转自:https://blog.csdn.net/zaishuiyifangxym/article/details/89788020 目录
1 图像增强——图像平滑 1.1 图像增强简介 1.2 图像平滑2 均值滤波 3 中值滤波 4 高斯滤波
1.1 图像增强简介 图像增强是对图像进行处理，使其比原始图像更适合于特定的应用，它需要与实际应用相结合。对于图像的某些特征如边缘、轮廓、对比度等，图像增强是进行强调或锐化，以便于显示、观察或进一步分析与处理。图像增强主要是一个主观过程，而图像复原大部分是一个客观过程。图像增强的方法是因应用不同而不同的，研究内容包括： 1.2 图像平滑 图像平滑是一种区域增强的算法，平滑算法有邻域平均法、中指滤波、边界保持类滤波等。在图像产生、传输和复制过程中，常常会因为多方面原因而被噪声干扰或出现数据丢失，降低了图像的质量（某一像素，如果它与周围像素点相比有明显的不同，则该点被噪声所感染）。这就需要对图像进行一定的增强处理以减小这些缺陷带来的影响。 图像平滑 有均值滤波、方框滤波、中值滤波和高斯滤波等。下面将介绍常用的均值滤波、中值滤波和高斯滤波。 为了实验方便，首先给图像加一点噪声. 代码如下所示：
# -*- coding:utf-8 -*- import cv2 import numpy as np # 读取图片 img = cv2.imread("zxp.jpg", cv2.IMREAD_UNCHANGED) img_noise=img cv2.imshow("src", img) rows, cols, chn = img_noise.shape # 加噪声 for i in range(5000): x = np.random.randint(0, rows) y = np.random.randint(0, cols) img_noise[x, y, :] = 255 cv2.imshow("noise", img_noise) # 等待显示 cv2.waitKey(0) cv2.destroyAllWindows() #保存含噪声图像 cv2.imwrite("zxp_noise.jpg", img_noise)运行结果如下图所示：
均值滤波是指任意一点的像素值，都是周围 N \times M 个像素值的均值。例如下图中，红色点的像素值是其周围蓝色背景区域像素值之和除25，25=5\times5 是蓝色区域的大小。 均值滤波详细的计算方法如下图所示： 其中5x5的矩阵称为核，针对原始图像内的像素点，采用核进行处理，得到结果图像，如下图所示： 提取 1/25 可以将核转换为如下形式：
Python调用OpenCV实现 均值滤波 的函数如下： result = cv2.blur(原始图像,核大小) 其中，核大小是以（宽度，高度）表示的元组形式。常见的形式包括：核大小（3，3）和（5，5）。 （1） 核大小为 3 x 3 代码如下所示：
# encoding:utf-8 import cv2 import numpy as np import matplotlib.pyplot as plt # 读取图片 img = cv2.imread('zxp_noise.jpg') source = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 均值滤波 result = cv2.blur(source, (3, 3)) #可以更改核的大小 # 显示图形 titles = ['Source Image', 'Blur Image (3, 3)'] images = [source, result] for i in range(2): plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray') plt.title(titles[i]) plt.xticks([]), plt.yticks([]) plt.show()运行结果如下图所示： （2） 核大小为 5 x 5: 代码如下所示：
# encoding:utf-8 import cv2 import numpy as np import matplotlib.pyplot as plt # 读取图片 img = cv2.imread('zxp_noise.jpg') source = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 均值滤波 result = cv2.blur(source, (5, 5)) #可以更改核的大小 # 显示图形 titles = ['Source Image', 'Blur Image (5, 5)'] images = [source, result] for i in range(2): plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray') plt.title(titles[i]) plt.xticks([]), plt.yticks([]) plt.show()运行结果如下图所示： （2） 核大小为 10x10 代码如下所示：
# encoding:utf-8 import cv2 import numpy as np import matplotlib.pyplot as plt # 读取图片 img = cv2.imread('zxp_noise.jpg') source = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 均值滤波 result = cv2.blur(source, (10, 10)) #可以更改核的大小 # 显示图形 titles = ['Source Image', 'Blur Image (10, 10)'] images = [source, result] for i in range(2): plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray') plt.title(titles[i]) plt.xticks([]), plt.yticks([]) plt.show()运行结果如下图所示：
注： 1）随着核大小逐渐变大，会让图像变得更加模糊； 2）如果设置为核大小为（1，1），则结果就是原始图像。在使用邻域平均法去噪的同时也使得边界变得模糊。而中值滤波是非线性的图像处理方法，在去噪的同时可以兼顾到边界信息的保留。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。计算过程如下图所示： Python调用OpenCV实现 中值滤波 的函数如下：
OpenCV主要调用 medianBlur() 函数实现中值滤波。图像平滑里中值滤波的效果最好。
dst = cv2.medianBlur(src, ksize) 其中，参数： src 表示源图像； ksize 表示核大小。核必须是大于1的奇数，如3、5、7等。（1）核大小为 3x3 代码如下所示：
# encoding:utf-8 import cv2 import numpy as np import matplotlib.pyplot as plt # 读取图片 img = cv2.imread('zxp_noise.jpg') # 中值滤波 result = cv2.medianBlur(img, 3)#可以更改核的大小 # 显示图像 cv2.imshow("source img", img) cv2.imshow("medianBlur", result) # 等待显示 cv2.waitKey(0) cv2.destroyAllWindows()运行结果如下图所示： （2）核大小为 5x5 代码如下所示：
# encoding:utf-8 import cv2 import numpy as np import matplotlib.pyplot as plt # 读取图片 img = cv2.imread('zxp_noise.jpg') # 中值滤波 result = cv2.medianBlur(img, 5) #可以更改核的大小 # 显示图像 cv2.imshow("source img", img) cv2.imshow("medianBlur", result) # 等待显示 cv2.waitKey(0) cv2.destroyAllWindows()运行结果如下图所示： （3）核大小为 7x7 代码如下所示：
# encoding:utf-8 import cv2 import numpy as np import matplotlib.pyplot as plt # 读取图片 img = cv2.imread('zxp_noise.jpg') # 中值滤波 result = cv2.medianBlur(img, 7) #可以更改核的大小 # 显示图像 cv2.imshow("source img", img) cv2.imshow("medianBlur", result) # 等待显示 cv2.waitKey(0) cv2.destroyAllWindows()运行结果如下图所示：
注： 1）随着核大小逐渐变大，会让图像变得更加模糊； 2）核必须是大于1的奇数，如3、5、7等； 3）在代码 dst = cv2.medianBlur(src, ksize) 中 填写核大小时，只需填写一个数即可，如3、5、7等，对比均值滤波函数用法。4 高斯滤波 为了克服简单局部平均法的弊端(图像模糊)，目前已提出许多保持边缘、细节的局部平滑算法。它们的出发点都集中在如何选择邻域的大小、形状和方向、参数加平均及邻域各店的权重系数等。 图像高斯平滑也是邻域平均的思想对图像进行平滑的一种方法，在图像高斯平滑中，对图像进行平均时，不同位置的像素被赋予了不同的权重。高斯平滑与简单平滑不同，它在对邻域内像素进行平均时，给予不同位置的像素不同的权值，下图的所示的 3\times3 和 5\times5 邻域的高斯模板。 （1）核大小为 3x3 （1）核大小为 5x5 高斯滤波让临近的像素具有更高的重要度，对周围像素计算加权平均值，较近的像素具有较大的权重值。如下图所示，中心位置权重最高为0.4。 Python中OpenCV主要调用 GaussianBlur() 函数，如下：
dst = cv2.GaussianBlur(src, ksize, sigmaX) 其中，参数： src 表示原始图像； ksize 表示核大小； sigmaX 表示X方向方差。 注：核大小（N, N）必须是奇数，X方向方差主要控制权重。1）核大小为 3x3 2）核大小为 5x5 （1）核大小为 3x3 代码如下所示：
# encoding:utf-8 import cv2 import numpy as np import matplotlib.pyplot as plt # 读取图片 img = cv2.imread('zxp_noise.jpg') source = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 高斯滤波 result = cv2.GaussianBlur(source, (3, 3), 0) #可以更改核大小 # 显示图形 titles = ['Source Image', 'GaussianBlur Image (3, 3)'] images = [source, result] for i in range(2): plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray') plt.title(titles[i]) plt.xticks([]), plt.yticks([]) plt.show()运行结果如下图所示： （1）核大小为 5x5 代码如下所示：
# encoding:utf-8 import cv2 import numpy as np import matplotlib.pyplot as plt # 读取图片 img = cv2.imread('zxp_noise.jpg') source = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 高斯滤波 result = cv2.GaussianBlur(source, (5, 5), 0) #可以更改核大小 # 显示图形 titles = ['Source Image', 'GaussianBlur Image (5, 5)'] images = [source, result] for i in range(2): plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray') plt.title(titles[i]) plt.xticks([]), plt.yticks([]) plt.show()运行结果如下图所示：
注： 1）随着核大小逐渐变大，会让图像变得更加模糊； 2）核大小（N, N）必须是大于1的奇数，如3、5、7等；