2.1 原理#

​ 均值滤波是指用当前像素点周围N * N个像素值的均值来代替当前像素值。

​ 针对边缘像素点，可以只取图像内存在的周围邻域点的像素值均值。

2.2 使用方法#

• 通过函数cv2.blur()实现均值滤波。
• 函数原型：dst = cv2.blur( src, ksize, anchor, borderType )
• 参数说明：
  • dst：表示目标图像。
  • src：表示原始图像。
  • ksize：表示滤波核的大小。滤波核大小是指在滤波处理过程中，邻域图像的高度和宽度。
    • 例如，5x5的滤波器可记为(5, 5)，表示如下的滤波器：
    • 卷积核越大，去噪效果越好，花费的计算时间越长，图像失真越严重。
  • anchor：表示锚点，默认值是(-1, -1)，表示当前计算均值的点位于核的中心点位置。
  • borderType：表示边界样式，决定了以何种方式处理边界。

2.3 示例#

1
import cv2
2

3
src = cv2.imread("logo_noise.png")
4
dst = cv2.blur(src, (5, 5))
5

6
cv2.imwrite("mean_blur.png", dst)

原图	噪声图	均值滤波

3.1 原理#

​ 在方框滤波中，可以自由选择地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，以代替当前像素值。

3.2 使用方法#

• 通过函数cv2.boxFilter()实现方框滤波。
• 函数原型：dst = cv2.boxFilter( src, ddepth, ksize, anchor, normalize, borderType )
• 参数说明：
  • dst：表示目标图像。
  • src：表示原始图像。
  • ddepth：表示处理结果图像的图像深度，一般使用-1，即与原始图像使用相同的图像深度。
  • ksize：表示滤波核的大小。滤波核大小是指在滤波处理过程中，邻域图像的高度和宽度。
    • 例如，5x5的滤波器可记为(5, 5)，表示如下的滤波器：
  • anchor：表示锚点，默认值是(-1, -1)，表示当前计算均值的点位于核的中心点位置。
  • normalize：表示是否进行归一化处理。默认为0。
    • 当normalize=1时，表示要进行归一化处理，要用邻域像素值的和除以面积。
    • 当normalize=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。如果不做归一化处理，滤波得到的值很可能超过当前像素值范围的最大值，从而被截断为最大值，这样会得到一幅纯白色的图像。
  • borderType：表示边界样式，决定了以何种方式处理边界。

3.3 示例#

1
import cv2
2

3
src = cv2.imread("logo_noise.png")
4

5
dst = cv2.boxFilter(src, -1, (5, 5), normalize=0)
6
cv2.imwrite("boxFilter_unnormalized.png", dst)
7

8
dst = cv2.boxFilter(src, -1, (5, 5), normalize=1)
9
cv2.imwrite("boxFilter_normalized.png", dst)

原图	噪声图	方框滤波：不归一化	方框滤波：归一化

4.1 原理#

​ 在进行均值滤波和方框滤波时，其邻域内每个像素的权重是相等的。在高斯滤波中，会将中心点的权重值加大，远离中心点的权重值减小，在此基础上计算邻域内各个像素值不同权重的和。

​ 常见的高斯滤波器如：

​ 对于高斯滤波器而言，同一尺寸的卷积核可以有不同的权重比。

4.2 使用方法#

• 通过函数cv2.GaussianBlur()实现高斯滤波。
• 函数原型：dst = cv2.GaussianBlur( src, ksize, sigmaX, sigmaY, borderType )
• 参数说明：
  • dst：表示目标图像。
  • src：表示原始图像。
  • ksize：表示滤波核的大小。滤波核的值必须是奇数。
  • sigmaX：表示卷积核在水平方向（X轴方向）的标准差，控制其权重比例。
    • 不同的sigmaX决定的卷积核，它们在水平方向上的标准差不同。
  • sigmaY：表示卷积核在竖直方向（Y轴方向）的标准差，控制其权重比例。
    • 如果将该值设置为0，则只采用sigmaX的值。
    • 如果sigmaX 和sigmaY都是0，则通过ksize.width和ksize.height计算得到：
      • sigmaX = 0.3 × [(ksize.width - 1) × 0.5 - 1] + 0.8
      • sigmaY = 0.3 × [(ksize.height - 1) × 0.5 - 1] + 0.8
  • borderType：表示边界样式，决定了以何种方式处理边界。

4.3 示例#

1
import cv2
2

3
src = cv2.imread("logo_noise.png")
4
dst = cv2.GaussianBlur(src, (5, 5), 0, 0)
5

6
cv2.imwrite("gaussian_blur.png", dst)

原图	噪声图	高斯滤波

5.1 原理#

​ 在中值滤波中，不再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值替代当前像素点的像素值。

• 优点：在中值滤波处理中，噪声成分很难被选上，所以可以在几乎不影响原有图像的情况下去除全部噪声。
• 缺点：由于中值滤波需要进行内部排序操作，因此运算量相对更大一些。

5.2 使用方法#

• 通过函数cv2.medianBlur()实现中值滤波。
• 函数原型：dst = cv2.medianBlur( src, ksize )
• 参数说明：
  • dst：表示目标图像。
  • src：表示原始图像。
  • ksize：表示滤波核的大小。滤波核的值必须是奇数，此处是一个整数值，而不用表示为~~元组形式~~。

5.3 示例#

1
import cv2
2

3
src = cv2.imread("logo_noise.png")
4
dst = cv2.medianBlur(src, 5)
5

6
cv2.imwrite("median_blur.png", dst)

原图	噪声图	中值滤波

6.1 原理#

​ 双边滤波是综合考虑空间信息和色彩信息的滤波方式，在滤波过程中能够有效地保护图像内的边缘信息。

​ 在双边滤波中，当处在边缘时，与当前点色彩相近的像素点会被给予较大的权重值，而与当前色彩差别较大的像素点会被给予较小的权重值，这样就保护了边缘信息。

​ 双边滤波去除噪声的效果并不好，它的优势在于对边缘信息的保护上。

6.2 使用方法#

• 通过函数cv2.bilateralFilter()实现双边滤波。
• 函数原型：dst = cv2.bilateralFilter( src, d, sigmaColor, sigmaSpace, borderType )
• 参数说明：
  • dst：表示目标图像。
  • src：表示原始图像。
  • d：表示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，则会自动从sigmaSpace计算得到。
    • 推荐d=5。对于较大噪声的离线滤波，可以选择d=9。
  • sigmaColor：表示滤波处理时选取的颜色差值范围，决定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。
    • sigmaColor=0，滤波失去意义。sigmaColor=255，所有点都能够参与运算。
  • sigmaSpace：表示坐标空间中的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与sigmaSpace的值成比例。
  • borderType：表示边界样式，决定了以何种方式处理边界。

6.3 示例#

1
import cv2
2

3
src = cv2.imread("logo_noise.png")
4
dst = cv2.bilateralFilter(src, 25, 100, 100)
5

6
cv2.imwrite("bilateral_blur.png", dst)

原图	噪声图	双边滤波

7.1 原理#

​ 在希望使用特定的卷积核实现卷积操作时，可以通过函数cv2.filter2D()进行自定义卷积核。

7.2 使用方法#

• 通过函数cv2.filter2D()实现自定义卷积。
• 函数原型：dst = cv2.filter2D( src, ddepth, kernel, anchor, delta, borderType )
• 参数说明：
  • dst：表示目标图像。
  • src：表示原始图像。
  • ddepth：表示处理结果图像的图像深度，一般使用-1，即与原始图像使用相同的图像深度。
  • ksize：表示卷积核，它是一个单通道的数组。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操作。
  • anchor：表示锚点，默认值是(-1, -1)，表示当前计算均值的点位于核的中心点位置。
  • delta：表示修正值，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处理结果。
  • borderType：表示边界样式，决定了以何种方式处理边界。

7.3 示例#

• 自定义卷积核：
  • 滤波效果等同于均值滤波

1
import cv2
2
import numpy as np
3

4
src = cv2.imread("logo_noise.png")
5
kernel = np.ones((5, 5), np.float32) / (5 * 5)
6
dst = cv2.filter2D(src, -1, kernel)
7

8
cv2.imwrite("conv_blur.png", dst)

原图	噪声图	自定义卷积	均值滤波