如何在Python中使用OpenCV實現圖像平滑處理操作

這期內容當中小編將會給大家帶來有關如何在Python中使用OpenCV實現圖像平滑處理操作，文章內容豐富且以專業的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。

什么是圖像平滑處理

在盡量保留圖像原有信息的情況下，過濾掉圖像內部的噪聲，這一過程我們稱之為圖像的平滑處理，所得到的圖像稱為平滑圖像。

那么什么是圖像的噪聲呢？

圖像的噪聲就是圖像中與周圍像素點差異較大的像素點。噪聲的處理就是將其更改為臨近像素點的近似值，使圖像更平滑。

圖像平滑處理的噪聲取值的方式有以下6種：

（1）均值濾波

（2）方框濾波

（3）高斯濾波

（4）中值濾波

（5）雙邊濾波

（6）2D卷積（自定義濾波）

均值濾波

均值濾波是指用當前像素點周圍N*N個像素點的均值來代替當前像素值。使用該方法遍歷處理圖像內的每一個像素點，即可完成整幅圖像的均值濾波。

在進行均值濾波處理時，我們需要考慮對周圍多少個像素點取平均值。通常情況下，我們會以當前像素點為中心，對行數和列數相等的一塊區域內的所有像素點取平均值。

但是邊緣像素點可能不能這樣做，畢竟比如左上角的像素點是沒有左上像素點的，這個時候我們常常會取圖像內存在的周圍鄰域點的平均值。

在OpenCV中，它給我們提供的均值濾波函數為cv2.blur()，其完整定義如下：

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

src：原始圖像

kszie：濾波中心的大小，也就是取平均值的周圍像素點的高度與寬度，比如（5,5），就是取5*5鄰域像素點均值作為結果。

anchor：錨點，其默認值為（-1，1），表示當前計算均值的點位于核的中心點位置。一般使用默認值即可。

borderType：邊界樣式，該值決定了以何種方式處理邊界，一般情況下不需要更改。

了解了該函數的定義，下面我們簡單的來完成一個去噪圖像，具體代碼如下所示：

import cv2

img = cv2.imread("5.jpg")
result_5img = cv2.blur(img, (5, 5))
result_30img= cv2.blur(img, (30, 30))
cv2.imshow("img", img)
cv2.imshow("result_5img", result_5img)
cv2.imshow("result_30img", result_30img)
cv2.waitKey()
cv2.destroyAllWindows()

運行之后，效果如下所示：

從上圖可以看出來，使用（5，5）卷積進行均值濾波處理后圖像雖然模糊，但還可以辨認。而使用（30，30）卷積進行均值濾波，圖像失真非常嚴重。

所以，我們可以得出來，卷積核越大，去噪效果越好，花費的時間越長，同時圖像失真也越嚴重。而實際的處理中，我們需要在失真與去噪之間取得平衡，選取合適的卷積大小。

方框濾波

方框濾波與均值濾波的不同之處在于，方框濾波不會計算像素均值，它可以自由選擇是否對均值濾波的結果進行歸一化，即可以自由選擇濾波結果是鄰域像素值之和的平均值，還是鄰域像素值之和。

在OpenCV中，它提供cv2.boxFilter()函數來實現方框濾波，其完整定義如下：

def boxFilter(src, ddepth, ksize, dst=None, anchor=None, normalize=None, borderType=None):

src：原始圖像

ddepth：處理結果圖像的圖像深度，一般使用-1表示與原圖像使用相同的圖像深度

ksize：濾波核心的大小

normalize：是否在濾波時進行歸一化處理。當它為1時，表示要進行歸一化處理，也就是鄰域像素值的和除以面積，比如（3，3），公式如下：

當它為0時，表示不需要進行歸一化處理，直接使用鄰域像素值的和。

下面，我們來用程序分別實現歸一化與不歸一化的效果，代碼如下：

import cv2

img = cv2.imread("5.jpg")
result1 = cv2.boxFilter(img, -1, (5, 5))
result2 = cv2.boxFilter(img, -1, (30, 30))
result3 = cv2.boxFilter(img, -1, (2, 2),normalize=0)
cv2.imshow("img", img)
cv2.imshow("result1", result1)
cv2.imshow("result2", result2)
cv2.imshow("result3", result3)
cv2.waitKey()
cv2.destroyAllWindows()

運行之后，顯示的效果如下所示：

可以看到，左下角不需要歸一化處理，這里只取（2，2），如果你取大了，可以試試。因為范圍大了，和一般都會大于255，那么就會造成圖像全是白色。

高斯濾波

在進行均值濾波與方框濾波時，其鄰域內每個像素的權重是相等的。而高斯濾波會將中心點的權重加大，遠離中心點的權重減小，以此來計算鄰域內各個像素值不同權重的和。

在OpenCV中，它給我們提供cv2.GaussianBlur()函數進行高斯濾波，其完整定義如下：

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

src：原始圖像

ksize：濾波核的大小

sigmaX：卷積和在水平方向上（X軸方向）的標準差，其控制的是權重比例

sigmaY：卷積和在垂直方向上（Y軸方向）的標準差，也是控制的是權重比例。如果它為0，只采用sigmaX的值，如果sigmaX與sigmaY都是0，則通過ksize.width和ksize.height計算得到（可選參數）

下面，我們來使用高斯濾波看看效果，代碼如下所示：

import cv2

img = cv2.imread("5.jpg")
result = cv2.GaussianBlur(img, (3, 3), 0, 0)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()

運行之后，效果如下所示：

中值濾波

中值濾波與前面的三種濾波都不同，它不在采用加權求均值的方式計算濾波結果，而是用鄰域內所有像素值的中間值來代替當前像素點的像素值。

簡單點說，就是取當前像素點及其周圍臨近像素點的像素值，將這些值進行排序后，取中間位置的像素值作為當前位置的像素值。

在OpenCV中，它提供給我們cv2.medianBlur()函數來進行中值濾波，其完整定義如下：

def medianBlur(src, ksize, dst=None):

src：原始圖像

kszie：濾波核的大小

參數就兩個，下面我們來用代碼測試一下：

import cv2

img = cv2.imread("5.jpg")
result = cv2.medianBlur(img, 3)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()

運行之后，顯示效果如下：

可以看到，這里我們將臉上的紅點去掉了。需要特別注意的是，濾波核的大小必須是奇數，矩陣中心點向外衍生必然是奇數，不信可以隨便矩陣取一點試試。

雙邊濾波

雙邊濾波是綜合考慮空間信息和色彩信息的濾波方式，在濾波的過程中能夠有效地保護圖像內的邊緣信息。

前面濾波方式基本只考慮了空間的權重信息，這種情況計算起來比較方便，但是邊緣信息的處理上存在較大問題。而雙邊濾波在處理邊緣時，與當前點色彩相近的像素點給與較大的權重值，而與當前像素點色彩差別大的會給較小的權重，這樣就保護了邊緣信息。

簡單點概括，雙邊濾波在計算某一個像素點的新值時，不僅考慮距離信息，還考慮色彩信息。雙邊濾波即能有效地去除噪聲，又能很好地保護邊緣信息。

在OpenCV中，它給我們提供cv2.bilateralFilter()函數來實現，其完整定義如下：

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

src：原始圖像

d：在濾波時選取的空間距離參數，這里表示以當前像素點為中心點的直徑。如果該值為非正數，則會從參數sigmaSpace計算得到。如果濾波空間較大，比如d>5，則速度較慢。因此，在實際的應用中，推薦d=5。對于噪聲較大的離線濾波，可以選擇d=9。

sigmaColor：在濾波處理時，選擇的顏色范圍，該值決定了周圍哪些像素點能夠參與到濾波中來。與當前像素點的像素值差值小于sigmaColor的像素點，能夠參與到當前的濾波中。該值越大，就說明周圍有越多的像素點可以參與到運算中。該值為0時，濾波失去意義；該值為255，指定直徑內的所有點都能夠參與運算。

sigmaSpace：坐標空間中的sigma值。它的值越大，說明有越多的點能夠參與到濾波計算中來。當d>0時，無論sigmaSpace的值如何，d都指定鄰域大小；否則，d域sigmaSpace的值成比例。

為了簡單起見，博主這里將兩個sigmaColor與sigmaSpace值設置為相同的。如果它們的值比較小，比如小于10，濾波的效果不太明顯；如果它們的值較大，比如大于150，則濾波效果會比較明顯。

代碼如下所示：

import cv2

img = cv2.imread("5.jpg")
result = cv2.bilateralFilter(img,25,50,50)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()

運行之后，顯示效果如下所示：

2D卷積

在OpenCV中，除了提供上面這些常用的濾波方式之外，還允許用戶自定義卷積核實現卷積操作。這個函數是cv2.Filter2D()，其完整定義如下：

def filter2D(src, ddepth, kernel, dst=None, anchor=None, delta=None, borderType=None):

src：原始圖像

ddepth：處理結果圖像的深度，-1與原圖像一致。

kernel：卷積核，是一個單通道數組。如果想在處理彩色圖像時，讓每個通道使用不同的核，則必須將彩色圖像分解后使用不同的核完成。

delta：修正值，可選參數。如果該值存在，會在基礎濾波的結果上加上該值作為最終的濾波結果。

下面，我們來使用這個函數看看效果，具體代碼如下所示：

import cv2
import numpy as np

img = cv2.imread("5.jpg")
kernel = np.ones((9,9), np.float32) / 81
result = cv2.filter2D(img, -1, kernel)
cv2.imshow("img", img)
cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()

上述就是小編為大家分享的如何在Python中使用OpenCV實現圖像平滑處理操作了，如果剛好有類似的疑惑，不妨參照上述分析進行理解。如果想知道更多相關知識，歡迎關注億速云行業資訊頻道。