基礎(chǔ)版?zhèn)魉烷T：
python3+opencv學(xué)習(xí)筆記匯總目錄（適合基礎(chǔ)入門學(xué)習(xí)）
進(jìn)階版筆記目錄鏈接：
python+opencv進(jìn)階版學(xué)習(xí)筆記目錄（適合有一定基礎(chǔ)）

模糊操作

方法：均值模糊，中值模糊，自定義模糊
模糊原理：
基于離散卷積，不同的卷積得到不同的卷積效果，模糊是卷積的表象。

基礎(chǔ)講解鏈接
opencv學(xué)習(xí)筆記11：圖像濾波（均值，方框，高斯，中值）

卷積原理示意圖：
（2乘1+3乘以1+6乘以1）除以3=3
邊緣2和1未被卷積保留
邊緣不參與卷積直接保留。

均值模糊

import cv2 as cv import numpy as npdef blur_demo(image):#均值濾波模糊dst = cv.blur(image, (5, 5))cv.imshow("blur_demo", dst) print("--------- Hello Python ---------") src = cv.imread("yangmi.jpg") src=cv.resize(src,None,fx=0.4,fy=0.4) cv.namedWindow("input image", cv.WINDOW_AUTOSIZE) cv.imshow("input image", src) blur_demo(src) cv.waitKey(0) cv.destroyAllWindows()

(5,5)為卷積核，可以修改。
圖片來(lái)源于網(wǎng)絡(luò)。

中值模糊

import cv2 as cv def median_blur_demo(image):dst = cv.medianBlur(image, 5)cv.imshow("median_blur_demo", dst)

高斯模糊

numpy 實(shí)現(xiàn)高斯模糊

import cv2 as cv import numpy as np#截?cái)嗪瘮?shù) def clamp(pv):if pv > 255:return 255if pv < 0:return 0else:return pv #高斯濾波 def gaussian_noise(image):h, w, c = image.shapefor row in range(h):for col in range(w):s = np.random.normal(0, 20, 3)#生成隨機(jī)數(shù)b = image[row, col, 0] # blueg = image[row, col, 1] # greenr = image[row, col, 2] # redimage[row, col, 0] = clamp(b + s[0])image[row, col, 1] = clamp(g + s[1])image[row, col, 2] = clamp(r + s[2])cv.imshow("noise image", image)print("--------- Hello Python ---------") src = cv.imread("yangmi.jpg") src=cv.resize(src,None,fx=0.5,fy=0.5) cv.imshow("input image", src) gaussian_noise(src) cv.waitKey(0) cv.destroyAllWindows()

numpy實(shí)現(xiàn)時(shí)間較慢，大約4,5秒。

opencv實(shí)現(xiàn)高斯模糊
實(shí)現(xiàn)方法：GaussianBlur
處理結(jié)果=cv2.GaussianBlur(原始圖像src，核函數(shù)大小ksize，sigmaX)

核函數(shù)大小ksize：（N，N）必須是奇數(shù)
sigmaX：控制x方向方差，控制權(quán)重,一般取0,它自己去計(jì)算方差。y軸方差和x一致

import cv2 as cvprint("--------- Hello Python ---------") src = cv.imread("yangmi.jpg") src=cv.resize(src,None,fx=0.5,fy=0.5) cv.imshow("input image", src) dst = cv.GaussianBlur(src, (9, 9), 0) cv.imshow("Gaussian Blur", dst) cv.waitKey(0) cv.destroyAllWindows()

dst = cv.GaussianBlur(src, (0, 0), 7)時(shí)

import cv2 as cvprint("--------- Hello Python ---------") src = cv.imread("yangmi.jpg") src=cv.resize(src,None,fx=0.5,fy=0.5) cv.imshow("input image", src) dst = cv.GaussianBlur(src, (0, 0), 7) cv.imshow("Gaussian Blur", dst) cv.waitKey(0) cv.destroyAllWindows()

自定義模糊和圖像銳化

dst=cv.filter2D(src, ddepth, kernel[, dst[, anchor[, delta[, borderType]]]])
src： 原圖像
dst ：目標(biāo)圖像，與原圖像尺寸和通過數(shù)相同
ddepth： 目標(biāo)圖像的所需深度，-1與原圖一樣
kernel 卷積核（或相當(dāng)于相關(guān)核），單通道浮點(diǎn)矩陣;如果要將不同的內(nèi)核應(yīng)用于不同的通道，請(qǐng)使用拆分將圖像拆分為單獨(dú)的顏色平面，然后單獨(dú)處理它們。
anchor 內(nèi)核的錨點(diǎn)，指示內(nèi)核中過濾點(diǎn)的相對(duì)位置;錨應(yīng)位于內(nèi)核中;默認(rèn)值（-1，-1）表示錨位于內(nèi)核中心。
detal 在將它們存儲(chǔ)在dst中之前，將可選值添加到已過濾的像素中。類似于偏置。
borderType 像素外推法，參見BorderTypes

import cv2 as cv def custom_blur_demo(image):#kernel = np.ones([5, 5], np.float32)/25kernel = np.array([[0, -1, 0],[-1, 5, -1],[0, -1, 0]], np.float32)dst = cv.filter2D(image, -1, kernel=kernel)cv.imshow("custom_blur_demo", dst)

使用不同的卷積核有不同的效果。
kernel = np.ones([5, 5], np.float32)/25：模糊

kernel = np.array([[0, -1, 0],[-1, 5, -1],[0, -1, 0]], np.float32)：銳化算子，各個(gè)數(shù)字加起來(lái)總和等于0或者1，各個(gè)數(shù)字為奇數(shù)。總和為0做的是邊緣；

邊緣保留濾波EPF

之前介紹了無(wú)論是均值還是高斯都是屬于模糊卷積，它們都有一個(gè)共同的特點(diǎn)就是模糊之后圖像的邊緣信息不復(fù)存在，受到了破壞。有一種濾波方法有能力通過卷積處理實(shí)現(xiàn)圖像模糊的同時(shí)對(duì)圖像邊緣不會(huì)造成破壞，濾波之后的輸出完整的保存了圖像整體邊緣（輪廓）信息，這類卷積濾波算法被稱為邊緣保留濾波算法（EPF）。
實(shí)現(xiàn)方法：高斯雙邊，均值遷移
使用場(chǎng)景：做圖像濾鏡。

大白話講解原理：首先對(duì)左邊（黑白色圖）進(jìn)行高斯濾波，
高斯濾波為下圖，取值范圍可以叫做空域

如何當(dāng)前點(diǎn)與周圍像素值差異較大如下圖，范圍可以叫為值域

則進(jìn)行截?cái)唷５玫?br />
最后得到右圖（黑巴色）。
高斯濾波參人為添加，像素差多少截?cái)嗳藶樵O(shè)計(jì)。

高斯 雙邊模糊原理
高斯濾波（空間臨近）是將二維高斯正態(tài)分布放在圖像矩陣上做卷積運(yùn)算。考慮的是鄰域內(nèi)像素值的空間距離關(guān)系。通過在核大小范圍內(nèi)，各個(gè)點(diǎn)到中心點(diǎn)的空間臨近度計(jì)算出對(duì)應(yīng)的權(quán)值，并將計(jì)算好的核與圖像矩陣作卷積。最后，圖像經(jīng)過濾波后達(dá)到平滑的效果，而圖像上的邊緣也會(huì)有一定程度的平滑，使得整個(gè)圖像變得模糊，邊緣得不到保存。
雙邊濾波基本思想：將高斯濾波(空間臨近)中通過各個(gè)點(diǎn)到中心點(diǎn)的空間臨近度計(jì)算的各個(gè)權(quán)值進(jìn)行優(yōu)化，將其優(yōu)化為空間臨近度計(jì)算的權(quán)值 和 像素值相似度計(jì)算的權(quán)值的乘積，優(yōu)化后的權(quán)值再與圖像作卷積運(yùn)算。從而達(dá)到保邊去噪的效果。

高斯雙邊模糊
dst=cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace[, dst[, borderType]])
src：輸入圖像
d：過濾時(shí)周圍每個(gè)像素領(lǐng)域的直徑
sigmaColor：在color space中過濾sigma。參數(shù)越大，臨近像素將會(huì)在越遠(yuǎn)的地方mix。
sigmaSpace：在coordinate space中過濾sigma。參數(shù)越大，那些顏色足夠相近的的顏色的影響越大。
值域和空域的兩個(gè)方差sigma可以簡(jiǎn)單的設(shè)置為相等，小于10，無(wú)太大效果，大于150效果太強(qiáng)，像卡通片似的。
講解
濾波器尺寸d：大于5將較慢（5 forreal-time）d 是像素鄰域“直徑”。
Sigma_color較大，則在鄰域中的像素值相差較大的像素點(diǎn)也會(huì)用來(lái)平均。
Sigma_space較大，則雖然離得較遠(yuǎn)，但是，只要值相近，就會(huì)互相影響。
將sigma_sapce設(shè)置較大，sigma_color設(shè)置較小，可獲得較好的效果（椒鹽噪聲）。
雙邊濾波的內(nèi)在想法是：在圖像的值域（range）上做傳統(tǒng)濾波器在空域（domain）上做的工作。空域?yàn)V波對(duì)空間上鄰近的點(diǎn)進(jìn)行加權(quán)平均，加權(quán)系數(shù)隨著距離的增加而減少；值域?yàn)V波則是對(duì)像素值相近的點(diǎn)進(jìn)行加權(quán)平均，加權(quán)系數(shù)隨著值差的增大而減少。同時(shí)考慮對(duì)空間域與值域進(jìn)行濾波的意義：將對(duì)圖像進(jìn)行平滑化的范圍限制在值域較小的部分（也就是 光度/色彩差異較小的部分），如此便能夠達(dá)到邊緣保存的目的。（文字部分有借鑒別人的）

import cv2 as cv import numpy as np def bi_demo(image):dst = cv.bilateralFilter(image, 0, 100, 15)cv.imshow("bi_demo", dst) print("--------- Hello Python ---------") src = cv.imread("example.png") cv.namedWindow("input image", cv.WINDOW_AUTOSIZE) cv.imshow("input image", src) bi_demo(src) cv.waitKey(0) cv.destroyAllWindows()

可以看到眼睛與周圍像素相差很大（屬于邊界）被保留啦下來(lái)。

均值偏移
meanShfit均值漂移算法是一種通用的聚類算法，它的基本原理是：對(duì)于給定的一定數(shù)量樣本，任選其中一個(gè)樣本，以該樣本為中心點(diǎn)劃定一個(gè)圓形區(qū)域，求取該圓形區(qū)域內(nèi)樣本的質(zhì)心，即密度最大處的點(diǎn)，再以該點(diǎn)為中心繼續(xù)執(zhí)行上述迭代過程，直至最終收斂。
dst = cv2.pyrMeanShiftFiltering(image, sp, sr，maxLevel，termcrit)
sp:漂移物理空間半徑大小；
sr:漂移色彩空間半徑大小；
maxLevel：定義金字塔的最大層數(shù)
termcrit：漂移迭代終止條件，可以設(shè)置為迭代次數(shù)滿足終止，迭代目標(biāo)與中心點(diǎn)偏差滿足終止，或者兩者的結(jié)合

步驟：

迭代空間構(gòu)建：
以輸入圖像上src上任一點(diǎn)P0為圓心，建立物理空間上半徑為sp，色彩空間上半徑為sr的球形空間，物理空間上坐標(biāo)2個(gè)—x、y，色彩空間上坐標(biāo)3個(gè)—R、G、B（或HSV），構(gòu)成一個(gè)5維的空間球體。
其中物理空間的范圍x和y是圖像的長(zhǎng)和寬，色彩空間的范圍R、G、B分別是0~255。

求取迭代空間的向量并移動(dòng)迭代空間球體后重新計(jì)算向量，直至收斂：
在1中構(gòu)建的球形空間中，求得所有點(diǎn)相對(duì)于中心點(diǎn)的色彩向量之和后，移動(dòng)迭代空間的中心點(diǎn)到該向量的終點(diǎn)，并再次計(jì)算該球形空間中所有點(diǎn)的向量之和，如此迭代，直到在最后一個(gè)空間球體中所求得的向量和的終點(diǎn)就是該空間球體的中心點(diǎn)Pn，迭代結(jié)束。

更新輸出圖像dst上對(duì)應(yīng)的初始原點(diǎn)P0的色彩值為本輪迭代的終點(diǎn)Pn的色彩值，如此完成一個(gè)點(diǎn)的色彩均值漂移。

對(duì)輸入圖像src上其他點(diǎn)，依次執(zhí)行步驟1,、2、3，遍歷完所有點(diǎn)位后，整個(gè)均值偏移色彩濾波完成，

import cv2 as cv import numpy as npdef shift_demo(image):dst = cv.pyrMeanShiftFiltering(image, 5, 40)cv.imshow("shift_demo", dst) print("--------- Hello Python ---------") src = cv.imread("example.png") cv.namedWindow("input image", cv.WINDOW_AUTOSIZE) cv.imshow("input image", src) shift_demo(src) cv.waitKey(0) cv.destroyAllWindows()

原理文字部分有借鑒他人。

電氣專業(yè)的計(jì)算機(jī)萌新。寫博文不容易。如果你覺得本文對(duì)你有用，請(qǐng)點(diǎn)個(gè)贊支持下。謝謝。

總結(jié)

以上是生活随笔為你收集整理的opencv进阶学习笔记5：图像模糊操作，图像锐化，边缘保留滤波EPF（图像滤镜）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。