OpenCV（二）之阈值与平滑处理

Image smoothing系列

在这一节中，我分析了关于openCV中的阈值操作，还有对于图像的平滑处理，实践了均值滤波、方框滤波、高斯滤波、中值滤波这几个滤波器对于一张带有噪音的图像处理。

---

Image smoothing-阈值操作

function：
def threshold(src, thresh, maxval, type, dst=None):
   
   对每个数组元素应用固定级别阈值。
   该功能将固定级阈值应用于单通道阵列。该函数通常用于从灰度图像中获取双层（二进制）图像（cv :: compare也可用于此目的）
   或用于消除噪声，即滤除太小或太小的像素很大的价值。函数支持几种类型的阈值处理。它们由类型参数确定。
   
   此外，特殊值#THRESH_OTSU或#THRESH_TRIANGLE可以与上述值之一组合。
   在这些情况下，函数使用Otsu或Triangle算法确定最佳阈值，并使用它而不是指定的阈值。该函数返回计算的阈值。
   目前，Otsu和Triangle方法仅适用于8位图像。
   
   参数
   SRC	输入数组（单通道，8位或32位浮点）。
   DST	输出与src大小和类型相同的数组。
   THRESH	阈值。
   MAXVAL	与THRESH_BINARY和THRESH_BINARY_INV阈值类型一起使用的最大值。
   类型	阈值类型（参见cv :: ThresholdTypes）。

ThresholdTypes.

Note.

#ThresholdTypes的类型
二值化的操作类型，包含以下5种类型，
cv2.THRESH_BINARY 大于阈值会取值maxval 小于阈值取值0 亮越亮 暗越暗
cv2.THRESH_BINARY_INV 对THRESH_BINARY的取值方式翻转 亮变暗 暗变亮
cv2.THRESH_TRUNC 截断法，对于每一个像素点，大于阈值的一律取为阈值，小的不变 亮变暗 暗则暗
cv2.THRESH_TOZERO 大于阈值的不变，小于阈值的赋为0 亮则亮 暗更暗
cv2.THRESH_TOZERO_INV 对THRESH_TOZERO的取值方式翻转 亮变暗 暗则暗

Eg.

#阈值操作
#读取图片，并将其从BGR to RGB
img = cv2.cvtColor(cv2.imread('dog.jpg'),cv2.COLOR_BGR2RGB)
ret,thresh1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY)
ret,thresh2 = cv2.threshold(img,127,255,cv2.THRESH_BINARY_INV)
ret,thresh3 = cv2.threshold(img,127,255,cv2.THRESH_TRUNC)
ret,thresh4 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO)
ret,thresh5 = cv2.threshold(img,127,255,cv2.THRESH_TOZERO_INV)
titles = ['Original Image','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]
for i in range(6):
    plt.subplot(2,3,i+1),plt.imshow(images[i],'gray')
    plt.title(titles[i])
    plt.xticks([]),plt.yticks([])
plt.show()

Result.

---

Image smoothing-图像平滑

Image Smoothing:图像平滑是指用于突出图像的宽大区域、低频成分、主干部分或抑制图像噪声和干扰高频成分的图像处理方法，目的是使图像亮度平缓渐变，减小突变梯度，改善图像质量。

方法：插值方法，线性平滑方法，卷积法等等。

---

滤波操作-均值滤波

function
def blur(src, ksize, dst=None, anchor=None, borderType=None): 
    使用标准化的盒式过滤器平滑图像。
	该函数使用此内核来平滑图像：

	参数
	SRC	输入图像; 它可以有任意数量的通道，这些通道是独立处理的，但深度应该是CV_8U，CV_16U，CV_16S，CV_32F或CV_64F。
	DST	输出与src相同大小和类型的图像。
	ksize	平滑内核大小。
	anchor	锚点; 默认值Point（-1，-1）表示锚点位于内核中心。
	borderType  外推图像时的像素填充模式，请参阅cv :: BorderTypes

Eg.

#图像平滑
#导入一张带有噪音的图像
img = cv2.imread('lena.jpg')
img1 = cv2.imread('lenaNoise.png')
img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
img1 = cv2.cvtColor(img1,cv2.COLOR_BGR2RGB)
plt.subplot(121)
plt.imshow(img)
plt.title('Original')
plt.subplot(122)
plt.imshow(img1)
plt.title('Noise lena')
plt.show()

Result.1

#均值滤波操作
blur = cv2.blur(lenaNoise,(3,3))
plt.subplot(131)
plt.imshow(lena)
plt.title("Original")
plt.subplot(132)
plt.imshow(lenaNoise)
plt.title("Lena Noise")
plt.subplot(133)
plt.imshow(blur)
plt.title("After Blur")
plt.show()

Result.2

Note.

1.The call blur(src, dst, ksize, anchor, borderType) is equivalent to boxFilter(src, dst, src.type(), anchor, true, borderType).

---

滤波操作-方框滤波

function
def boxFilter(src, ddepth, ksize, dst=None, anchor=None, normalize=None, borderType=None): 
    使用盒式过滤器来平滑图像。
    该函数使用此内核平滑图像：

	参数
	SRC	输入图像。
	DST	输出与src相同大小和类型的图像。
	ddepth	输出图像深度（为-1时使用src.depth（））。
	ksize	平滑内核大小。
	anchor	锚点; 默认值Point（-1，-1）表示锚点位于内核中心。
	normalize 标签，指定内核是否按其区域进行规范化。
	borderType	外推图像时的像素填充模式，请参阅cv :: BorderTypes

Eg.

#当ddepth指定为-1时，输出的图像大小与输入大小一致，normalize表示是否归一化
#当normalize指定为True的时候，其计算方式等同于blur
box = cv2.boxFilter(lenaNoise,-1,(3,3),normalize=True)

#当normalize指定为false，即不进行归一化，
#那么卷积过程中的像素点，会溢出，但不是饱和操作
box_unNormalize = cv2.boxFilter(lenaNoise,-1,(3,3),normalize=False)
#显示输出
plt.subplot(131)
plt.imshow(lenaNoise)
plt.title('Noise lena')
plt.subplot(132)
plt.imshow(box)
plt.title('box_Normalize')
plt.subplot(133)
plt.imshow(box_unNormalize)
plt.title('box_unNormalize')
plt.show()

Result.

Note.

1.非标准化盒式滤波器可用于计算每个像素邻域上的各种积分特性，例如图像导数的协方差矩阵（用于密集光流算法等）。
2.如果需要在可变大小的窗口上计算像素总和，请使用cv :: integral。

---

滤波操作-高斯滤波

function
def GaussianBlur(src, ksize, sigmaX, dst=None, sigmaY=None, borderType=None):
    使用高斯滤波器平滑图像。
	该函数将源图像与指定的高斯内核进行卷积，支持就地过滤。
	
	参数
	SRC	输入图像; 图像可以有任意数量的通道，这些通道是独立处理的，但深度应该是CV_8U，CV_16U，CV_16S，CV_32F或CV_64F。
	DST	输出与src相同大小和类型的图像。
	ksize	高斯核大小。ksize.width和ksize.height可以不同，但​​它们都必须为正数且为奇。
			或者，它们可以是零，然后它们是从sigma计算得到。
	sigmaX	X方向的高斯核标准偏差。
	sigmaY	Y方向的高斯核标准偏差; 如果sigmaY为零，则将其设置为等于sigmaX；
			如果两个sigma均为零，则分别从ksize.width和ksize.height计算（详见cv :: getGaussianKernel）；
			为了完全控制结果，无论将来可能修改所有这些语义，建议指定所有ksize，sigmaX和sigmaY。
	borderType   像素外推法，参见cv :: BorderTypes

Eg.

#高斯滤波
aussian = cv2.GaussianBlur(lenaNoise,(3,3),1)
#显示输出
plt.subplot(121)
plt.imshow(lenaNoise)
plt.title('lenaNoise')
plt.subplot(122)
plt.imshow(aussian)
plt.title('aussian')
plt.show()

Result.

---

滤波操作-高斯内核-getGaussianKernel()

function
def getGaussianKernel(ksize, sigma, ktype=None):

返回高斯滤波器系数。
该函数计算并返回高斯滤波器系数的?????×1矩阵：

其中两个生成的内核可以传递给sepFilter2D。 
这些函数自动识别平滑内核（一个权重总和等于1的对称内核）并相应地处理它们。 您也可以使用更高级别的GaussianBlur。

---

滤波操作-中值滤波

function
def medianBlur(src, ksize, dst=None):
    使用中值滤波器平滑图像。
	该功能使用具有?????×????? aperture 的中值滤波器平滑图像。 
	多通道图像的每个通道都是独立处理的，支持就地过滤。
	
	参数
	SRC	输入1，3或4通道图像; 当ksize为3或5时，图像深度应为CV_8U，CV_16U或CV_32F，对于较大的光圈尺寸，它只能是CV_8U。
	DST	与src具有相同大小和类型的目标数组。
	ksize	aperture linear size; 它必须是奇数且大于1，例如：3,5,7 ......

Eg.

#中值滤波
median = cv2.medianBlur(lenaNoise,3)
#显示输出
plt.subplot(121)
plt.imshow(lenaNoise)
plt.title('lenaNoise')
plt.subplot(122)
plt.imshow(median)
plt.title('median')
plt.show()

Result.

Note.

1.中值过滤器在内部使用BORDER_REPLICATE来处理边界像素，请参阅cv :: BorderTypes

---

滤波操作-几种滤波的效果对比

Eg.

#几种不同的滤波器
blur = cv2.blur(lenaNoise,(3,3))
box = cv2.boxFilter(lenaNoise,-1,(3,3),normalize=True)
aussian = cv2.GaussianBlur(lenaNoise,(3,3),1)
median = cv2.medianBlur(lenaNoise,3)
#显示输出
plt.subplot(221)
plt.imshow(lenaNoise)
plt.title('Noise lena')
plt.subplot(222)
plt.imshow(box)
plt.title('boxFilter')
plt.subplot(223)
plt.imshow(aussian)
plt.title('GaussianBlur')
plt.subplot(224)
plt.imshow(median)
plt.title('medianBlur')
plt.show()

Result.

Note.

1.因为，均值滤波等同于标准化的boxfilter，所以没有在上图加入均值滤波的比较。
2.目前来看，中值滤波表现最佳。

---

补充点，及细节知识

1.之前一直没有怎么关心API里面体现的 In-place filtering is supported 是什么意思，于是研究了并记录一下。
in-place操作，意思是所有的操作都是”就地“操作，不允许进行移动，或者称作 原位操作，即不允许使用临时变量。
所以在滤波中的过滤操作（暂且都认为是卷积操作），“就地过滤”应该是指，卷积过程中不使用临时变量，通过加减、位运算来实现。

---

END