机器视觉学习-day11-图像噪点消除

1 噪声

噪声指的是图像中的一些干扰因素，通常由于图像的采集设备或传输过程中导致的，表现为图像中部分像素点出现随机亮度，也可以理解为一些像素点与周围的像素点格格不入。

常见噪声分为两类：

高斯噪声：是一种符合正态分布的噪声，会使图像变得有明暗不均的噪点，如果是彩图可能还会出现颜色的分布不均。

椒盐噪声：是一些黑色像素值分布在原图像中，可以把椒盐噪声理解为斑点，随机出现在画面中。

2 滤波器

滤波器：实际上就是之前的卷积核，与自适应二值化中的核一样，本身是一个小区域，有这特定的核值，并且工作原理也实在原图上从左向右、从上到下进行滑动计算。

滤波器可以分为两类：

线性滤波：对卷积核中的邻域像素进行线性计算，例如计算求和等，常见的线性滤波器有均值滤波、高斯滤波等。

非线性滤波：利用原始图像与模板之间的一种逻辑关系得到结果，常见的非线性滤波器有中值滤波、双边滤波等。

2.1 均值滤波

均值滤波是一种最简单的滤波器，它直接计算卷积核区域内元素的平均值。例如3x3的卷积核：

原始图像：1.jpg  (高斯噪声图像)

import cv2

if __name__ == '__main__':
    # 1.图片输入
    image_np = cv2.imread("1.jpg")  # cv2.imread(): OpenCV的图像读取函数
    # 2.滤波算法
    no_noise_image = cv2.blur(  # cv.blur(): OpenCV的均值滤波函数，用于模糊图像/降噪
        image_np,  # 原图
        (5, 5)  # 核
    )
    """
    均值滤波原理：用一个小窗口（核）在图像上滑动，用窗口内所有像素的平均值代替中心像素
    (5, 5): 核的大小，这里表示使用5×5的窗口进行计算
    核大小越大，模糊效果越明显，但计算量也越大
    """

    # 3. 图片输出
    cv2.imshow('no_noise_image', no_noise_image)
    cv2.waitKey(0)
    cv2.imwrite('junzhi.png', no_noise_image)
    cv2.destroyAllWindows()  # 关闭所有由OpenCV创建的窗口，释放资源

均值滤波修改后的图像：junzhi.png

2.2 方框滤波

方框滤波与均值滤波非常像。如3x3的滤波核如下：

参数与均值滤波有相同的也有不同的，只讲解不同的（后文同），新参数：

        ddepth 输出图像的深度

-1表示使用原图的深度，即每个像素点占用的位数，最常用的位数是cv2.CV_8U，即8位无符号整数：0-255

        normalize 控制a的数值

当此参数为True时，方框滤波就是均值滤波；

当此参数为False时，a=1，相当于在区域内求像素和。

原始图片：2.jpg (暗)   方框滤波在消除噪声的同时会提高图片的亮度

import cv2

if __name__ == '__main__':
    # 1. 图片输入
    image_np = cv2.imread('2.jpg')

    # 2. 滤波算法
    # 方框滤波
    no_noise_image = cv2.boxFilter(
        image_np,  # 原图
        -1, # 位深度
        (3, 3),  # 核
        normalize=False # 标准化参数
    )

    # 3. 图片输出
    cv2.imshow('no_noise_image', no_noise_image)
    cv2.waitKey(0)
    cv2.imwrite('fangkuang.png', no_noise_image)

代码运行后：fangkuang.png

2.3 高斯滤波

高斯滤波的核权重计算与自适应二值化的《高斯加权求和》过程完全相同。

当时以3x3为例，计算出核为：

原始图片同上：1.jpg

import cv2
import numpy as np

if __name__ == '__main__':
    # 1. 图片输入
    image_np = cv2.imread('1.jpg')

    # 2. 滤波算法
    # 高斯滤波
    no_noise_image = cv2.GaussianBlur(
        image_np,  # 原图
        (5, 5),  # 核大小
        1  # SigmaX与中心像素的权重成反比
    )

    """
    cv2.GaussianBlur(): OpenCV的高斯滤波函数
    高斯滤波原理: 使用高斯函数计算权重，对图像进行加权平均模糊
    与均值滤波不同，高斯滤波给中心像素附近的像素分配更高的权重
    权重分布遵循高斯分布（钟形曲线），中心权重最高，向外逐渐减小

    参数详解:
    image_np: 输入图像
    (5, 5): 核大小，必须是正奇数，如(3,3)、(5,5)等
    1: SigmaX，高斯核在X方向的标准差
    注意：如果只指定SigmaX，SigmaY会自动设为与SigmaX相同
    """

    # 3. 图片输出
    cv2.imshow('no_noise_image', no_noise_image)
    cv2.waitKey(0)
    cv2.imwrite("gaosi.png", no_noise_image)

"""
高斯滤波的特点与优势
高斯滤波是一种非常常用的线性滤波器，具有以下特点：
    平滑效果好: 能有效去除高斯噪声
    保留边缘: 相比均值滤波，能更好地保留图像边缘
    可调节性: 通过调整核大小和Sigma值可以控制模糊程度
    各向同性: 在各个方向上具有相同的平滑效果

参数详解与调节
    核大小 (ksize):
        必须是正奇数，如(3,3)、(5,5)、(7,7)等
        值越大，模糊效果越明显，但计算量也越大
        如果设为(0,0)，OpenCV会根据Sigma值自动计算核大小
    SigmaX:
        高斯核在X方向的标准差
        值越大，高斯分布越平坦，模糊效果越明显
        如果设为0，OpenCV会根据核大小自动计算Sigma值
    SigmaY:
        高斯核在Y方向的标准差
        如果设为0，则与SigmaX相同
        如果SigmaX和SigmaY都为0，则根据核大小自动计算
"""

运行后图片效果：gaosi.png

2.4 中值滤波

中值就是中位数，是核中对应的像素排序后的中间值，因此核本身没有数值，也不需要新增的参数。需要注意的是，默认的边界填充算法是边界复制。

原始图像：3.jpg    (椒盐噪声)

import cv2

if __name__ == '__main__':
    # 1. 图片输入
    image_np = cv2.imread('3.jpg')  # 读取名为'123.jpg'的图片，并将其存储在变量image_np中

    # 2. 滤波算法
    # 中值滤波
    no_noise_image = cv2.medianBlur(  # 调用中值滤波函数
        image_np,  # 输入的原图像
        3  # 滤波核的大小，这里是3x3的窗口
    )

    # 3. 图片输出
    cv2.imshow('no_noise_image', no_noise_image)  # 创建一个窗口显示处理后的图像
    cv2.waitKey(0)  # 等待用户按下任意键继续
    cv2.imwrite('zhongzhi.png', no_noise_image)
    """
    中值滤波是一种非线性数字滤波技术，
    常用于去除图像中的"椒盐噪声"（随机出现的黑白点），
    同时能较好地保留图像边缘信息。
    
    中值滤波步骤：
    定义滑动窗口：选择一个窗口（通常是奇数大小的正方形，如3×3、5×5）    
    遍历图像像素：将窗口中心对准图像的每一个像素    
    收集邻域值：获取窗口覆盖范围内的所有像素值    
    排序并取中值：将这些像素值按大小排序，取中间值    
    替换中心像素：用这个中值替换窗口中心的原始像素值
    """

代码运行：zhongzhi.png

2.5 双边滤波

前面的滤波器都丢失了一些图像信息，使图像边缘变得更加难以处理，边缘是图像处理中非常重要的特征，因此可以使用双边滤波保留更多的边缘信息。

原始图片同上：3.jpg 

import cv2
import numpy as np

if __name__ == '__main__':
    # 1. 图片输入
    image_np = cv2.imread('3.jpg')

    # 2. 滤波算法
    # 双边滤波
    no_noise_image = cv2.bilateralFilter(
        image_np,  # 原图
        9,  # 核，直径d
        80,  # SigmaColor
        80  # sigmaSpace
    )
    """
    cv2.bilateralFilter(): OpenCV的双边滤波函数
    双边滤波原理: 与简单均值滤波不同，双边滤波是一种非线性滤波器，它同时考虑空间距离和像素值相似性
    空间距离: 靠近中心像素的像素有更大权重
    像素值相似性: 与中心像素值相似的像素有更大权重
    参数详解:
    image_np: 输入图像
    9: 滤波器的直径d，表示每个像素邻域的直径
    80: SigmaColor，颜色空间的标准差，控制颜色相似性判断
    80: SigmaSpace，坐标空间的标准差，控制空间距离判断
    """

    # 3. 图片输出
    cv2.imshow('no_noise_image', no_noise_image)
    cv2.waitKey(0)
    cv2.imwrite("shuangbian.png", no_noise_image)

运行后图片：shuangbian.png