列，取排序像素中位于中间位置的值做为中值滤波的像素值。

2.代码
OpenCV主要调用medianBlur()函数实现中值滤波。图像平滑里中值滤波的效果最好。
dst = cv2.medianBlur(src, ksize)
其中，src表示源文件，ksize表示核大小。核必须是大于1的奇数，如三、五、7等。

代码以下所示：

#encoding:utf-8
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
 
#读取图片
img = cv2.imread('test01.png')
 
#高斯滤波
result = cv2.medianBlur(img, 3)

#显示图像
cv2.imshow("source img", img)
cv2.imshow("medianBlur", result)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果以下图所示：

经常使用的窗口还有方形、十字形、圆形和环形。不一样形状的窗口产生不一样的滤波效果，方形和圆形窗口适合外轮廓线较长的物体图像，而十字形窗口对有尖顶角状的图像效果好。中值滤波对于消除孤立点和线段的干扰十分有用，尤为是对于二进噪声，但对消除高斯噪声的影响效果不佳。对于一些细节较多的复杂图像，能够屡次使用不一样的中值滤波。

但愿文章对你们有所帮助，若是有错误或不足之处，还请海涵。（By：Eastmount 2018-09-01 早8点 https://blog.csdn.net/Eastmount/）