1. 濾波器

1.1 什么是濾波器

濾波器是對(duì)圖像做平滑處理 的一種常用工具。

平滑處理即在盡可能地保留原圖像信息的情況下，對(duì)像素值進(jìn)行微調(diào)，使鄰近的像素值之間，值的大小趨于“平滑”，以去除圖像內(nèi)的噪聲、降低細(xì)節(jié)層次信息等的一系列的操作過程。本篇blog將為大家展示OpenCV中的均值濾波器 、中值濾波器 、高斯濾波器 和 雙邊濾波器。

濾波器的算法邏輯為，指定一個(gè)濾波核的大小（該大小表示參與計(jì)算的像素?cái)?shù)據(jù)的范圍），以圖像中的每一個(gè)像素都作為波的核心，通過該范圍內(nèi)的數(shù)據(jù)，以一定的計(jì)算方式進(jìn)行計(jì)算，將計(jì)算結(jié)果該值賦值給該像素。

1.2 關(guān)于濾波核

以大小為n×n的濾波核為例，對(duì)于每一個(gè)像素?cái)?shù)據(jù)，我們可以在數(shù)組中得到以一個(gè)像素為中心的n×n的矩陣，此即參與計(jì)算的數(shù)據(jù)的范圍（邊界）。這樣的矩陣結(jié)構(gòu)即被稱為濾波核。

1.3 素材選擇

使用圖像《龍門石窟》(longmen.jpg) shape：(350, 600, 3)

2.均值濾波器 cv2.blur()

2.1 語法簡(jiǎn)介

均值濾波器，也稱低通濾波器

顧名思義，均值濾波器即對(duì)濾波核內(nèi)的數(shù)據(jù)求均值，然后將這個(gè)值賦值給矩陣核心位置。

均值濾波器可以使用cv2.blur() 方法實(shí)現(xiàn)

cv2.blur()的語法：

dst = blur(src, ksize, dst=None, anchor=None, borderType=None)

其中

• scr 即圖像
• ksize 濾波核大小。使用一個(gè)元組表示，形如(a, b)，a表示height（高度）,b表示width（寬度）。
• anchor 波核錨點(diǎn)
• borderType 邊界類型

下邊以3×3，5×5，10×10三種濾波核為例，分別展示圖像經(jīng)過均值濾波器處理后的效果。

2.2 代碼示例

2.2.1 3×3 濾波核為例

import cv2
img = cv2.imread("longmen.jpg")
dst1 = cv2.blur(img, (3, 3))
cv2.imshow("3*3", dst1)
cv2.waitKey()
cv2.destroyAllWindows()

濾波效果如下：

2.2.2 5×5 濾波核為例

import cv2
img = cv2.imread("longmen.jpg")
dst2 = cv2.blur(img, (5, 5))
cv2.imshow("5*5", dst2)
cv2.waitKey()
cv2.destroyAllWindows()

濾波效果如下：

2.2.3 10×10濾波核為例

import cv2
img = cv2.imread("longmen.jpg")
dst3 = cv2.blur(img, (10, 10))
cv2.imshow("10*10", dst3)
cv2.waitKey()
cv2.destroyAllWindows()

可以看出，濾波核大小越大，圖像越趨于模糊。

3. 中值濾波器 cv2.medianBlur()

中值濾波器，即對(duì)濾波核內(nèi)所有數(shù)據(jù)排序，將中間值賦值給濾波核核心位置的數(shù)字。

medianBlur(src, ksize, dst=None)

其中 ksize必須是奇數(shù)，是偶數(shù)的話會(huì)發(fā)生報(bào)錯(cuò)。

不同于均值濾波器的方法，cv2.blur()，cv2.blur()的ksize參數(shù)是一個(gè)元組，而cv2.blur()的ksize參數(shù)是一個(gè)數(shù)值。

代碼示例

import cv2
img = cv2.imread("longmen.jpg")
dst1 = cv2.medianBlur(img, 3)
cv2.imshow("3*3", dst1)
cv2.waitKey()
cv2.destroyAllWindows()

濾波后效果如下：

4. 高斯濾波器 cv2.GaussianBlur()

高斯濾波器也被稱為高斯模糊 或 高斯平滑 。

高斯濾波器可以在降低圖片噪聲、細(xì)節(jié)層次的同時(shí)保留更多的圖像信息，使經(jīng)過處理的圖像呈現(xiàn)出“磨砂玻璃”的濾鏡效果。

使用均值濾波時(shí)，每個(gè)像素都是均等權(quán)重的。使用高斯濾波器求的是不同權(quán)重下的均值，越靠近核心的像素的權(quán)重越大，約靠近邊緣的像素的權(quán)重則越小。

與濾波核對(duì)應(yīng)的由每個(gè)數(shù)據(jù)權(quán)重組成的矩陣結(jié)構(gòu)，是一個(gè)卷積核。卷積核中所有權(quán)重值的和為1。卷積核中的數(shù)值會(huì)隨著核的大小而變化。

OpenCV使用cv2.GaussianBlur()方法實(shí)現(xiàn)高斯濾波器。其語法如下：

GaussianBlur(src, ksize, sigmaX, dst=None, sigmaY=None, borderType=None)

其中

• src 為目標(biāo)圖像
• ksize 是濾波核大小，寬高必須是奇數(shù) 。格式為是元組形式。

修改sigmaX 和 sigmaY都會(huì)改變卷積核中的權(quán)重值。這里涉及卷積方面的知識(shí)。

borderType 是邊界類型。

以9×9的濾波核為例

import cv2
img = cv2.imread("longmen.jpg")
dst1 = cv2.GaussianBlur(img, (9, 9), 0, 0)
cv2.imshow("9*9", dst1)
cv2.waitKey()
cv2.destroyAllWindows()

濾波后效果如下：

5. 雙邊濾波器 cv2.bilateralFilter()

前三種濾波方式都會(huì)使圖像變得平滑的同時(shí)，邊緣區(qū)域變得模糊不清。

雙邊濾波是可以在濾波過程中起到保護(hù)圖像邊界信息作用的濾波操作方法。

其邏輯為：

如果圖像在邊緣區(qū)域，則加大邊緣像素的權(quán)重，盡可能地讓邊緣區(qū)域的像素值保持不變。如果不在邊緣區(qū)域（在平坦區(qū)域），則使用類似高斯濾波器的算法進(jìn)行。

雙邊濾波器的語法為：

bilateralFilter(src, d, sigmaColor, sigmaSpace, dst=None, borderType=None)

scr 即目標(biāo)圖像

d過濾期間使用的每個(gè)像素鄰域的直徑。如果為非正，則根據(jù)sigmaSpace計(jì)算。即如果為15，則表示15×15的濾波核。

sigmaColor參與計(jì)算的顏色的范圍，只有像素小于這個(gè)值時(shí)，以其為核心的濾波核才參與濾波計(jì)算。否則不參與。當(dāng)sigmaColor值為255時(shí)，表示所有像素值為核心的濾波核都會(huì)參與。

sigmaSpace坐標(biāo)空間的σ \sigmaσ值，σ \sigmaσ越大，參與計(jì)算的像素?cái)?shù)量就越多。

borderType邊界的樣式。

還以圖片"longmen.jpg"為例，

選擇20×20的濾波核，

參與計(jì)算的像素值范圍為：小于125的像素值；

坐標(biāo)空間的σ \sigmaσ值為，200

import cv2
img = cv2.imread("longmen.jpg")
# 雙邊濾波，選取范圍直徑為15，顏色范圍為125
dst = cv2.bilateralFilter(img, 15, 125, 200)
cv2.imshow("bilateral", dst)
cv2.waitKey()
cv2.destroyAllWindows()

雙邊濾波效果如下：

可以看出，相比以上濾波效果，雙邊濾波保留了較清晰的圖像邊緣信息。

到此這篇關(guān)于Python OpenCV之常用濾波器使用詳解的文章就介紹到這了,更多相關(guān)Python OpenCV濾波器內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論