【opencv高级教程】2.4 非线性滤波与边缘保留

OpenCV14-图像平滑:线性滤波和非线性滤波 相比于均值滤波,中值滤波对于脉冲干扰信号和图像扫描噪声的处理效果更佳,同时,在一定条件下,中值滤波对图像的边缘信息保护效果更佳,可以避免图像细节的模糊,但是,当中值滤波尺寸变大之后,同样会产生图像模糊的效果。图像的线性滤波与图像的卷积类似,卷积操作中的卷积模版(卷积核)在图像滤波中称为滤波模版、滤波器或者领域算子。无论是图像卷积还是滤波,在原始图像上移动滤波器的过程中每一次的计算结果都不会影响到后面过程的计算结果,因此图像滤波是一个并行算法,在可以提供并行计算的处理器中可以极大地加快图像滤波的处理速度。 阅读详情

阅读导航:我们在上一节聊过线性滤波——高斯模糊就像给图像戴了一副毛玻璃眼镜,所有像素一视同仁地被"平均化"。但现实世界里的噪声并不总是温柔的高斯白噪声,图像边缘也不该被当作普通纹理一起抹平。别急,这一节我们就来探索几类"聪明"的滤波器:它们像有经验的修复师,知道哪里该填平、哪里该停手。


2.4.1 中值滤波:当排序统计遇上椒盐噪声

2.4.1.1 排序统计原理与椒盐噪声抑制机理

我们先从一个具体场景开始。想象你正在扫描一张老照片,扫描仪的传感器偶尔"抽风"——某些像素点突然变成纯黑或纯白,像撒了一把黑芝麻和白芝麻。这就是典型的椒盐噪声(Salt & Pepper Noise)。如果我们用之前学过的 5x5 均值滤波去处理,那些极端的黑白点会被周围像素"稀释",但代价是:整个图像都像蒙了一层薄雾,边缘变得软塌塌。

问题出在哪里? 线性滤波的本质是加权求和,那个极端的 255(白点)虽然被除以 25,但它仍然把整个邻域的均值往上拽了一段。就像班级里突然来了个亿万富翁,平均收入瞬间失真。

中值滤波(Median Filter)的思路完全不同。它不说"平均",而是说:“让我们看看这个窗口里谁处于中间位置。”

如果画成图,它看起来是这样的:

3x3 邻域像素值
[12, 15, 18, 20, 255, 22, 19, 17, 16]

排序后
[12, 15, 16, 17, 18, 19, 20, 22, 255]

取中位数 = 18
替代中心像素

啊哈时刻:注意到那个 255 的极端值了吗?排序之后它直接被甩到了队列末尾,中位数 18 完全不受它影响。这就像选举班长时去掉最高分和最低分再取中间意见——极端值被天然地隔离了。

形式化地说:对于一个窗口 W 内的像素集合 {p1, p2, …, pN},中值滤波输出为

q = median({p<sub>i</sub> | i in W})

这个操作在数学上属于排序统计滤波(Order-Statistic Filtering)。它不是线性运算——你不能把它写成"卷积核矩阵与图像的乘积和",因为排序操作破坏了叠加原理。

算法 1:中值滤波(标量版本)
输入:图像 I,窗口半径 r
输出:滤波图像 Q

for each pixel i in I do
    W <- 以 i 为中心、边长 (2r+1) 的方形邻域
    vals <- { I[j] | j in W }
    sorted <- SortAscending(vals)
    Q[i] <- sorted[ |W| / 2 ]       // 取中位数
end

这在实际使用中意味着什么? 在 OpenCV 里,一行代码就能调用:

dst = cv2.medianBlur(src, ksize=5)  # 5x5 中值滤波

但请记住:中值滤波只擅长对付脉冲型噪声(椒盐噪声)。如果你面对的是胶片颗粒那种均匀分布的高斯噪声,它的表现反而不如高斯滤波——因为高斯噪声没有极端离群点,排序操作反而丢失了统计平均的优势。


2.4.1.2 核尺寸对边缘模糊的非线性影响(优于线性均值)

现在我们已经了解了中值滤波如何消灭离群点,接下来看看另一个关键问题:如果我把窗口从 3x3 扩大到 7x7,边缘会发生什么?

在线性均值滤波里,答案很直接:核越大,边缘越糊,而且模糊程度是均匀且可预测的——本质上就是用一个更大的低通滤波器,边缘的过渡带被拉宽成一条斜坡。

但中值滤波的行为是非线性的,而且有点"叛逆"。来看一个 toy example:

想象一条理想的垂直边缘,左侧像素值全是 50,右侧全是 200。我们在边缘上取一个 3x3 窗口:

3x3 窗口跨边缘

50

50

50

50

?

200

50

200

200

排序值: [50,50,50,50,50,200,200,200,200]
中位数 = 50

啊哈! 中心像素被判定为 50,它仍然属于左侧区域。中值滤波没有制造出一个 125 的过渡灰度,而是坚定地"站队"到像素数量更多的那一侧。只要窗口内某一侧的像素数量超过 50%,中位数就会落在那一侧。

这意味着什么? 在较小窗口下,中值滤波对边缘的定位精度极高,它不会像均值滤波那样把边缘抹成渐变带。但如果窗口继续扩大到 15x15,窗口跨越边缘时两侧像素数量接近平衡,中位数就会开始"摇摆",边缘出现块状失真。

边缘响应对比

原始边缘

阶跃信号

均值滤波 7x7

斜坡过渡
线性退化

中值滤波 7x7

仍近似阶跃
直到某临界尺寸

结构化伪代码——边缘保留的直观演示:

算法 2:核尺寸对边缘影响的 Toy Example
输入:一维阶跃信号 S[1..N],左段值 = L,右段值 = R
      窗口半径 r
输出:滤波后信号 Q

for i <- 1 to N do
    W <- { max(1, i-r) ... min(N, i+r) }
    vals <- { S[j] | j in W }

    if 窗口跨边缘 then
        left_count  <- |{ v in vals | v == L }|
        right_count <- |{ v in vals | v == R }|

        if left_count > right_count then
            Q[i] <- L        // "站队"到左侧
        else if right_count > left_count then
            Q[i] <- R        // "站队"到右侧
        else
            Q[i] <- (L+R)/2  // 势均力敌时才模糊
        end
    else
        Q[i] <- median(vals)
    end
end

在继续之前,请记住这个直觉:中值滤波的边缘模糊不是线性的渐变,而是"延迟的断裂"——它努力保持阶跃,直到物理上无法维持(窗口太大)。这让它在去除椒盐噪声的同时,比均值滤波更好地保留了文字、二维码这类强边缘结构。


2.4.1.3 多通道中值的向量排序与独立通道处理策略

第一步,我们先思考:彩色图像有 B、G、R 三个通道,中值滤波该怎么处理?

听起来抽象对吧? 如果我们把每个像素看作三维空间里的一个向量 (B, G, R),那么"中位数"的定义就变得微妙了。在标量世界里,排序是唯一的;但在向量空间里,什么是"中间"?

向量中值(Vector Median) 的一种定义是:找到一个向量 v,使得它到窗口内所有其他向量的距离之和最小。

v<sub>VM</sub> = argmin<sub>v in W</sub> Sigma<sub>u in W</sub> ||v - u||<sub>2</sub>

如果画成图,它像是在 RGB 立方体里找一个"几何中心":

RGB 立方体中的向量中值

标量中值
每条轴独立排序
结果可能不在原始像素集合中

向量中值
必须是某个原始像素
最小化全距离和

可能产生伪色
R中值来自像素1
G中值来自像素2
B中值来自像素3

颜色保真度高
但计算代价大
O(N^2)距离计算

别急,OpenCV 的 medianBlur 并没有走这条复杂路线。它采用的是独立通道处理策略(Channel-wise Median):分别对 B、G、R 三个通道做标量中值滤波,然后重新组合。

这会带来什么问题? 想象窗口里有两个像素:像素 A 是 (255, 0, 0) 纯红,像素 B 是 (0, 255, 0) 纯绿。独立通道处理后,R 通道中值可能是 128,G 通道中值也可能是 128,结果我们得到了一个 (128, 128, 0) 的暗黄色——原始图像里从未出现过的颜色!这就是伪色(Color Aliasing)。

但在工程实践中,OpenCV 的独立通道策略被广泛使用,原因是:

  1. 速度极快,可并行处理三个通道;
  2. 对于自然图像,邻域内颜色通常连续,伪色概率低;
  3. 椒盐噪声通常是单通道或全通道独立出现,独立处理反而符合噪声模型。
# OpenCV 多通道中值滤波(内部独立通道处理)
dst = cv2.medianBlur(src_color, 5)  # src_color 是 BGR 三通道图像

现在我们已经了解了中值滤波的多通道策略,接下来看看另一种更"优雅"的边缘保留滤波——双边滤波。


2.4.2 双边滤波:空间距离与颜色相似度的双重门控

2.4.2.1 空间权重与颜色权重的乘积核定义

我们先放下代码,想象一个画面:你站在一幅油画前,画家用粗笔触画了天空,用细笔触画了树叶。现在你想"平滑"这幅画,但要求天空的色块融合,而树叶的锐利边缘不能变成一滩烂泥。

传统高斯滤波的问题在于"一视同仁":它只问"你离我多远?“,不问"你跟我颜色差多少?”。于是树叶边缘的深绿和浅绿被强制平均,边缘就化了。

双边滤波(Bilateral Filter)的核心洞察来自一个简单问题:“如果两个像素颜色差异很大,即使它们空间上很靠近,我们真的应该把它们混合吗?”

答案当然是不应该。双边滤波把核函数拆成两个因子的乘积:

  1. 空间权重(Spatial Weight):和高斯滤波一样,问"距离多远?"
  2. 颜色权重(Range Weight):新增的一维,问"颜色多像?"

双边滤波核
W(i,j)

空间因子
exp(-||xi-xj||^2 / 2sigmas^2)

颜色因子
exp(-||Ii-Ij||^2 / 2sigmar^2)

乘积
W = Wspace x Wrange

归一化加权平均

形式化定义:对于像素 i,其滤波输出为

q<sub>i</sub> = (1 / W<sub>i</sub>) x Sum<sub>j in Omega</sub> I<sub>j</sub> x G<sub>sigmas</sub>(||x<sub>i</sub> - x<sub>j</sub>||) x G<sub>sigmar</sub>(||I<sub>i</sub> - I<sub>j</sub>||)

其中 Wi 是归一化因子,Gsigma 表示标准高斯函数。

如果画成热力图,核权重长什么样? 想象你在图像的一个边缘像素上放一个高斯圆盘:

边缘处的双边权重

像素布局
深灰 | 浅灰
边缘垂直向下

传统高斯权重
同心圆均匀衰减
跨越边缘混合

双边权重
空间圆盘 x 颜色门控
边缘处颜色因子 ~ 0
形成断裂的权重分布

啊哈! 颜色权重就像一道"闸门":当邻域像素的颜色与中心像素差异超过某个阈值,颜色因子迅速衰减到接近零,这些像素被有效地"屏蔽"了。于是,边缘一侧的像素只和自己人平均,不会和对面阵营混合。

算法 3:双边滤波(标量图像简化版)
输入:图像 I,空间参数 sigma<sub>s</sub>,颜色参数 sigma<sub>r</sub>
输出:滤波图像 Q

for each pixel i do
    numerator   <- 0
    denominator <- 0

    for each pixel j in 空间邻域 Omega(i, 半径 ~ 3sigma<sub>s</sub>) do
        w_space <- exp( -||x<sub>i</sub> - x<sub>j</sub>||^2 / (2sigma<sub>s</sub>^2) )
        w_range <- exp( -||I<sub>i</sub> - I<sub>j</sub>||^2 / (2sigma<sub>r</sub>^2) )
        w       <- w_space x w_range

        numerator   <- numerator + w x I<sub>j</sub>
        denominator <- denominator + w
    end

    Q[i] <- numerator / denominator
end

2.4.2.2 参数 sigmas(空间)/sigmar(颜色)的物理意义与调参

别急,参数调优往往是双边滤波最让人头疼的部分。我们来拆解这两个 sigma 的物理意义。

sigmas(Space Sigma):控制"看多远"。它和高斯模糊的标准差完全一样。sigmas = 5 意味着你考虑大约半径 15 像素的邻域(3sigma 原则)。它只影响模糊的范围,不影响边缘是否被保留。

sigmar(Range Sigma):控制"颜色差异多大算同类"。它定义了一个"颜色容差带"。

sigmar 调参可视化

sigmar 很小 (如 10)
容差极窄
只有几乎同色才混合
结果:噪声保留多
但边缘极其锐利

sigmar 适中 (如 50)
容差合理
平滑同类纹理
保留显著边缘

sigmar 很大 (如 200)
容差极宽
颜色门控失效
退化为高斯模糊

锚定已知概念:如果你熟悉 RNN 里的门控机制(如 LSTM 的遗忘门),可以把 sigmar 理解为一个软门控(Soft Gate):颜色差越大,门越关;sigmar 就是这个门的"敏感度旋钮"。

Toy Example:假设图像像素值范围 0-255,边缘两侧分别是 100 和 150。

  • 若 sigmar = 10,颜色差 50 对应的高斯权重 ~ exp(-50^2/200) ~ exp(-12.5) ~ 0.000004。边缘完全闭合。
  • 若 sigmar = 100,同样的差值权重 ~ exp(-50^2/20000) ~ exp(-0.125) ~ 0.88。边缘几乎开放。

OpenCV 调用:

# 推荐参数:空间 sigma 设为视觉半径,颜色 sigma 设为噪声/纹理波动幅度
dst = cv2.bilateralFilter(src, d=9, sigmaColor=75, sigmaSpace=75)

注意:d 是邻域直径,如果设为 -1,OpenCV 会根据 sigmas 自动计算。sigmar 的选择通常需要观察图像的噪声水平——如果椒盐噪声波动范围约 +/-20,那么 sigmar 设为 30-40 是合理的起点。


2.4.2.3 O(n^2)高复杂度与快速近似算法(双边网格/PCA)综述

在继续之前,我们必须直面双边滤波的阿喀琉斯之踵:计算复杂度。

回顾算法 3,对于每个像素 i,我们都要遍历其邻域内所有像素 j。如果图像有 N 个像素,邻域大小与 sigmas^2 成正比,那么总复杂度是 O(N x sigmas^2)。对于一张 4K 图像和 sigmas = 10,这意味着数十亿次运算。实时应用?基本不可能。

但好消息是,过去二十年研究者们开发了一系列快速近似算法。它们的核心思想各异,但目标一致:把双边滤波从"每个像素遍历邻域"变成"可分离的全局操作"。

1. 双边网格(Bilateral Grid) citeweb_search:1#11web_search:1#17

这是 Durand & Dorsey 提出的经典方法。思路非常巧妙:把图像从 2D 空间域"升维"到 3D 网格——两个空间轴 (x, y) 加一个颜色轴 (I)。在这个 3D 网格里,双边滤波变成了普通的三维高斯卷积!因为卷积是可分离的,而且 3D 网格可以被大幅下采样(按 sigmas 和 sigmar 的尺度),速度提升数个数量级。

2D 图像
(x, y, I)

升维到 3D 双边网格
第三轴 = 颜色强度

3D 高斯卷积
可分离、可下采样

切片插值回 2D
得到近似双边结果

复杂度:从 O(N x sigmas^2) 降到 O(N + (S/sigmas) x (R/sigmar)),其中 S 是空间域大小,R 是颜色域范围。

2. PCA 降维 + 常数时间双边滤波 citeweb_search:1#8web_search:1#13

对于彩色图像,颜色维度是 3D(RGB),双边滤波的"范围域"也是 3D,这带来了维度灾难(Curse of Dimensionality)。Ishikawa 等人的洞察是:用 PCA 把 3D 颜色压缩到 1D 主成分,然后在 1D 范围域上做常数时间双边滤波(O(1) per pixel)。

3D RGB 颜色空间

PCA 投影到 1D
保留最大方差方向

1D 范围域 + 2D 空间域
= 3D 双边网格

常数时间滤波
O(K) 或 O(K^2)

3. 多项式/泰勒展开近似 citeweb_search:1#14

Porikli 等人的方法更数学化:把颜色高斯核 Gsigmar 用泰勒级数展开成多项式。于是双边滤波被拆解为多个空间高斯滤波的线性组合,每个空间高斯都可以用 FFT 或积分图快速计算。

算法 4:快速双边滤波框架(双边网格示意)
输入:图像 I,参数 sigma<sub>s</sub>, sigma<sub>r</sub>
输出:近似双边图像 Q

// 第一步:构建双边网格
grid <- 空 3D 数组,维度 (X/sigma<sub>s</sub>, Y/sigma<sub>s</sub>, L/sigma<sub>r</sub>)
for each pixel (x, y) with intensity I do
    gx <- round(x / sigma<sub>s</sub>)
    gy <- round(y / sigma<sub>s</sub>)
    gi <- round(I / sigma<sub>r</sub>)
    grid[gx, gy, gi] <- grid[gx, gy, gi] + (I, 1)   // 累积值和权重
end

// 第二步:3D 高斯卷积(可分离、快速)
blurred_grid <- Separable3DGaussianConv(grid, sigma=1.0)

// 第三步:归一化并插值回 2D
for each pixel (x, y) do
    在 blurred_grid 中三线性插值得到 (sum_I, sum_W)
    Q[x, y] <- sum_I / sum_W
end

这在训练/实际使用中意味着什么? 如果你在做实时视频处理或移动端应用,不要直接用 cv2.bilateralFilter 处理全分辨率 4K 帧。建议先用双边网格或 PCA 近似算法预处理,或者先降采样滤波再上采样。OpenCV 的 cv2.ximgproc 模块(contrib 包)提供了部分快速实现,但生产环境中往往需要自行实现 CUDA 版本的双边网格。


2.4.3 导向滤波:局部线性模型与引导图像的约束力量

2.4.3.1 局部线性模型与引导图像(Guidance)约束

现在我们已经了解了双边滤波通过"颜色门控"保留边缘,接下来看看另一种思路——导向滤波(Guided Filter)。它出自何恺明等人 2010 年的工作,思想极其简洁,但威力巨大。

核心问题:假设你有一张"粗糙"的图像 p(比如粗略估计的透射率图),你想把它打磨得光滑,但又必须服从另一张"引导图" I(比如原始彩色图像)的边缘结构。怎么做?

局部线性模型的直觉:何恺明的洞察是——在图像的一个小窗口 omegak 内,输出 q 和引导图 I 之间应该是线性关系。就像你用一小段直线去拟合曲线上的局部区域。

q<sub>i</sub> = a<sub>k</sub> x I<sub>i</sub> + b<sub>k</sub>,  forall i in omega<sub>k</sub>

这里 ak 和 bk 是窗口 omegak 内的常数(局部线性系数)。

引导图 I
(原始图像/灰度图)

局部窗口 omegak

假设:q = ak dot I + bk
在该窗口内成立

最小化
E(ak,bk) = Sumi in omegak[(akIi+bk-pi)^2 + epsilon ak^2]

解出 ak, bk
-> 线性回归

对所有窗口平均
得到最终 q

别急,这个公式看起来有点吓人,我们拆解一下。目标函数 E 有两部分:

  1. 数据项 (akIi + bk - pi)^2:要求输出 q 尽量接近输入 p;
  2. 正则项 epsilon ak^2:防止 ak 太大,避免过拟合噪声。

这其实就是每个窗口内做一个带岭回归(Ridge Regression)的线性拟合。如果你熟悉机器学习里的线性回归,这就是同一个东西——只不过是在每个局部窗口独立求解,然后对所有覆盖像素 i 的窗口结果取平均。

解析解(直接给出,因为推导是标准最小二乘):

a<sub>k</sub> = (mu<sub>k</sub>(p) - mu<sub>k</sub> x p_bar<sub>k</sub>) / (sigma<sub>k</sub>^2 + epsilon)
b<sub>k</sub> = p_bar<sub>k</sub> - a<sub>k</sub> x mu<sub>k</sub>

其中 muk 和 sigmak^2 是引导图 I 在窗口 omegak 内的均值和方差,p_bark 是输入图 p 在该窗口的均值。

啊哈时刻:注意到分母里的 sigmak^2 + epsilon 了吗?

  • 如果在平坦区域(天空、墙面),引导图方差 sigmak^2 ~ 0,于是 ak ~ 0,bk ~ p_bark。输出 q ~ 局部均值——平滑操作!
  • 如果在边缘区域,引导图方差 sigmak^2 很大,ak ~ 1,bk ~ 0。输出 q ~ I——跟随引导图边缘,保留结构!

平坦区域
sigma^2 ~ 0

a ~ 0
q ~ 均值
-> 平滑

边缘区域
sigma^2 >> epsilon

a ~ 1
q ~ I
-> 保边

epsilon 的物理意义:它是"平坦区判定的阈值"。sigmak^2 < epsilon 的区域被视为平坦,会被平滑;sigmak^2 > epsilon 的区域被视为有结构,会保留。epsilon 越大,越多的区域被视为"平坦",平滑力度越强。

算法 5:导向滤波(单通道)
输入:引导图 I,输入图 p,窗口半径 r,正则化参数 epsilon
输出:滤波图 q

// 第一步:计算局部统计量(可用积分图加速)
mean_I   <- BoxFilter(I, r)       // 每个窗口的 mu<sub>k</sub>
mean_p   <- BoxFilter(p, r)       // 每个窗口的 p_bar<sub>k</sub>
mean_Ip  <- BoxFilter(I.*p, r)    // E[I dot p]
var_I    <- mean_Ip - mean_I.*mean_p   // 协方差
var_I    <- BoxFilter(I.*I, r) - mean_I.*mean_I   // sigma<sub>k</sub>^2

// 第二步:计算线性系数
cov_Ip   <- mean_Ip - mean_I .* mean_p
a        <- cov_Ip ./ (var_I + epsilon)
b        <- mean_p - a .* mean_I

// 第三步:对所有窗口平均(覆盖像素 i 的所有窗口 k)
mean_a   <- BoxFilter(a, r)
mean_b   <- BoxFilter(b, r)
q        <- mean_a .* I + mean_b

关键优势:所有 BoxFilter(盒式滤波)都可以用**积分图(Integral Image)**在 O(1) 时间内完成,与窗口半径无关。因此导向滤波的总体复杂度是 O(N),与图像尺寸成线性关系,比双边滤波快得多。


2.4.3.2 暗通道先验与去雾应用实现

现在我们已经了解了导向滤波的局部线性模型,接下来看一个让它名声大噪的应用——单图像去雾(Dehazing)。这是何恺明 2009 年 Dark Channel Prior 论文中的经典 pipeline。citeweb_search:1#0web_search:1#12

大气散射模型告诉我们,雾天图像的形成公式是:

I(x) = J(x) x t(x) + A x (1 - t(x))

其中 J 是清晰图像,t 是透射率(0~1,越近越接近 1),A 是大气光。

暗通道先验(Dark Channel Prior)的直觉:在无雾的自然图像中,大多数非天空局部区域里,至少有一个颜色通道在某些像素上强度很低(接近 0)。于是我们可以粗略估计透射率:

t_tilde(x) = 1 - omega x min<sub>c in {R,G,B}</sub> ( min<sub>y in Omega(x)</sub> (I<sup>c</sup>(y) / A<sup>c</sup>) )

但这个 t_tilde 是块状、粗糙的——因为我们在每个局部 patch 上取了最小值。直接用它恢复图像,边缘会出现严重的 halo 伪影。

这里就轮到导向滤波登场了。我们把原始雾图 I 的灰度图作为引导图,把粗糙的透射率图 t_tilde 作为输入图 p,运行导向滤波,得到一个边缘感知、精细平滑的透射率图 t_prime。

雾天输入图像 I

暗通道图
minc miny in Omega Ic(y)

估计大气光 A
取暗通道最亮的前0.1%像素

粗透射率 t_tilde
按 DCP 公式计算

导向滤波精修
引导图 = I 的灰度
输入图 = t_tilde

精细透射率 t_prime

恢复清晰图像 J
J = (I-A)/max(t_prime, t0) + A

啊哈! 导向滤波在这里扮演了"结构-aware 的上采样器"角色。粗透射率 t_tilde 像是一张低分辨率、块状的马赛克图,而引导图 I 告诉它:“真实的边缘在这里,请把你的平滑边界对齐到我的边缘上。”

import cv2
import numpy as np

def guided_filter(I, p, radius=60, eps=1e-3):
    # 简易导向滤波实现(单通道引导图)
    mean_I = cv2.boxFilter(I, cv2.CV_64F, (radius, radius))
    mean_p = cv2.boxFilter(p, cv2.CV_64F, (radius, radius))
    mean_Ip = cv2.boxFilter(I*p, cv2.CV_64F, (radius, radius))
    cov_Ip = mean_Ip - mean_I * mean_p

    mean_II = cv2.boxFilter(I*I, cv2.CV_64F, (radius, radius))
    var_I = mean_II - mean_I * mean_I

    a = cov_Ip / (var_I + eps)
    b = mean_p - a * mean_I

    mean_a = cv2.boxFilter(a, cv2.CV_64F, (radius, radius))
    mean_b = cv2.boxFilter(b, cv2.CV_64F, (radius, radius))

    return mean_a * I + mean_b

# 使用:t_refined = guided_filter(gray_image, t_coarse, radius=80, eps=1e-3)

注意参数选择:去雾时导向滤波的半径 r 通常设为暗通道 patch 尺寸的 4~5 倍(比如 patch=15x15,则 r=60~80)。这是因为粗透射率的"块效应"尺度与 patch 尺寸相当,滤波半径必须足够大才能抹平这些块状边界。citeweb_search:1#15


2.4.3.3 与双边滤波的保边性能、速度、梯度伪影对比

在继续之前,你可能在问:“导向滤波和双边滤波都是保边滤波,我该用哪个?”

这是一个极好的问题。让我们从三个维度做对比:

性能三维对比

保边能力

双边:强
颜色门控硬截断

导向:中~强
梯度保持好
但可能泄漏少量细节

计算速度

双边:O(N dot r^2)
慢,难以实时

导向:O(N)
积分图加速
实时友好

梯度伪影

双边:易出现
梯度反转
(Gradient Reversal)

导向:无梯度反转
输出是引导图的
局部线性变换

梯度反转(Gradient Reversal)是什么? 这是双边滤波的一个经典问题。想象一条从黑到白的渐变带,中间某处有一个微弱的纹理起伏。双边滤波的颜色权重会"误判"这个纹理为边缘,导致滤波结果出现伪边缘——原本平滑的渐变被扭曲出一个不存在的台阶。导向滤波因为本质是局部线性变换,输出始终是引导图的"仿射变形",不会出现这种奇怪的反转。

锚定已知概念:如果你熟悉深度学习里的 Skip Connection,导向滤波和引导图的关系有点像 ResNet 的残差学习——输出被约束在引导图的"线性邻域"内,不会偏离太远。而双边滤波更像一个注意力机制,每个像素独立决定"看哪里",缺乏全局一致性约束。

实际使用建议:

  • 需要实时视频处理(>30fps):选导向滤波;
  • 需要强保边且不在乎速度(如艺术风格化):选双边滤波;
  • 需要去雾、抠图 matte 精修:导向滤波是行业标准;
  • 图像有大量弱纹理渐变(如皮肤、天空):避免双边滤波,用导向滤波。

2.4.4 非局部均值去噪:在图像里找"失散多年的兄弟"

2.4.4.1 块相似性度量(SSD)与加权平均重建

第一步,让我们跳出"局部邻域"的思维定式。之前所有滤波器(均值、高斯、中值、双边、导向)都有一个共同假设:相似的像素在空间上靠近。但如果一张图里有一大片重复的纹理——比如砖墙、草地、窗户格栅——远处的一块砖和眼前这块砖难道不是"长得几乎一样"吗?

非局部均值(Non-Local Means, NLM)的核心洞察来自一个反问:“既然自然图像充满自相似性,我们为什么要局限在 3x3 或 5x5 的小窗口里找平均?为什么不搜索整幅图像,让所有相似的像素都参与投票?”

Toy Example:想象一张带有噪声的棋盘格图像。传统高斯滤波会模糊格子边缘;中值滤波可能保留边缘但无法利用远处相同格子的信息;而 NLM 会说:“看,右下角那个格子和左上角这个格子长得一模一样,它们的像素值应该互相借鉴!”

噪声图像

取中心 patch
Ni = 7x7 块

在搜索窗口内
比较所有候选 patch Nj

相似度 = exp(-||Ni-Nj||^2 / h^2)
SSD 越小,权重越大

加权平均重建中心像素
qi = Sum wij dot pj / Sum wij

形式化定义:对于像素 i,以其为中心的 patch Ni(比如 7x7)与搜索窗口内所有像素 j 的 patch Nj 比较,权重由归一化 SSD(Sum of Squared Differences)决定:

w(i, j) = exp( - ||N<sub>i</sub> - N<sub>j</sub>||<sup>2</sup><sub>2</sub> / h^2 )

其中 h 是滤波参数,控制衰减速率(类似双边滤波的 sigmar,但作用于 patch 距离而非单像素差)。

算法 6:非局部均值去噪(像素级简化版)
输入:噪声图像 p,patch 半径 patch_r,搜索半径 search_r,参数 h
输出:去噪图像 q

for each pixel i do
    numerator   <- 0
    denominator <- 0
    N_i         <- ExtractPatch(p, i, patch_r)

    for each pixel j in SearchWindow(i, search_r) do
        N_j <- ExtractPatch(p, j, patch_r)
        d   <- ||N_i - N_j||^2 / (2 dot patch_r+1)^2    // 归一化 SSD
        w   <- exp(-d / h^2)

        numerator   <- numerator + w x p[j]
        denominator <- denominator + w
    end

    q[i] <- numerator / denominator
end

啊哈! 这个公式和双边滤波惊人地相似,只不过双边比较的是单像素颜色差,而 NLM 比较的是整个 patch 的纹理模式。双边滤波问"你和我颜色像吗?“,NLM 问"你和我周围的纹理像吗?”


2.4.4.2 搜索窗口与 patch 尺寸的匹配策略

现在我们已经了解了 NLM 的基本机制,但还有两个关键旋钮:搜索窗口多大?patch 多大? 这两个参数的组合直接决定去噪质量和速度。

Patch 尺寸(P x P):决定"自相似性"的判别粒度。

Patch 尺寸策略

小 Patch (3x3)
捕获细纹理
但易受噪声干扰
SSD 不稳定

中 Patch (7x7)
平衡纹理与鲁棒性
最常用

大 Patch (15x15)
抗噪强
但会抹平小于
patch 尺度的细节

搜索窗口(S x S):决定"非局部"的范围。

  • 搜索窗口越大,能找到的相似 patch 越多,去噪越彻底;
  • 但复杂度是 O(S^2 x P^2) 每像素,搜索窗口扩大 2 倍,时间膨胀 4 倍。

匹配策略(来自 Buades 等原始论文及后续研究)citeweb_search:1#10web_search:1#16:

  1. Patch 尺寸应略大于噪声相关尺度。对于标准差 sigma=25 的高斯噪声,7x7 patch 能包含约 49 个采样点,统计上足够稳定;
  2. 搜索窗口通常取 21x21 到 31x31。再大收益递减,因为太远处的 patch 与当前像素通常不相关;
  3. 参数 h 与噪声标准差 sigma 成正比。经验公式:h ~ 0.5~1.2 x sigma。h 太小,权重过于尖锐,噪声保留;h 太大,所有 patch 权重趋同,退化为普通平均。

参数选择流程

估计噪声 sigma
(可用中值绝对偏差 MAD)

设 h = a dot sigma
a in [0.5, 1.2]

选 Patch = 7x7
(通用起点)

选 Search = 21x21
(通用起点)

观察结果
纹理保留?噪声残留?
微调 h 和 patch


2.4.4.3 fastNlMeansDenoising 的多通道实现与参数模板

在继续之前,好消息是 OpenCV 已经为我们实现了经过优化的 NLM,不需要手写四重循环。

OpenCV 提供三个主要接口:

# 1. 灰度图像快速 NLM
dst = cv2.fastNlMeansDenoising(src, None, h=10, 
                               templateWindowSize=7, 
                               searchWindowSize=21)

# 2. 彩色图像(独立通道处理后再聚合)
dst = cv2.fastNlMeansDenoisingColored(src, None, 
                                       h=10, hColor=10,
                                       templateWindowSize=7, 
                                       searchWindowSize=21)

# 3. 多帧视频去噪(利用时域冗余,效果最佳)
dst = cv2.fastNlMeansDenoisingMulti(imgs, imgToDenoiseIndex, 
                                       temporalWindowSize, ...)

fastNlMeansDenoisingColored 的内部逻辑很有趣:它并不是直接在 3D RGB 空间做 NLM(那太慢了),而是把图像转换到 CIELAB 空间,在 L 通道(亮度)用参数 h 做 NLM,在 AB 通道(色度)用参数 hColor 做 NLM,最后转回 RGB。citeweb_search:1#9

为什么色度通道可以单独处理? 因为人眼对色度噪声不如亮度噪声敏感,hColor 通常可以设得比 h 更激进(或更小,取决于需求)。这类似于 JPEG 压缩对色度下采样的思路——利用人眼的感知特性节省计算。

参数模板速查表:

噪声水平h (亮度)hColorPatchSearch适用场景
轻度 (sigma~10)3-53-5721轻微压缩伪影
中度 (sigma~25)10-1510721普通相机高 ISO
重度 (sigma~50)20-3015-209-1135极端暗光环境

结构化伪代码——OpenCV 风格的多通道 NLM:

算法 7:fastNlMeansDenoisingColored 逻辑拆解
输入:彩色噪声图像 I<sub>RGB</sub>,参数 h, hColor, patch, search
输出:去噪图像 O<sub>RGB</sub>

// 第一步:色彩空间转换
I<sub>LAB</sub> <- RGBtoCIELAB(I<sub>RGB</sub>)
分离为 I<sub>L</sub>, I<sub>A</sub>, I<sub>B</sub>

// 第二步:亮度通道 NLM(主要计算在这里)
O<sub>L</sub> <- fastNlMeansDenoising(I<sub>L</sub>, h, patch, search)

// 第三步:色度通道 NLM(通常更快,可降采样)
O<sub>A</sub> <- fastNlMeansDenoising(I<sub>A</sub>, hColor, patch, search)
O<sub>B</sub> <- fastNlMeansDenoising(I<sub>B</sub>, hColor, patch, search)

// 第四步:合并并转回
O<sub>LAB</sub> <- Merge(O<sub>L</sub>, O<sub>A</sub>, O<sub>B</sub>)
O<sub>RGB</sub> <- CIELABtoRGB(O<sub>LAB</sub>)

这在实际使用中意味着什么? NLM 是目前单图像去噪的"黄金标准"之一(BM3D 在此基础上增加了变换域协同滤波,效果更好但速度更慢)。在摄影后期、医学影像预处理、卫星图像降噪中,fastNlMeansDenoising 是首选工具。但请记住:它仍然很慢——一张 1080p 图像可能需要数秒到数十秒。对于视频实时处理,你需要转向深度学习方案(如 CBDNet、RIDNet)或至少使用 GPU 加速的 NLM 实现。


闭环:非线性滤波家族的选择地图

现在我们已经走完了这段旅程,从排序统计的中值滤波,到双重门控的双边滤波,再到局部线性回归的导向滤波,最后到全局自相似的 NLM。它们像是一个家族的不同成员,各有脾气,各守一方。

选择地图:

是

否

是

否

是

否

是

否

我的图像有什么问题?

脉冲噪声
椒盐噪声?

中值滤波
medianBlur
ksize=3/5

需要保边平滑
且要求实时?

导向滤波
guidedFilter
O(N) 速度

需要强保边
不在乎速度?

双边滤波
bilateralFilter
或快速近似

高斯噪声严重
纹理重复丰富?

非局部均值
fastNlMeansDenoising
质量最高

回到 2.3 节
线性滤波可能就够了

延伸阅读推荐:

  1. Buades et al. “A non-local algorithm for image denoising” (CVPR 2005) —— NLM 的奠基之作;
  2. He et al. “Guided Image Filtering” (ECCV 2010) —— 导向滤波原文,含去雾应用;
  3. Paris & Durand “A Fast Approximation of the Bilateral Filter using a Signal Processing Approach” (ECCV 2006) —— 双边网格快速算法;
  4. Tomasi & Manduchi “Bilateral Filtering for Gray and Color Images” (ICCV 1998) —— 双边滤波开山论文。

写在最后:非线性滤波的魅力在于它们尊重图像的结构。线性滤波把图像当作一维信号处理;非线性滤波则开始"理解"图像的空间布局和语义边界。这种从"盲目平均"到"选择性融合"的跃迁,正是计算机视觉从信号处理走向智能感知的缩影。我们在下一节将把这些滤波器作为基础组件,构建更复杂的特征提取器——敬请期待。

opencv基础篇 ——(八)图像平滑滤波 常用图像平滑滤波 阅读详情

相关推荐

OpenCV 4.8 图像增强实战:3类空间域滤波与5种频率域滤波器对比

本文深入探讨OpenCV 4.8中的图像增强技术,对比3类空间域滤波(均值、高斯、中值)与5种频率域滤波器(理想、巴特沃斯、高斯等)的实战效果。通过代码示例和性能指标分析,帮助开发者掌握数字图像处理的核心技术,提升在医疗影像、安防监控等场景的应用能力。

weixin_30947043的博客 456

OPenCV高级编程——OpenCV图像滤波技术详解与示例

在图像处理领域,滤波是一项基本且重要的技术,用于改善图像质量、去除噪声、增强边缘等。OpenCV作为一个强大的计算机视觉库,提供了多种图像滤波技术,包括线性滤波和非线性滤波。本文将详细介绍OpenCV中的图像滤波技术,包括相关类和函数的用法,并通过示例代码展示其应用。

J^T的博客 2174

OpenCV图像平滑处理:四大滤波器原理与实战技巧

图像平滑处理是计算机视觉中关键的预处理步骤,通过抑制高频噪声来提升图像质量。其核心原理是利用空间域滤波算法,在保留图像主要特征的同时消除干扰。从技术实现来看,均值滤波通过邻域平均实现快速降噪,高斯滤波采用加权平均更好地保持细节,中值滤波则能有效消除椒盐噪声。这些方法在OpenCV中都有高效实现,如cv2.blur()、cv2.GaussianBlur()等函数。在实际工程中,图像平滑技术广泛应用于视频监控预处理、医学影像增强、自动驾驶环境感知等场景。特别是在处理CMOS传感器噪声和传输压缩噪声时,合理选择滤

weixin_30745553的博客 393

【机器学习】OpenCV高级图像处理

在掌握了OpenCV的基础知识之后,我们将深入探讨OpenCV在高级图像处理领域的应用。本文将介绍一些常用的高级图像处理技术,包括图像滤波、图像金字塔、图像分割、特征检测与描述、图像变换以及图像修复与增强。

鑫宝的博客 6304

【图像处理】——图像滤波(Python+opencv实现三种方法:均值滤波、中值滤波、高斯滤波等)

图像滤波也就是图像平滑化,图像平滑是一种区域增强的算法,平滑算法有邻域平均法、中指滤波、边界保持类滤波等。在图像产生、传输和复制过程中,常常会因为多方面原因而被噪声干扰或出现数据丢失,降低了图像的质量(某一像素,如果它与周围像素点相比有明显的不同,则该点被噪声所感染)。这就需要对图像进行一定的增强处理以减小这些缺陷带来的影响。图像平滑 有均值滤波、方框滤波、中值滤波和高斯滤波等.在opencv中都是通过一个搜索窗口即核来对图像进行扫描,将扫描后的结果经过处理作为新的像.

python_AI_fans的博客 4184

OpenCV C++ 实现双边滤波器完整教程

OpenCV(Open Source Computer Vision Library)是一个开源的计算机视觉和机器学习软件库,由Intel在1999年启动,并在后续的发展中得到了全球众多研究者和开发者的贡献。该库广泛应用于机器视觉、视频分析、人脸识别等领域,其代码以C++编写,并提供了Python、Java等多种语言的接口。OpenCV的突出特点是跨平台、高效和开源,使得开发者可以自由地使用库中的算法和函数来开发自己的项目。

weixin_42598278的博客 916

Umi-OCR:免费开源的离线 OCR 文字识别,手把手实战指南

Umi-OCR 是一款免费、开源的离线 OCR(文字识别)软件:截图、批量图片、PDF 文档里的文字都能转成可编辑文本,还能扫码和生成二维码。所有识别都在本机完成,全程不需要联网。本文带你从装好到熟练使用它。 ## 1分钟看懂这个项目 Umi-OCR 面向的是需要频繁把图片、截图、扫描件转成文字的人:办公时抠发票合同、开发时抄代码截图、学生处理扫描文献,都用得上。它解压即用、不上传数据,适合对

gitblog_00614的博客 762

基于OpenCV的FDoG算法实现与图像边缘检测项目实战

二维高斯函数的标准形式如下:其中:- $x$ 和 $y$ 是相对于核中心的坐标偏移;- $\sigma$ 是标准差,控制高斯曲线的展宽程度;- 分母 $2\pi\sigma^2$ 是归一化常数,确保整个核的积分等于1,避免整体亮度变化。此函数在空间上呈钟形对称分布,距离中心越远,权重越小。实际应用中通常将其离散化为奇数尺寸(如 $5\times5$ 或 $7\times7$)的矩阵,以便于卷积操作。

weixin_42522857的博客 736

python+opencv实现机器视觉基础技术(边缘提取,图像滤波,边缘检测算子,投影,车牌字符分割)

文章目录一:边缘提取1.对图像进行阈值分割并反色2.边缘提取二:图像滤波1.读取原图2.均值滤波3.中值滤波4.高斯滤波5.高斯边缘检测三:边缘检测算子1.显示原图2.对图像进行反色3.对图像用sobel方法进行边缘检测4.对图像用robert方法进行边缘检测四:投影1.显示原图2.垂直方向投影3.水平方向投影五:车牌字符分割1.读取原图2.灰度转换3.反色4.阈值分割5.投影6.字符识别匹配分割...

ITxiaoangzai的博客 2820

中值滤波、均值滤波与高斯滤波在图像去噪中的应用实战

以下是基于 NumPy 的纯 Python 实现版本:"""使用NumPy实现中值滤波参数:image: 输入二维灰度图像 (H, W)kernel_size: 滤波窗口大小(奇数)返回:去噪后的图像"""assert kernel_size % 2 == 1, "kernel_size必须为奇数"# 镜像填充# 示例测试# 创建测试图像# 添加椒盐噪声# 应用自定义滤波# 可视化axes[0].set_title("原始图像")

weixin_42513928的博客 952

飞腾Ubantu22.04.3安装OpenNebula测试

因OpenneBula官方镜像源只有AMD架构的镜像包不存在ARM的镜像包,借此用源码编译进行测试。

坚持就是胜利的博客 1012

OpenCV学习笔记(4)- imgproc组件

详见《OpenCV3编程入门(毛星云、冷雪飞)》

weixin_42194879的博客 2384

Arduino四足开源机器猫-Opencat(导航贴)

本内容由我和小伙伴共同编写,未经授权,谢绝转载! 1.项目介绍 2.组装调试教程 (一)Opencat-F (1)资料地址(包含程序代码&&3D打印图纸): 链接:https://pan.baidu.com/s/1AcVA5jSiOSzRKqEQAomrTA 提取码:szfx (2) (二)Opencat-B (1)组装调试 (2)组装调试注意事项 (3)添加新技能 3.编程 ...

qqliuzhitong的博客 4173

opencv自定义滤波

自定义滤波的核心是卷积操作 :A、将一个自定义的卷积核(通常是小矩阵)滑过图像的每个像素B、对每个位置,计算卷积核与对应图像区域的元素乘积之和C、结果作为输出图像对应位置的像素值src :输入图像dst :输出图像ddepth :输出图像的深度(-1 表示与输入图像相同)kernel :卷积核(单通道浮点矩阵)anchor :锚点位置(默认 (-1,-1) 表示核中心)delta :可选的偏移值,加到卷积结果上borderType :边界处理方式。

Do my best! 1105

AI+Xmind自动生成测试用例(思维导图格式)

最后:我是Walker,一个热爱分享编程知识的程序员,希望能够帮助到你!

Think_and_work的博客 2335

避坑指南:Ubuntu 22.04上源码编译Autoware.universe(Humble版)的完整流程与常见错误修复

本文详细介绍了在Ubuntu 22.04上源码编译Autoware.universe(Humble版)的完整流程与常见错误修复方法。从环境准备、依赖安装到编译优化,提供了实用的避坑指南和解决方案,帮助开发者高效完成安装并避免常见问题。特别针对源码安装过程中的疑难杂症给出了具体修复建议。

weixin_33712987的博客 384

OpenCV图像滤波实战:噪声去除与平滑处理深度解析(四)

本文将全面探讨OpenCV中经典图像滤波算法的核心原理与工程实践,通过丰富的代码示例、数学推导和效果对比,深入解析均值滤波、高斯滤波、中值滤波的技术细节。

weixin_69882801的博客 1187

iStore增强插件 如何重塑家庭网络与存储体验

本文深入解析了iStore增强插件如何重塑家庭数字生活体验。它通过集成智能流控、一键式文件共享、媒体服务器及智能家居网关等功能,将复杂的网络配置、存储管理与设备协同简化为图形化操作,有效解决了家庭网络卡顿、数据割裂与使用门槛高等核心痛点,让普通用户也能轻松打造高效、稳定、安全的家庭数字中枢。

prometheus9mon的博客 652

图像噪点消除:用 OpenCV 实现多种滤波方法

高斯滤波:适用于高斯噪声,能够平滑图像并保留一定细节。均值滤波:适用于简单的平滑操作,但可能会丢失细节。中值滤波:适用于椒盐噪声和斑点噪声,能够很好地保留边缘信息。双边滤波:适用于需要在去除噪点的同时保留边缘信息的场景。通过本文的介绍和代码示例,你可以在自己的项目中尝试这些滤波方法,选择最适合你的需求的方法来消除图像噪点。

2301_76849908的博客 885

VirtualBox安装Win10虚拟机超详细教程(附微软官方镜像下载)

本文提供了一份详细的VirtualBox安装Win10虚拟机教程,涵盖从环境准备、工具下载到系统安装与初始配置的全过程。特别推荐使用微软官方镜像下载,确保系统纯净安全。此外,还分享了性能优化技巧和常见问题解决方案,帮助用户高效搭建稳定的Windows测试环境。

weixin_29243279的博客 921

Sigrity OptimizePI Best Capacitor Location Estimation模式如何评估电容最佳位置操作指导

Sigrity OptimizePI Best Capacitor Location Estimation模式用于前仿真分析,评估电容的最佳位置以获得最小回路电感,如何分析,以下图为例进行说明。IC devices,输入U*, A*, B*, Q*, P*,将所有这些字母开头的器件都识别为IC。Min设置为1(最少电容个数为1),max设置为28(最多电容个数为28)Capacitors 输入C*,将所有C开头的器件都识别为电容。Grid X设置为8,Grid Y也设置为8。

weixin_54787054的博客 383

别再死记硬背了!用Python+OpenCV实战图像滤波与边缘检测(附完整代码)

本文通过Python和OpenCV实战演示图像滤波与边缘检测技术,涵盖线性变换、高斯滤波、锐化处理和Canny边缘检测等核心方法,提供完整代码示例和参数调优指南,帮助读者快速掌握计算机视觉中的图像处理基础。

weixin_28680865的博客 363

YOLOv11在STM32H7上的MCU部署实战:基于CMSIS-NN的高效推理实现

嵌入式AI与MCU部署技术解析 本文系统介绍了基于STM32H7微控制器的YOLOv11模型部署方案。主要内容包括: 边缘计算背景下MCU的AI部署优势与挑战,重点分析了STM32H7平台特性 YOLOv11模型的结构优化,包括E-ELAN骨干网络和Meta-ACON激活函数等改进 CMSIS-NN加速库的架构原理,在STM32H743上可实现5.4倍卷积加速 完整的开发环境搭建流程,涵盖硬件选型、工具链配置和模型转换 模型优化关键技术,包括int8量化、剪枝和内存占用优化等 实验表明,该方案在保持模型精度

本博客聚焦 YOLOv11 全流程落地,涵盖架构优化、数据集处理、训练技巧与多场景部署,兼及国产数据库、Java 开发与 AI 模型应用,内容兼顾理论与工程实践,为开发者提供系统干货,助力高效提升技术能力。 855

OpenCV各模块函数使用实例(4)主要滤波函数(Image Filtering)

OpenCV各模块函数使用实例(4) F、主要滤波函数(Image Filtering) 此处描述的函数和类是用于在2D图像上(表示为Mat)执行线性和非线性滤波操作的。意思是,对源图像(正常情况下是矩形)的每一个像素位置(x,y),其邻域是被关注的焦点并且对该邻域计算其结果。对线性滤波器,它是一个像素值的权重和。对形态操作,它是最小或最大值等。计算结果存储在目标图像的某个位置(x,y)。也就是说,输出图像与输入图像有相同的尺寸。正常情况下,这些函数支持多通道数组,此时每个通道都单独处理。因而,输出图.

chchzh的专栏 1096

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

python机器视觉算法_python+opencv实现机器视觉基础技术(边缘提取,图像滤波,边缘检测算子,投影,车牌字符分割)...

机器视觉是人工智能正在快速发展的一个分支。简单说来,机器视觉就是用机器代替人眼来做测量和判断。它是一项综合技术,包括图像处理、机械工程技术、控制、电光源照明、光学成像、传感器、模拟与数字视频技术、计算机软硬件技术(图像增强和分析算法、图像卡、 I/O卡等)。下面介绍一些机器视觉的基础方法,用到的技术是python+opencv。python是一种很方便的高级编程语言,代码量少,而OpenCV是一个...

weixin_39769740的博客 1701

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

OpenCV中值滤波实战:如何用cv2.medianBlur消除椒盐噪声(附完整代码)

本文详细介绍了如何使用OpenCV中的cv2.medianBlur函数进行中值滤波,有效消除图像中的椒盐噪声。通过核心原理分析、参数调优技巧和完整代码示例,帮助开发者掌握这一图像处理技术,提升图像质量。文章还对比了不同滤波方法的效果,并提供了高级应用技巧和性能优化建议。

websocket5live的博客 176

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

上一篇: 【opencv高级教程】2.3 线性滤波与频域基础
下一篇: 【opencv高级教程】2.5 边缘检测与梯度分析
VectorShift
博客等级 码龄1年 1840粉丝 1109原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

VectorShift

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值