Python3+OpenCV（七）：空间域滤波增强

最新推荐文章于 2024-03-15 21:43:23 发布

Miraitowa_x

最新推荐文章于 2024-03-15 21:43:23 发布

阅读量2.6k

点赞数 6

CC 4.0 BY-SA版权

分类专栏： OpenCV 文章标签：计算机视觉 opencv

本文链接：https://blog.youkuaiyun.com/Seven_WWW/article/details/108442513

1、空间域平滑滤波

任何一幅原始图像，在其获取和传输等过程中，会受到各种噪声的干扰，使图像模糊，对图像分析不利。为了抑制噪声，改善图像质量所进行的处理称图像平滑或去噪。

(1) 均值滤波器

均值滤波（normalized box filter）就是用其像素点周围像素的平均值代替元像素值，在滤除噪声的同时也会滤掉图像的边缘信息的方法。

但均值滤波本身存在着固有的缺陷，即它不能很好地保护图像细节，在图像去噪的同时也破坏了图像的细节部分，从而使图像变得模糊，不能很好地去除噪声点。特别是椒盐噪声。

cv2.blur(src, ksize, dst=None, anchor=None, borderType=None)

该函数使用内核将图像平滑化，表示为：
在这里插入图片描述
作用：使用归一化卷积模板模糊图像
src：图像矩阵
ksize：滤波窗口(算子)尺寸
anchor：锚点
borderType：边界扩充类型

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 均值滤波器
# 读取灰度图像 
img = cv2.imread("D:/Study/digital image processing/test/saltLena.bmp",0)
# 模板大虚5*5
blur = cv2.blur(img,(5,5))
plt.subplot(121),plt.imshow(img,'gray')
plt.subplot(122),plt.imshow(blur,'gray')
plt.show()

在这里插入图片描述

(2) 高斯滤波器

高斯滤波是一种线性平滑滤波器，对于服从正态分布的噪声有很好的抑制作用。在实际场景中，我们通常会假定图像包含的噪声为高斯白噪声，所以在许多实际应用的预处理部分，都会采用高斯滤波抑制噪声，如传统车牌识别等。

高斯滤波和均值滤波一样，都是利用一个掩膜和图像进行卷积求解。不同之处在于：均值滤波器的模板系数都是相同的为1，而高斯滤波器的模板系数，则随着距离模板中心的增大而系数减小（服从二维高斯分布）。所以，高斯滤波器相比于均值滤波器对图像个模糊程度较小，更能够保持图像的整体细节。

高斯滤波常见模板如下。
在这里插入图片描述

cv2.GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]])

作用：根据像素距离使用高斯函数生成权重进行滤波
dst：输出图像
src：输入图像
ksize：卷积核的大小
sigmaX：x方向上的标准差
sigmaY：y方向上的标准差
borderType：边界模式，默认为BORDER_DEFAULT

# 高斯滤波器
img = cv2.imread("D:/Study/digital image processing/test/saltLena.bmp",0)
# 若只给了一个sigma则同时视为两轴的sigma，若均为0则根据尺寸自动生成。
dst = cv2.GaussianBlur(img,(5,5),0)

plt.subplot(121),plt.imshow(img,'gray')
plt.subplot(122),plt.imshow(dst,'gray')
plt.show()