penCV轻松入门_面向python（第七章 图像平滑处理）
图像平滑处理
图像的平滑处理： 尽量保留图像原有信息的情况下，过滤掉图像内部的噪声；图像平滑处理会对图像中与周围像素点的像素值差异较大的像素点进行处理，将其值调整为周围像素点像素值的近似值。
均值滤波
均值滤波是指用当前像素点周围 N⋅NN·NN⋅N个像素值的均值来代替当前像素值。使用该方法遍历处理图像内的每一个像素点，即可完成整幅图像的均值滤波。
针对边缘像素点，可以只取图像内存在的周围邻域点的像素值均值。
除此以外，还可以扩展当前图像的周围像素点。完成图像边缘扩展后，可以在新增的行列内填充不同的像素值。在此基础上，再针对 9×7的原始图像计算其 5×5 邻域内像素点的像素值均值。
根据上述运算，针对每一个像素点，都是与一个内部值均为 1/25 的 5×5 矩阵相乘，得到均值滤波的计算结果
矩阵一般化：
右侧的矩阵被称为卷积核，一般形式为：
- M 和 N 分别对应高度和宽度
函数语法：
均值滤波的函数是 cv2.blur()，其语法格式为：
dst = cv2.blur( src, ksize, anchor, borderType )
- dst 是返回值，表示进行均值滤波后得到的处理结果。
- src 是需要处理的图像，即原始图像。它可以有任意数量的通道，并能对各个通道独立处理。图像深度应该是 CV_8U、CV_16U、CV_16S、CV_32F 或者 CV_64F 中的一种。
- ksize 是滤波核的大小。滤波核大小是指在均值处理过程中，其邻域图像的高度和宽度,N∗MN*MN∗M的邻域。
- anchor 是锚点，其默认值是(-1, -1)，表示当前计算均值的点位于核的中心点位置。该值使用默认值即可，在特殊情况下可以指定不同的点作为锚点。
- borderType 是边界样式，该值决定了以何种方式处理边界。
通常情况下，使用均值滤波函数时，对于锚点 anchor 和边界样式 borderType，直接采用其默认值即可。
读取一幅噪声图像，使用函数 cv2.blur()对图像进行均值滤波处理，得到去噪图像，并显示原始图像和去噪图像。
import cv2
img = cv2.imread("lena.jpg")
rst = cv2.blur(img,(5,5))
cv2.imshow("original",img)
cv2.imshow("result",rst)
cv2.waitKey()
cv2.destroyAllWindows()
针对噪声图像，使用不同大小的卷积核对其进行均值滤波，并显示均值滤波的情况。
import cv2
img = cv2.imread("lena.jpg")
rst1 = cv2.blur(img,(5,5))
rst2 = cv2.blur(img,(30,30))
cv2.imshow("original",img)
cv2.imshow("result5",rst1)
cv2.imshow("result30",rst2)
cv2.waitKey()
cv2.destroyAllWindows()
方框滤波
在方框滤波中，可以自由选择是否对均值滤波的结果进行归一化，即可以自由选择滤波结果是邻域像素值之和的平均值，还是邻域像素值之和。
现方框滤波的函数是 cv2.boxFilter()，其语法格式为：
dst = cv2.boxFilter( src, ddepth, ksize, anchor, normalize, borderType )
- dst 是返回值，表示进行方框滤波后得到的处理结果。
- src 是需要处理的图像，即原始图像。它能够有任意数量的通道，并能对各个通道独立处理。图像深度应该是 CV_8U、CV_16U、CV_16S、CV_32F 或者 CV_64F 中的一种。
- ddepth 是处理结果图像的图像深度，一般使用-1 表示与原始图像使用相同的图像深度。
- ksize 是滤波核的大小。
- anchor 是锚点，其默认值是(-1, -1)，表示当前计算均值的点位于核的中心点位置。该值使用默认值即可，在特殊情况下可以指定不同的点作为锚点。
- normalize 表示在滤波时是否进行归一化（这里指将计算结果规范化为当前像素值范围内的值）处理，该参数是一个逻辑值，可能为真（值为 1）或假（值为 0）。
- 当参数 normalize=1 时，表示要进行归一化处理，要用邻域像素值的和除以面积。
- 当参数 normalize=0 时，表示不需要进行归一化处理，直接使用邻域像素值的和。
当 normalize=0 时，因为不进行归一化处理，因此滤波得到的值很可能超过当前像素值范围的最大值，从而被截断为最大值。这样，就会得到一幅纯白色的图像。
- borderType 是边界样式，该值决定了以何种方式处理边界。
通常情况下，在使用方框滤波函数时，对于参数 anchor、normalize 和 borderType，直接采用其默认值即可。
针对噪声图像，对其进行方框滤波，显示滤波结果。
import cv2
img = cv2.imread("lena.jpg")
rst = cv2.boxFilter(img,-1,(5,5))
cv2.imshow("original",img)
cv2.imshow("result",rst)
cv2.waitKey()
cv2.destroyAllWindows()
针对噪声图像，在方框滤波函数 cv2.boxFilter()内将参数 normalize 的值设置为 0，显示滤波处理结果。
import cv2
img = cv2.imread("lena.jpg")
rst = cv2.boxFilter(img,-1,(5,5) , normalize=0)
cv2.imshow("original",img)
cv2.imshow("result",rst)
cv2.waitKey()
cv2.destroyAllWindows()
高斯滤波
在进行均值滤波和方框滤波时，其邻域内每个像素的权重是相等的。在高斯滤波中，会将中心点的权重值加大，远离中心点的权重值减小，在此基础上计算邻域内各个像素值不同权重的和。
在高斯滤波中，核的宽度和高度可以不相同，但是它们都必须是奇数。
高斯滤波的函数是 cv2.GaussianBlur()，该函数的语法格式是：
dst = cv2.GaussianBlur( src, ksize, sigmaX, sigmaY, borderType )
- dst 是返回值，表示进行高斯滤波后得到的处理结果。
- src 是需要处理的图像，即原始图像。它能够有任意数量的通道，并能对各个通道独立处理。图像深度应该是 CV_8U、CV_16U、CV_16S、CV_32F 或者 CV_64F 中的一种。
- ksize 是滤波核的大小。滤波核大小是指在滤波处理过程中其邻域图像的高度和宽度。需要注意，滤波核的值必须是奇数。
- sigmaX 是卷积核在水平方向上（X 轴方向）的标准差，其控制的是权重比例。
- sigmaY 是卷积核在垂直方向上（Y 轴方向）的标准差。如果将该值设置为 0，则只采用sigmaX 的值；如果 sigmaX 和 sigmaY 都是 0，则通过 ksize.width 和 ksize.height 计算得到。
其中：- sigmaX=0.3×[(ksize.width−1)×0.5−1]+0.8sigmaX = 0.3×[(ksize.width-1)×0.5-1] + 0.8sigmaX=0.3×[(ksize.width−1)×0.5−1]+0.8
- sigmaY=0.3×[(ksize.height−1)×0.5−1]+0.8sigmaY = 0.3×[(ksize.height-1)×0.5-1] + 0.8sigmaY=0.3×[(ksize.height−1)×0.5−1]+0.8
- borderType 是边界样式，该值决定了以何种方式处理边界。
在该函数中，sigmaY 和 borderType 是可选参数。sigmaX 是必选参数，但是可以将该参数设置为 0，让函数自己去计算 sigmaX 的具体值。
对噪声图像进行高斯滤波，显示滤波的结果。
import cv2
img = cv2.imread("D:\openCV\lena.jpg")
rst = cv2.GaussianBlur(img,(5,5),0,0)
cv2.imshow("original",img)
cv2.imshow("result",rst)
cv2.waitKey()
cv2.destroyAllWindows()
中值滤波
用邻域内所有像素值的中间值来替代当前像素点的像素值。
中值滤波会取当前像素点及其周围临近像素点（一共有奇数个像素点）的像素值，将这些像素值排序，然后将位于中间位置的像素值作为当前像素点的像素值。
中值滤波的函数是 cv2.medianBlur()，其语法格式如下：
dst = cv2.medianBlur( src, ksize)
式中：
- dst 是返回值，表示进行中值滤波后得到的处理结果。
- src 是需要处理的图像，即源图像。它能够有任意数量的通道，并能对各个通道独立处理。图像深度应该是 CV_8U、CV_16U、CV_16S、CV_32F 或者 CV_64F 中的一种。
- ksize 是滤波核的大小。滤波核大小是指在滤波处理过程中其邻域图像的高度和宽度。需要注意，核大小必须是比 1 大的奇数，比如 3、5、7 等。
用函数 cv2.medianBlur()实现中值滤波
import cv2
img = cv2.imread("lena.jpg")
rst = cv2.medianBlur(img,3)
cv2.imshow("original",img)
cv2.imshow("result",rst)
cv2.waitKey()
cv2.destroyAllWindows()
双边滤波
前述滤波方式基本都只考虑了空间的权重信息，这种情况计算起来比较方便，但是在边缘信息的处理上存在较大的问题。
在均值滤波、方框滤波、高斯滤波中，都会计算边缘上各个像素点的加权平均值，从而模糊边缘信息;处理过程单纯地考虑空间信息，造成了边界模糊和部分信息的丢失。
双边滤波在计算某一个像素点的新值时，不仅考虑距离信息（距离越远，权重越小），还考虑色彩信息（色彩差别越大，权重越小）。双边滤波综合考虑距离和色彩的权重结果，既能够有效地去除噪声，又能够较好地保护边缘信息;当处在边缘时，与当前点色彩相近的像素点（颜色距离很近）会被给予较大的权重值；而与当前色彩差别较大的像素点（颜色距离很远）会被给予较小的权重值（极端情况下权重可能为 0，直接忽略该点），这样就保护了边缘信息。
双边滤波的函数是 cv2.bilateralFilter()，该函数的语法是：
dst = cv2.bilateralFilter( src, d, sigmaColor, sigmaSpace, borderType )
- dst 是返回值，表示进行双边滤波后得到的处理结果。
- src 是需要处理的图像，即原始图像。它能够有任意数量的通道，并能对各个通道独立处理。图像深度应该是 CV_8U、CV_16U、CV_16S、CV_32F 或者 CV_64F 中的一种。
- d 是在滤波时选取的空间距离参数，这里表示以当前像素点为中心点的直径。如果该值为非正数，则会自动从参数 sigmaSpace 计算得到。如果滤波空间较大（d>5），则速度较慢。因此，在实时应用中，推荐 d=5。对于较大噪声的离线滤波，可以选择 d=9。
- sigmaColor 是滤波处理时选取的颜色差值范围，该值决定了周围哪些像素点能够参与到滤波中来。与当前像素点的像素值差值小于 sigmaColor 的像素点，能够参与到当前的滤波中。该值越大，就说明周围有越多的像素点可以参与到运算中。该值为 0 时，滤波失去意义；该值为 255 时，指定直径内的所有点都能够参与运算。
- sigmaSpace 是坐标空间中的 sigma 值。它的值越大，说明有越多的点能够参与到滤波计算中来。当 d>0 时，无论 sigmaSpace 的值如何，d 都指定邻域大小；否则，d 与 sigmaSpace的值成比例。
- borderType 是边界样式，该值决定了以何种方式处理边界。一般情况下，不需要考虑该值，直接采用默认值即可。
针对噪声图像，分别对其进行高斯滤波和双边滤波，比较不同滤波方式对边缘的处理结果是否相同。
import cv2
img = cv2.imread("billTest.jpg")
rst_Gauss = cv2.GaussianBlur(img,(55,55),0,0)
rst_bilateral = cv2.bilateralFilter(img,55,100,100)
cv2.imshow("original",img)
cv2.imshow("Gaussian",rst_Gauss)
cv2.imshow("bilateral",rst_bilateral)
cv2.waitKey()
cv2.destroyAllWindows()
2D卷积
在 OpenCV 中，允许用户自定义卷积核实现卷积操作，使用自定义卷积核实现卷积操作的函数是 cv2.filter2D()，其语法格式为：
dst = cv2.filter2D( src, ddepth, kernel, anchor, delta, borderType )
式中：
- dst 是返回值，表示进行方框滤波后得到的处理结果。
- src 是需要处理的图像，即原始图像。它能够有任意数量的通道，并能对各个通道独立处理。图像深度应该是 CV_8U、CV_16U、CV_16S、CV_32F 或者 CV_64F 中的一种。
- ddepth 是处理结果图像的图像深度，一般使用-1 表示与原始图像使用相同的图像深度。
- kernel 是卷积核，是一个单通道的数组。如果想在处理彩色图像时，让每个通道使用不同的核，则必须将彩色图像分解后使用不同的核完成操作。
- anchor 是锚点，其默认值是(-1, -1)，表示当前计算均值的点位于核的中心点位置。该值使用默认值即可，在特殊情况下可以指定不同的点作为锚点。
- delta 是修正值，它是可选项。如果该值存在，会在基础滤波的结果上加上该值作为最终的滤波处理结果。
- borderType 是边界样式，该值决定了以何种情况处理边界，通常使用默认值即可。
在通常情况下，使用滤波函数 cv2.filter2D()时，对于参数锚点 anchor、修正值 delta、边界样式 borderType，直接采用其默认值即可。
自定义一个卷积核，通过函数 cv2.filter2D()应用该卷积核对图像进行滤波操作，并显示滤波结果。
import cv2
import numpy as np
img = cv2.imread("lena.jpg")
kernel =np.ones((9,9),np.float32)/81
rst = cv2.filter2D(img,-1,kernel)
cv2.imshow("original",img)
cv2.imshow("Gaussian",rst)
cv2.waitKey()
cv2.destroyAllWindows()