[图像识别]5.OpenCV的图像平滑_检测图像平滑区域-优快云博客

本文链接：https://blog.youkuaiyun.com/qq_54263076/article/details/127078584

回顾，上节课你学到了什么？

常见的邻接关系有3种: 4邻接N4（p）、D邻接ND（p）和8邻接N8（p）

根据连通性的定义，有4联通、8联通和m联通三种。

cv.erode(img,kernel,iterations)

cv.dilate(img,kernel,iterations)

cv.morphologyEx(img,op,kernel)

开运算：先腐蚀后膨胀。去除边缘高亮毛细噪声，不影响原来的图像

闭运算：先膨胀后腐蚀。消除中间暗淡孔洞，不影响原来的图像

礼帽（顶帽）：原图像与开运算图像之差，高亮显示噪声

黑帽：闭运算结果与原图之差，高亮显示暗淡孔洞

1.图像噪声

图像噪声是指存在于图像数据中的不必要的或多余的干扰信息。噪声的存在严重影响了遥感图像的质量，因此在图像增强处理和分类处理之前，必须予以纠正。有常见有椒盐噪声，高斯噪声等。

椒盐噪声

椒盐噪声也称为脉冲噪声，是图像中经常见到的一种噪声，它是一种随机出现的白点或者黑点，可能是亮的区域有黑色像素或是在暗的区域有白色像素（或是两者皆有）。椒盐噪声的成因可能是影像讯号受到突如其来的强烈干扰而产生、类比数位转换器或位元传输错误等。例如失效的感应器导致像素值为最小值，饱和的感应器导致像素值为最大值。

高斯噪声

高斯噪声是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声。噪声点各种颜色都有，常见的高斯噪声包括起伏噪声、宇宙噪声、热噪声和散粒噪声等等。除常用抑制噪声的方法外，对高斯噪声的抑制方法常常采用数理统计方法。

2.图像平滑

从信号角度就是去除高频，保留低频。

根据滤波器不同，分为：均值滤波，高斯滤波，中值滤波，双边滤波。

均值滤波

由一个归一化卷积框完成的。相当于使得中心元素的像素值是周围元素的平均值，使得不会出现突然高的像素噪声，缓慢过渡。
例如，3x3标准化的平均过滤器如下所示:

优点：计算简单，运算快。缺点：去除细节，图像模糊

cv.blur(img,ksize,anchor,borderType)

img:处理图像

ksize：卷积核大小

anchor:锚点，默认(-1,-1)表示卷积核中心

borderType:边界类型

举例

#4.1

import cv2 as cv

pic1 = cv.imread("5.png")
res=cv.blur(pic1,(5,5))
cv.imshow("img",pic1)
cv.imshow("blur",res)
cv.waitKey(0)

结果

高斯滤波

实质，加权重的卷积核滤波器

二维高斯是构建高斯滤波器的基础，其概率分布函数是二维正态分布：

最高点大小与标准差有关。越接近中心取值越大。

高斯平滑实际上就是设定一个标志差，中心点（0,0）代入二维正态函数中心点求最高值为中心点权重，周围点一样代入坐标求值，最后分别给周围点和中心点赋予不同的权重，总权重归一化后，再加和就是中心点的像素值

优点：对于密集的高斯噪声有很好的处理效果

cv.GaussianBlur(img,ksize,sigmaX,sigmaY,borderType)

ksize:卷积核大小，注意都为奇数

sigmaX：x方向标准差

sigmaY：y方向标准差，不写默认为0，表示和sigmaX相同

borderType:边界类型

举例

#5.2

import cv2 as cv

pic1 = cv.imread("5.png")
res=cv.GaussianBlur(pic1,(3,3),1 )
cv.imshow("img",pic1)
cv.imshow("GaussianBlur",res)
cv.waitKey(0)

结果

中值滤波

中值滤波是一种典型的非线性滤波技术，基本思想是用像素点邻域灰度值的中值来代替该像素点的灰度值。

优点：’中值滤波对椒盐噪声（有特别高的噪声点）来说尤其有用，因为它不依赖于邻域内那些与典型值差别很大的值。

cv.medianBlur(img,ksize)

ksize:卷积核大小，为integer类型

#4.3

import cv2 as cv

pic1 = cv.imread("5.png")
res=cv.medianBlur(pic1,5)
cv.imshow("img",pic1)
cv.imshow("medianBlur",res)
cv.waitKey(0)

结果

双边滤波

双边滤波（Bilateral filter）是一种非线性的滤波方法，是结合图像的空间邻近度和像素值相似度的一种折中处理，同时考虑空域信息和灰度相似性，达到保边去噪的目的。双边滤波器的好处是可以做边缘保存（edge preserving），一般过去用的维纳滤波或者高斯滤波去降噪，都会较明显地模糊边缘，对于高频细节的保护效果并不明。

双边滤波器顾名思义比高斯滤波多了一个高斯方差sigma－d，它是基于空间分布的高斯滤波函数，所以在边缘附近，离的较远的像素不会太多影响到边缘上的像素值，这样就保证了边缘附近像素值的保存。但是由于保存了过多的高频信息，对于彩色图像里的高频噪声，双边滤波器不能够干净的滤掉，只能够对于低频信息进行较好的滤波

双边滤波算法原理：

Bilateral Filters（双边滤波算法）原理及实现_Naruto_Q的博客-优快云博客_bilateral filter双边滤波算法原理：双边滤波算法实现：双边滤波算法实例：参考：http://people.csail.mit.edu/sparis/bf/http://blog.youkuaiyun.com/fightingforcv/article/details/52723376http://blog.youkuaiyun.com/mumuhttps://blog.youkuaiyun.com/piaoxuezhong/article/details/78302920

cv.filter2D(img, ddepth, ksize, dst, anchor, delta, borderType)
ddepth：指定输出图像深度，-1表示与src深度保持一致
ksize：卷积内核大小, 需大于零，可以不同，如核大小（4，5）

dst:2D卷积操作后的结果

anchor:锚点;默认值Point（-1，-1）表示锚位于内核中央

delta：在将它们存储在dst中之前，将delta可选值添加到已过滤的像素中，默认为None

borderType:边框模式用于图像外部的像素，默认边缘像素拷贝

举例

#4.4

import cv2 as cv
import numpy as np
pic1 = cv.imread("5.png")
res=cv.filter2D(pic1,-1,(4,5))
cv.imshow("img",pic1)
cv.imshow("medianBlur",res)
cv.waitKey(0)

结果

总结，这节课你学到了什么？

椒盐噪声

高斯噪声

均值滤波cv.blur(img,ksize,anchor,borderType)

高斯滤波cv.GaussianBlur(img,ksize,sigmaX,sigmaY,borderType)

中值滤波cv.medianBlur(img,ksize)

双边滤波cv.filter2D(img, ddepth, ksize)