一篇文章秒懂opencv的全部图像平滑处理操作Python实现

图像平滑处理的基本原理是，将噪声所在像素点的像素值处理为其周围临近像素点的值得近似值。取近似值得方式很多，本章主要介绍：

• 均值滤波
• 方框滤波
• 高斯滤波
• 中值滤波
• 双边滤波
• 2D卷积也成自定义卷积

第一，均值滤波

import cv2

img = cv2.imread('../data/1.jpg', 1)

f = cv2.blur(img, (3, 3))

cv2.imshow('img', img)
cv2.imshow('f', f)
cv2.waitKey()
cv2.destroyAllWindows()
cv2.imwrite('../data/blur.jpg', f)

第二，方框滤波，实现归一化的方框滤波相当于均值滤波

import cv2

img = cv2.imread('../data/1.jpg', 1)

f = cv2.boxFilter(img, -1, (3, 3), normalize=0)  # -1表示处理之后的图片深度跟原图片相同

cv2.imshow('img', img)
cv2.imshow('f', f)
cv2.waitKey()
cv2.destroyAllWindows()
cv2.imwrite('../data/blur.jpg', f)

第三，高斯滤波可以模糊图片边缘信息

import cv2

img = cv2.imread('../data/1.jpg', 1)

f = cv2.GaussianBlur(img, (3, 3), 0, 0)
# 后面两个0表示高斯滤波的权重的标准差根据卷积核的大小来决定（默认卷积核为5计算出来的标准差为1.1）
# 卷积核越大，噪音去除效果会越好，照片会越模糊
cv2.imshow('img', img)
cv2.imshow('f', f)
cv2.waitKey()
cv2.destroyAllWindows()
cv2.imwrite('../data/blur.jpg', f)

第四，中值滤波

import cv2

img = cv2.imread('../data/1.jpg', 1)

f = cv2.medianBlur(img, 3)

cv2.imshow('img', img)
cv2.imshow('f', f)
cv2.waitKey()
cv2.destroyAllWindows()
cv2.imwrite('../data/blur.jpg', f)

第五，双边滤波有助于保留图像边界信息，但是去除噪声的效果并不好

import cv2

img = cv2.imread('../data/1.jpg', 1)

f = cv2.bilateralFilter(img, 5, 50, 100)
# 第二个参数表示以当前像素点为中心点的直径
# 第三个参数表示滤波处理时选取的颜色差值范围，该值决定了周围那些像素点能够参与到滤波中来
# 第四个参数它的值越大，说明有越多的点能够参与到该滤波计算中来
cv2.imshow('img', img)
cv2.imshow('f', f)
cv2.waitKey()
cv2.destroyAllWindows()
cv2.imwrite('../data/blur.jpg', f)

双边滤波处理前

处理之后

第六，2D卷积也称自定义卷积
对于图像处理的大神来说，也不是很好搞清楚卷积的真正内含，从某种程度而言，卷积操作是个黑盒子
而不同的卷积核只是它的参数而已，出来的效果谁都无法用理论证明，只要多试几次，然后总结出
相对于好的效果进行实际效果的应用

import cv2
import numpy as np


kernel = np.ones((5, 5), np.float32) / 81  # 在这里自定义卷积核

img = cv2.imread('../data/1.jpg', 1)

f = cv2.filter2D(img, -1, kernel)

cv2.imshow('img', img)
cv2.imshow('f', f)
cv2.waitKey()
cv2.destroyAllWindows()
cv2.imwrite('../data/blur.jpg', f)