文章目錄

• • 寫在最前
  • OpenCV中的濾波類型
  • • 噪音生成等基本函數(shù)
    • 高斯濾波
    • 自定義濾波器

寫在最前

我在之前的文章中
講了OpenCV中的濾波函數(shù)以及專門去模糊化的函數(shù)fastNlMeansDenoisingColored講解了OpenCV的入門。這一次，我們?cè)敿?xì)講解OpenCV中的濾波函數(shù)，這樣我們?cè)趯W(xué)會(huì)濾波函數(shù)之后，既可以按照上一篇文章的內(nèi)容進(jìn)行噪音去除，也可以使用濾波函數(shù)進(jìn)行反向操作—模糊。

說起來濾波的話，也算是計(jì)算機(jī)視覺里的元老了，除了前面的噪音去除以外，其實(shí)濾波在之后的各個(gè)算法中都會(huì)露臉，所以我們這里也就不得不認(rèn)真講一講他了。┑(￣Д ￣)┍

OpenCV中的濾波類型

OpenCV實(shí)現(xiàn)了常見的數(shù)種濾波函數(shù)，同時(shí)也支持用戶自己編寫濾波函數(shù)。OpenCV中的濾波函數(shù)如下：

1. 均值濾波 2. 中值濾波 3. 高斯濾波 4. 邊緣保留濾波 5. 自定義濾波函數(shù)

其中的第一種濾波函數(shù)和第二種濾波函數(shù)，我們上一次都已經(jīng)演示過來。濾波器本身是個(gè)矩陣，均值濾波是計(jì)算的均值，在我們之前的白噪點(diǎn)去除實(shí)驗(yàn)中，均值濾波效果并不好，而更適合中值濾波。除此之外還有幾種比較特別的濾波函數(shù)，比如高斯濾波以及邊緣保留濾波。其中高斯濾波也是高斯噪音的最佳去除器。而邊緣保留濾波（EPF）則是用來保留邊緣的濾波函數(shù)如雙邊濾波，均值遷移等等,由于篇幅原因，且邊緣保留濾波相對(duì)于其他濾波器有些許特殊，所以我們這次會(huì)優(yōu)先講一講其他濾波器，邊緣保留濾波將會(huì)放在之后講解。

噪音生成等基本函數(shù)

如果需要測(cè)試去噪效果，那么我們自然需要一個(gè)自動(dòng)生成噪音圖片的函數(shù)，以及模塊化的進(jìn)行去除效果展示的函數(shù)。這樣可以模塊化我們的代碼，便于學(xué)習(xí)和理解，具體代碼如下：

def showAndCreateNoiseImage(filePath):if filePath ==None:print("[ERROR] Parameter filePath is None!" )else:img = cv.imread(filePath)cv.imshow("original",img)# 根據(jù)圖像形狀自動(dòng)添加噪音for i in range(1000): #生成1000個(gè)噪點(diǎn)a = random.randint(0,img.shape[0]-1)b = random.randint(0,img.shape[1]-1)img[a,b] = 255cv.imshow("noise",img) # 顯示噪點(diǎn)圖return img

上面這段代碼就是對(duì)我們上篇文章中增加隨機(jī)白噪音的改造，我們傳入圖片，然后就可以獲取結(jié)果。專業(yè)的角度來說，圖片中出現(xiàn)的白色或者黑色噪音都是椒鹽噪音（更準(zhǔn)確的說——椒鹽噪聲是指兩種噪聲，鹽噪聲(高灰度噪聲)、胡椒噪聲(低灰度噪聲)。同時(shí)出現(xiàn)時(shí)，在圖像上呈現(xiàn)為黑白雜點(diǎn)。），因此使用中值濾波處理比較好。

下面的代碼和效果就分別展示了噪音圖和中值濾波后的數(shù)據(jù)。

def blurDemo(image): #均值模糊 去隨機(jī)噪聲有很好的去噪效果dst = cv.blur(image, (3, 3)) #（1, 15）是垂直方向模糊，（15， 1）是水平方向模糊cv.namedWindow('blur_demo', cv.WINDOW_NORMAL)cv.imshow("blur_demo", dst)return dstdef medianBblurDemo(image): # 中值模糊 對(duì)椒鹽噪聲有很好的去噪效果dst = cv.medianBlur(image, 3)cv.namedWindow('median_blur_demo', cv.WINDOW_NORMAL)cv.imshow("median_blur_demo", dst)src = showAndCreateNoiseImage(filePath) medianBblurDemo(src)

高斯濾波

從定義上來說：高斯噪聲是指它的概率密度函數(shù)服從高斯分布（即正態(tài)分布）的一類噪聲。常見的高斯噪聲包括起伏噪聲、宇宙噪聲、熱噪聲和散粒噪聲等等。對(duì)于這類高斯噪音，我們其實(shí)使用高斯濾波或者均值濾波都有不錯(cuò)的處理效果。

def clamp(pv):if pv > 255:return 255if pv < 0:return 0else:return pvdef gaussian_noise(image): #加高斯噪聲h, w, c = image.shapefor row in range(h):for col in range(w):s = np.random.normal(0, 20, 3)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.namedWindow("noise image", cv.WINDOW_NORMAL)cv.imshow("noise image", image)return imagesrc = cv.imread('/home/fonttian/Data/image/OpenCV/test_lena.jpg') cv.namedWindow("input_image", cv.WINDOW_NORMAL) cv.imshow('input_image', src)src = gaussian_noise(src) dst = cv.GaussianBlur(src, (5,5), 0) #高斯模糊 cv.namedWindow("Gaussian Blur", cv.WINDOW_NORMAL) cv.imshow("Gaussian Blur", dst)

同時(shí)我們可以再用一次均值濾波器，來完成噪音去除。

上面的圖像中，我們?yōu)楦咚篂V波選擇的參數(shù)為（5，5），均值濾波為（3,3），不同的參數(shù)會(huì)帶來不同的效果。你可以多嘗試一下上面的代碼（參數(shù)必須為奇數(shù)）。當(dāng)我們將數(shù)值調(diào)大時(shí)雖然會(huì)獲得更好地噪音去除效果，但是圖像細(xì)節(jié)也會(huì)保留的更少，參數(shù)調(diào)小的時(shí)候噪音留下會(huì)逐漸變多，但是細(xì)節(jié)也更多。

自定義濾波器

濾波本質(zhì)就是使用矩陣對(duì)圖像進(jìn)行卷積操作，那么我們自然也可以使用自定義濾波器來實(shí)現(xiàn)之前OpenCV中的的各種濾波器。比如其中的均值濾波就是n*n矩陣乘以n分之一（乘以n分之一是為了像素值溢出），而高斯濾波則是一個(gè)符合高斯分布的矩陣，也就是中值加權(quán)。而中值模糊則顧名思義就是用卷積框?qū)?yīng)像素的中值來替代中心像素的值。如果我們想要在OpenCV中使用自定義濾波器，則需要使用cv.filter2D函數(shù)。具體代碼如下：

def custom_blur_demo(image): # 用戶自定義模糊kernel = np.ones([5, 5], np.float32)/25 #實(shí)現(xiàn)均值模糊，除以25是防止數(shù)值溢出# kernel = np.array([[0, -1, 0], [-1, 5, -1], [0, -1, 0]], np.float32) # 實(shí)現(xiàn)銳化處理，提高圖像的對(duì)比度，提高立體感，輪廓更加清晰# kernel = np.array([[1,0], [0,-1]], np.float32) # 實(shí)現(xiàn)圖像梯度dst = cv.filter2D(image, -1, kernel)

上面的代碼中，我們實(shí)現(xiàn)了多種自定義濾波器，比如第一個(gè)相當(dāng)于參數(shù)（5,5）的均值濾波，二第二種則是銳化處理，第三種是計(jì)算圖像梯度。下面第一張圖片是使用均值濾波模糊后的結(jié)果，然后是第二種和第三種的演示效果。

（3，3）中值濾波后

圖像銳化后

圖像梯度

通過上面的代碼我們可以很明顯的看到自定義濾波器的強(qiáng)大，我們不僅能夠復(fù)刻出OpenCV原有的濾波器，也能制作出新的濾波器。而且其中圖像梯度濾波器還做了一件非常有趣的事情，就是繪制出了圖像輪廓。不過時(shí)間上OpenCV能夠做到的還不止這些，比如下一次我們就將會(huì)講解真正的OpenCV圖像輪廓有關(guān)知識(shí)。

總結(jié)

以上是生活随笔為你收集整理的计算机视觉的基石-滤波的全部內(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。