Lesson3-3:OpenCV图像处理---图像平滑

news2024/9/17 7:36:31

图像平滑

学习目标

了解图像中的噪声类型
了解平均滤波，高斯滤波，中值滤波等的内容
能够使用滤波器对图像进行处理

1 图像噪声

由于图像采集、处理、传输等过程不可避免的会受到噪声的污染，妨碍人们对图像理解及分析处理。常见的图像噪声有高斯噪声、椒盐噪声等。

1.1 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。

在这里插入图片描述

1.2 高斯噪声

高斯噪声是指噪声密度函数服从高斯分布的一类噪声。由于高斯噪声在空间和频域中数学上的易处理性，这种噪声(也称为正态噪声)模型经常被用于实践中。高斯随机变量z的概率密度函数由下式给出：

在这里插入图片描述

其中 $z$ 表示灰度值， $μ$ 表示 $z$ 的平均值或期望值， $σ$ 表示 $z$ 的标准差。标准差的平方 ${σ}^{2}$ 称为 $z$ 的方差。高斯函数的曲线如图所示。
在这里插入图片描述

2 图像平滑简介

图像平滑从信号处理的角度看就是去除其中的高频信息，保留低频信息。因此我们可以对图像实施低通滤波。低通滤波可以去除图像中的噪声，对图像进行平滑。

根据滤波器的不同可分为均值滤波，高斯滤波，中值滤波，双边滤波。

2.1 均值滤波

采用均值滤波模板对图像噪声进行滤除。令 $S_{x y}$ 表示中心在 $(x, y)$ 点，尺寸为 $m \times n$ 的矩形子图像窗口的坐标组。均值滤波器可表示为：
$\hat{f} (x,y) = \frac{1}{mn} \sum_{(s,t)∈S_{xy}}^{} g(s,t)$
由一个归一化卷积框完成的。它只是用卷积框覆盖区域所有像素的平均值来代替中心元素。
例如， $3 x 3$ 标准化的平均过滤器如下所示：

$\begin{bmatrix} 1 & 1 & 1 \\ 1 & 1 & 1 \\ 1 & 1 & 1 \\ \end{bmatrix}$
均值滤波的优点是算法简单，计算速度较快，缺点是在去噪的同时去除了很多细节部分，将图像变得模糊。

API:

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

参数:

src：输入图像
ksize：卷积核的大小
anchor：默认值 $(- 1, - 1)$ ，表示核中心
borderType：边界类型
示例：

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
# 1 图像读取
img = cv.imread('./image/dogsp.jpeg')
# 2 均值滤波
blur = cv.blur(img,(5,5))
# 3 图像显示
plt.figure(figsize=(10,8),dpi=100)
plt.subplot(121),plt.imshow(img[:,:,::-1]),plt.title('原图')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(blur[:,:,::-1]),plt.title('均值滤波后结果')
plt.xticks([]), plt.yticks([])
plt.show()

在这里插入图片描述

2.2 高斯滤波

二维高斯是构建高斯滤波器的基础，其概率分布函数如下所示：

$G (x, y)$ 的分布是一个突起的帽子的形状。这里的 $σ$ 可以看作两个值，一个是 $x$ 方向的标准差 $σ_{x}$ ，另一个是 $y$ 方向的标准差 $σ_{y}$ 。
在这里插入图片描述

当 $σ_{x}$ 和 $σ_{y}$ 取值越大，整个形状趋近于扁平；当 $σ_{x}$ 和 $σ_{y}$ 取值越小整个形状越突起。

正态分布是一种钟形曲线，越接近中心，取值越大，越远离中心，取值越小。计算平滑结果时，只需要将"中心点"作为原点，其他点按照其在正态曲线上的位置，分配权重，就可以得到一个加权平均值。

高斯平滑在从图像中去除高斯噪声方面非常有效。

高斯平滑的流程：

首先确定权重矩阵
假定中心点的坐标是 $（ 0, 0 ）$ ，那么距离它最近的 $8$ 个点的坐标如下：

更远的点以此类推。

为了计算权重矩阵，需要设定 $σ$ 的值。假定 $σ = 1.5$ ，则模糊半径为 $1$ 的权重矩阵如下：
在这里插入图片描述
这 $9$ 个点的权重总和等于 $0.4787147$ ，如果只计算这 $9$ 个点的加权平均，还必须让它们的权重之和等于 $1$ ，因此上面 $9$ 个值还要分别除以 $0.4787147$ ，得到最终的权重矩阵。

计算高斯模糊
有了权重矩阵，就可以计算高斯模糊的值了。

假设现有 $9$ 个像素点，灰度值 $（ 0 - 255 ）$ 如下：
在这里插入图片描述每个点乘以对应的权重值：

得到

将这 $9$ 个值加起来，就是中心点的高斯模糊的值。

对所有点重复这个过程，就得到了高斯模糊后的图像。如果原图是彩色图片，可以对RGB三个通道分别做高斯平滑。

API：

cv2.GaussianBlur(src,ksize,sigmaX,sigmay,borderType)

参数：

src: 输入图像
ksize:高斯卷积核的大小，注意：卷积核的宽度和高度都应为奇数，且可以不同
sigmaX: 水平方向的标准差
sigmaY: 垂直方向的标准差，默认值为0，表示与sigmaX相同
borderType:填充边界类型
示例：

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
# 1 图像读取
img = cv.imread('./image/dogGasuss.jpeg')
# 2 高斯滤波
blur = cv.GaussianBlur(img,(3,3),1)
# 3 图像显示
plt.figure(figsize=(10,8),dpi=100)
plt.subplot(121),plt.imshow(img[:,:,::-1]),plt.title('原图')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(blur[:,:,::-1]),plt.title('高斯滤波后结果')
plt.xticks([]), plt.yticks([])
plt.show()

在这里插入图片描述

2.3 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。

中值滤波对椒盐噪声（salt-and-pepper noise）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。

API：

cv.medianBlur(src, ksize )

参数：

src：输入图像
ksize：卷积核的大小
示例：

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
# 1 图像读取
img = cv.imread('./image/dogsp.jpeg')
# 2 中值滤波
blur = cv.medianBlur(img,5)
# 3 图像展示
plt.figure(figsize=(10,8),dpi=100)
plt.subplot(121),plt.imshow(img[:,:,::-1]),plt.title('原图')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(blur[:,:,::-1]),plt.title('中值滤波后结果')
plt.xticks([]), plt.yticks([])
plt.show()