OpenCV学习记录（二 图像去噪、四种滤波方式）

图像去噪：使用OpenCV对图像进行处理，考虑对图像进行去除噪声点，通过不同方法。

OpenCV对于图像去噪(又称图像平滑)提供了四种方法，分别是均值滤波、方框滤波、中值滤波和高斯滤波。

图片去噪处理一般是在图像灰度化之后，图像灰度化之后，会存在噪声点，这些噪声点不是我们所需要的，因此需要图像去噪技术。

要想去除图片的噪声，需要一张有噪声的图片，下面代码为图片添加噪声：

import cv2 import numpy as np import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei'] img = cv2.imread("yiyuan.jpg") h, w = img.shape[0:2] #去噪声 for i in range(3000): #添加3000个噪声点 x=np.random.randint(0, h) #生成随机数，随机行 y=np.random.randint(0, w) #生成随机数，随机列 img[x,y,:]=255 #255为白色，生成白色噪声点 img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB) plt.imshow(img) plt.axis('off') plt.savefig("yi.jpg") plt.show()

效果图如下：

定义：均值滤波是指任意一点的像素值，都是周围NM个像素值的均值。

均值滤波函数：

import cv2 import numpy as np def junzhi(img,size): #img输入，size均值滤波器的尺寸，>=3，且必须为奇数 num = int((size - 1) / 2) # 输入图像需要填充的尺寸 img = cv2.copyMakeBorder(img, num, num, num, num, cv2.BORDER_REPLICATE) #对传入的图像进行扩充，尺寸为num h1, w1 = img.shape[0:2] # 高斯滤波 img1 = np.zeros((h1, w1, 3), dtype="uint8") #定义空白图像，用于输出中值滤波后的结果 for i in range(num, h1-num): #对扩充图像中的原图进行遍历 for j in range(num, w1-num): sum=0 sum1=0 sum2=0 for k in range(i-num,i+num+1): #求中心像素周围size*size区域内的像素的平均值 for l in range(j-num,j+num+1): sum=sum+img[k,l][0] sum1=sum1+img[k,l][1] sum2=sum2+img[k,l][2] sum=sum/(size**2) #除以核尺寸的平方 sum1 = sum1/(size**2) sum2 = sum2/(size**2) img1[i, j]=[sum,sum1,sum2] #复制给空白图像 img1=img1[(0+num):(h1-num),(0+num):(h1-num)] #从滤波图像中裁剪出原图像 return img1 img=cv2.imread("yiyuan.jpg") h, w = img.shape[0:2] #加噪声 for i in range(3000): #添加3000个噪声点 x = np.random.randint(0, h) y = np.random.randint(0, w) img[x,y,:] = 255 #调用均值滤波函数 result=junzhi(img,5) #传入读取的图像和核尺寸 cv2.imshow("zaosheng",img) cv2.imshow("junzhi",result) cv2.waitKey(0)

效果如图：

OpenCV中均值滤波函数库函数的使用：

函数：cv2.blur(img,(size,size1))

img：需要处理的图像

(size,size1)：表示核大小，是以（宽度，高度）表示的元祖形式。

使用库函数进行均值滤波图像处理，效果如下：

代码如下：

import cv2 import numpy as np img=cv2.imread("yiyuan.jpg") h, w = img.shape[0:2] for i in range(3000): #添加3000个噪声点 x = np.random.randint(0, h) y = np.random.randint(0, w) img[x,y,:] = 255 #调用均值滤波函数 result=cv2.blur(img,(5,5)) #传入读取的图像和核尺寸 cv2.imshow("Noise",img) cv2.imshow("junzhi",result) cv2.waitKey(0)

原理：方框滤波与均值滤波原理相同，是指任意一点的像素值，都是周围NM个像素值的均值。但是方框滤波需要均一化处理，如果不做均一化处理，容易产生溢出，溢出的像素值为255，即为白色。均一化处理的参数为布尔型变量normalize，当normalize=Ture时，表示需要均一化处理，normalize=Flase时，不需要均一化处理。

数学原理：

函数原型：result=cv2.boxFilter(img,deep,(size,size1),normalize)

#img：原始图像，需要进行处理的图片

#deep：原始图像深度

#(size,size1)：核尺寸

#normalize：归一化参数，normalize=1进行归一化处理，normalize=0不进行归一化处理。

使用方框滤波库函数处理图像

代码如下：

import cv2 import numpy as np img=cv2.imread("jiesi.jpg") h, w = img.shape[0:2] #加噪声 for i in range(3000): #添加3000个噪声点 x = np.random.randint(0, h) y = np.random.randint(0, w) img[x,y,:] = 255 #调用均值滤波函数 result=cv2.boxFilter(img, -1, (5,5), normalize=1) result1=cv2.boxFilter(img, -1, (5,5), normalize=0) cv2.imshow("jia zao yuan hua",img) cv2.imshow("jun yi-opencv",result) cv2.imshow("bu jun yi-opencv",result1) cv2.waitKey(0)

效果图如下：

原理：选一个含有奇数点的窗口W，将这个窗口在图像上扫描，把窗口中所含的像素点按灰度级的升或降序排列，取位于中间的灰度值来代替该点的灰度值。

换成图像模板来理解就是将临近像素按照大小排列，取排序像素中位于中间位置的值作为中值滤波的像素值。

函数原型：result=cv2.medianBlur(img,size)

#img：需要进行中值滤波处理的图像

#size：核大小，必须是大于1的奇数。

中值滤波库函数的使用

代码如下：

import cv2 import numpy as np img=cv2.imread("yiyuan.jpg") h, w = img.shape[0:2] for i in range(3000): #添加3000个噪声点 x = np.random.randint(0, h) y = np.random.randint(0, w) img[x,y,:] = 255 #调用OpenCV库函数中的均值滤波函数 result=cv2.medianBlur(img, 5) #核尺寸是大于1的奇数 cv2.imshow("yuan tu",img) cv2.imshow("zhong zhi-opencv",result) cv2.waitKey(0)

效果图如下：

原理：高斯平滑也是邻域平均的思想对图像进行平滑的一种方式，在图像高斯平滑中，不同位置的像素被赋予了不同的权重。

高斯函数：

OpenCV中高斯滤波库函数的使用：

函数原型：result=cv2.GaussianBlur(img,(size,size1),sigmaX,sigmaY)

        #img：需要处理的图像

        #(size，size1)：高斯核尺寸

        #sigmaX：X方向上的高斯核标准偏差

        #sigmaY：Y方向上的高斯核标准偏差;如果sigmaY为零，则将其设置为等于sigmaX；如果两个sigma都为零，则分别从ksize.width和ksize.height计算得出；为了完全控制结果，建议指定所有ksize，sigmaX和sigmaY。核大小(size,size)必须是奇数，X方向方差主要控制权重。

OpenCV高斯滤波库函数的使用：

代码如下：

图像效果如下：

 高斯滤波实质上是一种信号的滤波器，大多数图像使用高斯滤波器会得到信噪比SNR较高的图像(反应真实信号)。高斯平滑滤波器对于抑制服从正态分布的噪声非常有效。