OpenCV-Python - 图像处理 - 基础 - 平滑图像

数据库杂货铺 2022-02-02

844

平滑图像

目标

在本文将学习如何使用OpenCV函数将各种线性过滤器应用于平滑图像，例如：

● blur()

● GaussianBlur()

● medianBlur()

● bilateralFilter()

理论

注意

下面的解释来自 Richard Szeliski 的《计算机视觉：算法和应用》一书和 LearningOpenCV

● 平滑，也称为模糊，是一种简单且常用的图像处理操作。

● 要进行平滑处理的原因有很多。本文将重点介绍用于减少噪声的平滑处理。

● 为了执行平滑操作，我们将对图像应用滤波器。最常见的滤波器类型是线性的，其中输出像素的值（如 g(i,j)）被确定为输入像素值（如 f(i+k,j+l)）的加权和：

h(k,l) 称为核，它只不过是滤波器的系数。

它有助于将滤波器可视化为在图像上滑动的系数窗口。

● 滤波器有很多种，这里我们将提到最常用的：

归一化盒子滤波器

● 这个滤波器是最简单的！每个输出像素是其内核邻域的平均值（所有邻域的权重相等）

● 内核如下：

高斯滤波器

● 可能是最有用的滤波器（虽然不是最快的）。高斯滤波是通过将输入阵列中的每个点与高斯核卷积，然后将它们相加来生成输出阵列来完成的。

● 为了让画面更清晰，请回顾一维高斯核是什么样子。

假设图像是1维，可以注意到位于中间的像素将具有最大的权重。邻域的权重随着它们与中心像素之间的空间距离的增加而减小。

注意

请记住，二维高斯分布可以表示为：

其中μ表示均值，σ2表示方差（基于每个变量x和y）

中值滤波器

中值滤波器遍历信号（在本例中为图像）的每个元素，并将每个像素替换为其相邻像素的中值（相邻像素位于被评估像素周围的正方形邻域中）。

双边滤波器

● 到目前为止，我们已经解释了一些主要目标是平滑输入图像的过滤器。然而，有时滤波器不仅能消除噪声，还能平滑边缘。为了避免这种情况（至少在一定程度上），我们可以使用双边滤波器。

● 与高斯滤波器类似，双边滤波器也会考虑相邻像素，会为每个像素分配权重。这些权重有两个部分，第一部分与高斯滤波器使用的加权方式相同。第二部分考虑相邻像素和被评估像素之间的强度差异。

代码

此程序做了什么？

● 加载图像

● 应用4种不同类型的滤波器（理论部分提到的），并按顺序显示过滤后的图像

import sys
import cv2 as cv
import numpy as np
#  全局变量
DELAY_CAPTION = 1500
DELAY_BLUR = 100
MAX_KERNEL_LENGTH = 31
src = None
dst = None
window_name = 'Smoothing Demo'


def main(argv):
    cv.namedWindow(window_name, cv.WINDOW_AUTOSIZE)
    # 加载源图像
    imageName = argv[0] if len(argv) > 0 else 'horizontal.png'
    global src
    src = cv.imread(imageName)
    if src is None:
        print ('打开图片发生错误')
        print ('用法: smoothing.py [图片名称 -- 默认 horizontal.png] \n')
        return -1
    
    if display_caption('Original Image') != 0:
        return 0
    
    global dst
    dst = np.copy(src)
    if display_dst(DELAY_CAPTION) != 0:
        return 0
    
    # Applying Homogeneous blur
    if display_caption('Homogeneous Blur') != 0:
        return 0
    
    for i in range(1, MAX_KERNEL_LENGTH, 2):
        dst = cv.blur(src, (i, i))
        if display_dst(DELAY_BLUR) != 0:
            return 0
    
    # Applying Gaussian blur
    if display_caption('Gaussian Blur') != 0:
        return 0
    
    for i in range(1, MAX_KERNEL_LENGTH, 2):
        dst = cv.GaussianBlur(src, (i, i), 0)
        if display_dst(DELAY_BLUR) != 0:
            return 0
    
    # Applying Median blur
    if display_caption('Median Blur') != 0:
        return 0
    
    for i in range(1, MAX_KERNEL_LENGTH, 2):
        dst = cv.medianBlur(src, i)
        if display_dst(DELAY_BLUR) != 0:
            return 0
    
    # Applying Bilateral Filter
    if display_caption('Bilateral Blur') != 0:
        return 0
    
    for i in range(1, MAX_KERNEL_LENGTH, 2):
        dst = cv.bilateralFilter(src, i, i * 2, i / 2)
        if display_dst(DELAY_BLUR) != 0:
            return 0
    
    #  Done
    display_caption('Done!')
    return 0


def display_caption(caption):
    global dst
    dst = np.zeros(src.shape, src.dtype)
    rows, cols, _ch = src.shape
    cv.putText(dst, caption,
                (int(cols / 4), int(rows / 2)),
                cv.FONT_HERSHEY_COMPLEX, 1, (255, 255, 255))
    return display_dst(DELAY_CAPTION)


def display_dst(delay):
    cv.imshow(window_name, dst)
    c = cv.waitKey(delay)
    if c >= 0 : return -1
    return 0


if __name__ == "__main__":
    main(sys.argv[1:])

代码介绍

下面仅介绍图像平滑过程用到的 OpenCV 函数。

归一化盒子滤波器：

对于此过滤器，OpenCV 提供了函数 blur() 来执行平滑。指定了 4 个参数（针对C++版函数）：

○ src: 源图像

○ dst: 目标图像

○ Size( w, h ): 定义要使用的内核的大小（宽度为w像素，高度为h像素）

○ Point(-1, -1): 指示锚定点（评估的像素）相对于邻域的位置。如果存在负值，则内核的中心被视为锚定点。

for i in range(1, MAX_KERNEL_LENGTH, 2):
  dst = cv.blur(src, (i, i))
  if display_dst(DELAY_BLUR) != 0:
    return 0

高斯滤波器：

通过函数 GaussianBlur() 执行：这里我们介绍以下参数（针对C++版本函数）：

○ src: 源图像

○ dst: 目标图像

○ Size(w, h): 要使用的内核的大小（要考虑的邻域）。w 和 h 必须是奇数和正数，否则大小将使用 σx 和 σy 参数计算。

○ σx: x 的标准差。0 意味着 σx 是用核大小计算的。

○ σy: y 的标准差。0 意味着 σy 是用核大小计算的。

for i in range(1, MAX_KERNEL_LENGTH, 2):
  dst = cv.GaussianBlur(src, (i, i), 0)
  if display_dst(DELAY_BLUR) != 0:
    return 0

中值滤波器：

这个滤波器由 medianBlur() 函数实现，使用以下参数：

○ src: 源图像

○ dst: 目标图像，必须与 src 类型相同

○ i: 内核的大小(只有一个，因为使用方窗)。必须是奇数。

for i in range(1, MAX_KERNEL_LENGTH, 2):
  dst = cv.medianBlur(src, i)
  if display_dst(DELAY_BLUR) != 0:
    return 0

双边滤波器

由 OpenCV 函数 bilateralFilter() 提供，我们使用5个参数（针对C++版本）：

○ src：源图像

○ dst：图像

○ d：每个像素邻域的直径。

○ σColor：颜色空间中的标准偏差。

○ σSpace：坐标空间中的标准偏差（以像素为单位）

# 记住，双边滤波有点慢，所以随着数值增大，它需要很长时间
for i in range(1, MAX_KERNEL_LENGTH, 2):
  dst = cv.bilateralFilter(src, i, i * 2, i / 2)
  if display_dst(DELAY_BLUR) != 0:
    return 0

官方文档：

https://docs.opencv.org/4.5.5/dc/dd3/tutorial_gausian_median_blur_bilateral_filter.html

python

文章转载自数据库杂货铺，如果涉嫌侵权，请发送邮件至：contact@modb.pro进行举报，并提供相关证据，一经查实，墨天轮将立刻删除相关内容。

OpenCV-Python - 图像处理 - 基础 - 平滑图像

评论