圖像濾波，可以對圖像進行增強（提取圖像特征），或對圖像進行平滑（降噪、模糊）。

文章目錄

• • 濾波器分類
  • boxblur 方框濾波
  • blur 均值濾波
  • GaussianBlur 高斯濾波
  • medianBlur 中值濾波
  • bilateralFilter 雙邊濾波
  • 使用openCV進行圖像濾波

濾波器分類

• 低通濾波器：允許低頻率像素通過（去噪、模糊）

• 高通濾波器：允許高頻率像素通過（邊緣檢測、銳化）

線性濾波器：每個像素的輸出值是一些輸入像素的加權和，易于從頻率響應角度來進行分析，如：

• 方框濾波：cv2.boxblur函數

• 均值濾波：cv2.blur函數

• 高斯濾波：cv2.GaussianBlur函數

非線性濾波，濾波速度相對較慢，有時可以達到更好的實現效果，如：

• 中值濾波：cv2.medianBlur函數

• 雙邊濾波：cv2.bilateralFilter函數

boxblur 方框濾波

用于計算每個像素鄰域內的積分特性。方框濾波所用到的核：

$$h=\alpha ?\begin{array}{cccc}1& 1& ...& 1\\ 1& 1& ...& 1\\ ..& ..& ..& ..\\ 1& 1& ...& 1\end{array}?$$

其中：

$$\alpha =\left\{\begin{array}{cc}\frac{1}{kSize.width\times kSize.height}& normalize=True\\ 1& otherwise\end{array}\right\}$$

當normalize（歸一化）為true時，方框濾波也就成了均值濾波。
函數原型如下：

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

參數：

• src：輸入圖像，即源圖像，函數對通道是獨立處理的，且可以處理任意通道數的圖片

• ddepth：出圖像的深度，-1代表使用原圖深度

• ksize：卷積核的大小，Size( w,h )

• dst：輸出目標圖像

• anchor：錨點（即被平滑的那個點），默認值Point(-1,-1)，負值表示取核的中心為錨點

• normalize：是否歸一化（normalized），默認值為true

• borderType：用于推斷圖像外部像素的某種邊界模式，默認值BORDER_DEFAULT

返回：輸出目標圖像

blur 均值濾波

使用鄰域像素均值進行濾波，在圖像去噪的同時也破壞了圖像的細節部分，使圖像變得模糊。

函數原型如下：

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

參數：

• src：輸入圖像，即源圖像，函數對通道是獨立處理的，且可以處理任意通道數的圖片

• ksize：卷積核的大小，Size( w,h )

• dst：輸出目標圖像

• anchor：錨點（即被平滑的那個點），默認值Point(-1,-1)，負值表示取核的中心為錨點

• borderType：用于推斷圖像外部像素的某種邊界模式，默認值BORDER_DEFAULT

返回：輸出目標圖像

GaussianBlur 高斯濾波

采用離散化的高斯函數產生歸一化的高斯核，基于高斯核函數對圖像灰度矩陣的每一點進行加權求和，對于抑制服從正態分布的噪聲非常有效。

函數原型如下：

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

參數：

• src：輸入圖像，即源圖像，函數對通道是獨立處理的，且可以處理任意通道數的圖片

• ksize：卷積核的大小，Size( w,h )，w，h為正奇數，可以不同

• sigmaX：表示高斯核函數在X方向的的標準偏差，double類型

• dst：輸出目標圖像

• sigmaY：表示高斯核函數在Y方向的的標準偏差，double類型

• borderType：用于推斷圖像外部像素的某種邊界模式，默認值BORDER_DEFAULT

返回：輸出目標圖像

若sigmaY為零，則sigmaY=sigmaX，若sigmaX和sigmaY都是0，那么就由ksize.width和ksize.height計算出來

正態分布：

正態分布的密度函數叫做"高斯函數"（Gaussian function）。它的一維形式是：

$$f(x)=\frac{1}{\sigma \sqrt{2\pi }}{e}^{?\frac{(x?\mu {)}^2}{2{\sigma }^2}}$$

其中，$\mu$是$x$的均值，$\sigma$是$x$的方差。計算平均值的時候，中心點為原點時，$\mu$等于0：

$$f(x)=\frac{1}{\sigma \sqrt{2\pi }}{e}^{?\frac{x^2}{2{\sigma }^2}}$$

根據一維高斯函數，可以推導得到二維高斯函數：

$$G(x,y)=\frac{1}{2\pi {\sigma }^2}{e}^{?\frac{x^2+y^2}{2{\sigma }^2}}$$

有了這個函數 ，就可以計算每個點的權重了。

medianBlur 中值濾波

用鄰域灰度的中值進行濾波，在去除脈沖/椒鹽噪聲的同時還能保留圖像的細節部分，花費時間是均值濾波的5倍以上，但其在噪聲的消除能力上更強。對一些細節多，特別是線、尖頂等細節多的圖像不宜采用中值濾波。

函數原型如下：

def medianBlur(src, ksize, dst=None)

參數：

• src：輸入 1、3或者4通道的圖像

• ksize：孔徑的線性尺寸，值為大于1的正奇數

• dst：輸出目標圖像

返回：輸出目標圖像

bilateralFilter 雙邊濾波

使用空間鄰近度和灰度相似度進行濾波，比高斯濾波多了一個高斯方差sigma-d，是基于空間分布的高斯濾波函數，達到保留邊緣且去除噪聲的目的。具有簡單、非迭代、局部的特點。但是由于保存了過多的高頻信息，對于彩色圖像里的高頻噪聲，雙邊濾波器不能夠干凈的濾掉，只能夠對于低頻信息進行較好的濾波。

函數原型如下：

def bilateralFilter(src, d, sigmaColor, sigmaSpace, dst=None, borderType=None)

參數：

• src：輸入圖像，即源圖像，函數對通道是獨立處理的，且可以處理任意通道數的圖片

• d：表示在過濾過程中每個像素鄰域的直徑

• sigmaColor：顏色空間濾波器的sigma值。值越大，表明該像素鄰域內有更寬廣的顏色會被混合到一起，產生較大的半相等顏色區域。

• sigmaSpace：坐標空間中濾波器的sigma方差值，數值越大，意味著越遠的像素會相互影響，從而使更大的區域足夠相似的顏色獲取相同的顏色。當d>0，d指定了鄰域大小且與sigmaSpace無關。否則，d正比于sigmaSpace。

• dst：輸出目標圖像

• borderType：用于推斷圖像外部像素的某種邊界模式，默認值BORDER_DEFAULT

返回：輸出目標圖像

使用openCV進行圖像濾波

import cv2def smoothing(k):if k % 2 == 0:returnbox = cv2.boxFilter(gray, -1, (k, k))blur = cv2.blur(gray, (k, k))gaussian = cv2.GaussianBlur(gray, (k, k), 0)median = cv2.medianBlur(gray, k, 0)bilateral = cv2.bilateralFilter(gray, k, k*2, k/2)cv2.imshow('box', box)cv2.moveWindow('box', 650, 40)cv2.imshow('blur', blur)cv2.moveWindow('blur', 1200, 40)cv2.imshow('gaussian', gaussian)cv2.moveWindow('gaussian', 20, 400)cv2.imshow('median', median)cv2.moveWindow('median', 650, 400)cv2.imshow('bilateral', bilateral)cv2.moveWindow('bilateral', 1200, 400)cv2.namedWindow('filter demo') cv2.moveWindow('filter demo',20,20) img = cv2.imread("/home/blue/Ivy/data/haar/VehicleDataset/train/91_frame.png") gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) cv2.imshow('filter demo', img)ksize = 3 cv2.createTrackbar('ksize', 'filter demo', ksize, 25, smoothing)smoothing(ksize) if cv2.waitKey(0) == 27:cv2.destroyAllWindows()

濾波器 $kSize=5$ 時：

濾波器 $kSize=9$ 時：

濾波器 $kSize=25$ 時：

濾波后，進行邊緣檢測，濾波器 $kSize=5$ 時：

濾波器 $kSize=9$ 時：

總結

以上是生活随笔為你收集整理的图像滤波的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。