使用Python+OpenCV进行图像处理（二）| 视觉入门

 

【前言】图像预处理对于整个图像处理任务来讲特别重要。如果我们没有进行恰当的预处理，无论我们有多么好的数据也很难得到理想的结果。

本篇是视觉入门系列教程的第二篇。整个视觉入门系列内容如下：

1. 理解颜色模型与在图像上绘制图形（图像处理基本操作）。

2. 基本的图像处理与滤波技术。

3. 从特征检测到人脸检测。

4. 图像分割与分水岭（Watershed）算法（TBU）

在边缘和轮廓检测中，噪声对检测的精度有很大的影响。因此，去除噪声和控制像素值的大小可以帮助模型聚焦于整体特征，获得更高的精度。对应的图像处理技术包括：模糊化（Blurring）、阈值化（thresholding）和形态转换（morphological transformation）。本篇我们将详细介绍这几个常见的图像预处理技术。（本文假设读者已经熟悉卷积的概念。）

模糊化（Blurring）

模糊化的目标是实现降噪。我们必须格外注意的是：如果我们把边缘检测算法应用到高分辨率的图像上，我们就会得到很多我们不感兴趣的检测结果；

相反，如果我们把图像模糊太多，我们就会丢失数据。因此，我们需要找到一个适当的模糊量，从而不失去理想的边缘。

有多种技术用于实现模糊效果，在这里我们讨论OpenCV中常用的四种技术:平均模糊（Averaging blurring）、高斯模糊（Gaussian blurring）、中值模糊（median blurring）和双边滤波（bilateral filtering）。这四种技术应用一个共同的基本原理，即使用滤波器(内核)对图像进行卷积运算。不同的是，在四种模糊方法中使用的滤波器的值是不同的。

平均模糊（Average blurring）是取给定内核（kernel）区域下所有像素值的平均值替换中心的值。例如，假设给定一个大小为5X5的内核（kernel），我们计算卷积结果的平均值，并将结果放在给定区域的中心。示例如下：

如果我们增加内核的大小，像素值将更加归一化。因此图像也会变得越来越模糊。让我们用下面的代码对比处理结果。(为了便于比较，将把原始图像加到结果中，进行对比显示。)

# Import the image and convert to RGB 
img = cv2.imread('text.jpg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
# Plot the image with different kernel sizes
kernels = [5, 11, 17]
fig, axs = plt.subplots(nrows = 1, ncols = 3, figsize = (20, 20))
for ind, s in enumerate(kernels):
    img_blurred = cv2.blur(img, ksize = (s, s))
    ax = axs[ind]
    ax.imshow(img_blurred)
    ax.axis('off')
plt.show()

中值模糊（Medium blurring）和平均模糊（Average blurring）是一样的，只是它使用的是中值而不是平均值。正由于这个特性，当我们需要处理图像中突然出现的噪音时（如“椒盐噪音”），使用中值模糊（medium blurring）的效果要比平均模糊（average blurring）效果好。

高斯模糊（Gaussian blurring）是使用“值”具有高斯分布的核函数。由于这些值是由高斯函数生成的，因此它的参数需要一个sigma值。如上图，内核的值在靠近中心的地方变高，在靠近角的地方变小。将该方法应用于具有正态分布的噪声，如白噪声，效果较好。

 

双边滤波（Bilateral Filtering）是高斯模糊的一个高级版本。模糊化不仅可以溶解噪声，而且还会平滑边缘。而双边滤波器能在去除噪声的同时保持边缘锐化。这是由于它不仅使用高斯分布值，还同时考虑了距离和像素值的差异。因此，需要指定sigmaSpace和sigmaColor这两个参数。

# Blur the image 
img_0 = cv2.blur(img, ksize = (7, 7))
img_1 = cv2.GaussianBlur(img, ksize = (7, 7), sigmaX = 0