域名抢注哪个平台好百度seo是什么意思呢
一、噪声
噪声：指图像中的一些干扰因素，通常是由图像采集设备、传输信道等因素造成的，表现为图像中随机 的亮度，也可以理解为有那么一些点的像素值与周围的像素值格格不入。常见的噪声类型包括高斯噪声 和椒盐噪声。高斯噪声是一种分布符合正态分布的噪声，会使图像变得模糊或有噪点。椒盐噪声则是一 些黑白色的像素值分布在原图像中。
二、滤波器
滤波器：也可以叫做卷积核，与自适应二值化中的核一样，本身是一个小的区域，有着特定的核值，并 且工作原理也是在原图上进行滑动并计算中心像素点的像素值。滤波器可分为线性滤波和非线性滤波， 线性滤波对邻域中的像素进行线性运算，如在核的范围内进行加权求和，常见的线性滤波器有均值滤 波、高斯滤波等。非线性滤波则是利用原始图像与模板之间的一种逻辑关系得到结果，常见的非线性滤 波器中有中值滤波器、双边滤波器等。
滤波与模糊联系与区别：
• 它们都属于卷积，不同滤波方法之间只是卷积核不同（对线性滤波而言）
• 低通滤波器是模糊，高通滤波器是锐化
• 低通滤波器就是允许低频信号通过，在图像中边缘和噪点都相当于高频部分，所以低通滤波器用于 去除噪点、平滑和模糊图像。高通滤波器则反之，用来增强图像边缘，进行锐化处理。
注意：
椒盐噪声可以理解为斑点，随机出现在图像中的黑点或白点；高斯噪声可以理解为拍摄图片时由 于光照等原因造成的噪声。
三、滤波算法
3.1、均值滤波
均值滤波是一种最简单的滤波处理，它取的是卷积核区域内元素的均值，如3×3的卷积核：
在滤波算法组件中，当参数filtering_method选为均值滤波，参数component_param为ksize，代表卷 积核的大小，eg：ksize=3，则代表使用3×3的卷积核。
比如有一张4*4的图片，现在使用一个3*3的卷积核进行均值滤波时，其过程如下所示：
对于边界的像素点，则会进行边界填充，以确保卷积核的中心能够对准边界的像素点进行滤波操作。在 OpenCV中，默认的是使用BORDER_REFLECT_101的方式进行填充，下面的滤波方法中除了中值滤波使 用的是BORDER_REPLICATE进行填充之外，其他默认也是使用这个方式进行填充，因此下面就不再赘 述。通过卷积核在原图上从左上角滑动计算到右下角，从而得到新的4*4的图像的像素值。
3.2、方框滤波
方框滤波跟均值滤波很像，如3×3的滤波核如下：
在滤波算法组件中，当参数filtering_method选为方框滤波时，参数component_param为ksize， ddepth,normalize。
• ksize：代表卷积核的大小，eg：ksize=3，则代表使用3×3的卷积核。
• ddepth：输出图像的深度，-1代表使用原图像的深度。
• normalize：当normalize为True的时候，方框滤波就是均值滤波，上式中的a就等于1/9；normalize为 False的时候，a=1，相当于求区域内的像素和。
• 其滤波的过程与均值滤波一模一样，都采用卷积核从图像左上角开始，逐个计算对应位置的像素值，并 从左至右、从上至下滑动卷积核，直至到达图像右下角，唯一的区别就是核值可能会不同。
3.3、高斯滤波
均值滤波和方框滤波，卷积核内的每个值都一样，也就是说图像区域中每个像素的权重也就一样。高斯滤 波的卷积核权重并不相同：中间像素点权重最高，越远离中心的像素权重越小。高斯核是以核的中心位 置为坐标原点，然后计算周围点的坐标，然后带入下面的高斯公式中。
得到了卷积核的核值之后，其滤波过程与上面两种滤波方式的滤波过程一样，都是用卷积核从图像左上 角开始，逐个计算对应位置的像素值，并从左至右、从上至下滑动卷积核，直至到达图像右下角，唯一 的区别就是核值不同。
在滤波算法组件中，当参数filtering_method选为高斯滤波，参数component_param为ksize， sigmaX。
• ksize：代表卷积核的大小，eg：ksize=3，则代表使用3×3的卷积核。
• sigmaX：就是高斯函数里的值，σx值越大，模糊效果越明显。高斯滤波相比均值滤波效率要慢，但可以 有效消除高斯噪声，能保留更多的图像细节，所以经常被称为最有用的滤波器。
3.4、中值滤波
中值又叫中位数，是所有数排序后取中间的值。中值滤波没有核值，而是在原图中从左上角开始，将卷 积核区域内的像素值进行排序，并选取中值作为卷积核的中点的像素值
中值滤波就是用区域内的中值来代替本像素值，所以那种孤立的斑点，如0或255很容易消除掉，适用于 去除椒盐噪声和斑点噪声。中值是一种非线性操作，效率相比前面几种线性滤波要慢。
在滤波算法组件中，当参数filtering_method选为中值滤波，参数component_param为ksize，代表卷 积核的大小，eg：ksize=3，则代表使用3×3的卷积核。
3.5、双边滤波
模糊操作基本都会损失掉图像细节信息，尤其前面介绍的线性滤波器，图像的边缘信息很难保留下来。 然而，边缘（edge）信息是图像中很重要的一个特征，所以这才有了双边滤波。
可以看到，双边滤波明显保留了更多边缘信息。
双边滤波的基本思路是同时考虑将要被滤波的像素点的空域信息（周围像素点的位置的权重）和值域信 息（周围像素点的像素值的权重）。为什么要添加值域信息呢？是因为假设图像在空间中是缓慢变化的 话，那么临近的像素点会更相近，但是这个假设在图像的边缘处会不成立，因为图像的边缘处的像素点 必不会相近。因此在边缘处如果只是使用空域信息来进行滤波的话，得到的结果必然是边缘被模糊了， 这样我们就丢掉了边缘信息，因此添加了值域信息。
双边滤波采用了两个高斯滤波的结合，一个负责计算空间邻近度的权值（也就是空域信息），也就是上 面的高斯滤波器，另一个负责计算像素值相似度的权值（也就是值域信息），也是一个高斯滤波器。
可以看到，对于 来说，这就是普通的高斯滤波函数，其带入的坐标是坐标值，
是程序输入值，该 函数是在空间临近度上计算的。而
是计算像素值相似度，也是高斯函数带入坐标值，然后得到对应点 的像素值，进行两个点像素值插值的绝对值的平方。也就是说，双边滤波的核值不再是一个固定值，而 是随着滤波的过程在不断发生变化的。
在滤波算法组件中，当参数filtering_method选为双边滤波，参数component_param为 ksize，d，sigmaColor，sigmaSpace.
• ksize：卷积核的大小
• d：过滤时周围每个像素领域的直径
• sigmaColor：在color space中过滤sigma。参数越大，临近像素将会在越远的地方mix。
• sigmaSpace：在coordinate space中过滤sigma。参数越大，那些颜色足够相近的的颜色的影响越 大。
关于2个sigma参数：
简单起见，可以令2个sigma的值相等；
如果他们很小（小于10），那么滤波器几乎没有什么效果；
如果他们很大（大于150），那么滤波器的效果会很强，使图像显得非常卡通化。
关于参数d：
过大的滤波器（d>5）执行效率低。
对于实时应用，建议取d=5；
对于需要过滤严重噪声的离线应用，可取d=9；
注意：
在于选用滤波器的时候，优先高斯滤波，然后均值滤波。
斑点和椒盐噪声优先使用中值滤波。
要去除噪点的同时尽可能保留更多的边缘信息，使用双边滤波。
线性滤波方式：均值滤波、方框滤波、高斯滤波（速度相对快）。
非线性滤波方式：中值滤波、双边滤波（速度相对慢）。
四、噪点消除
4.1、均值滤波
导入模块
import cv2输入图像
img = cv2.imread('lenda01.png')选取滤波
img_blur = cv2.blur(img,(9,9))输出图像
cv2.imshow('img', img)
cv2.imshow('img_blur', img_blur)
cv2.waitKey(0)完整代码
import cv2img = cv2.imread('lenda01.png')img_blur = cv2.blur(img,(9,9))cv2.imshow('img', img)
cv2.imshow('img_blur', img_blur)
cv2.waitKey(0)4.2、方框滤波
此代码展示的是当normalize为Fasle时的图像，为True时图像和均值滤波一样
导入模块
import cv2输入图像
img = cv2.imread('lenda01.png')选取滤波
img_boxFilter = cv2.boxFilter(img,-1,(3,3),normalize=False)输出图像
cv2.imshow('img', img)
cv2.imshow('img_boxFilter', img_boxFilter)
cv2.waitKey(0)完整代码
import cv2img = cv2.imread('lenda01.png')img_boxFilter = cv2.boxFilter(img,-1,(3,3),normalize=False)cv2.imshow('img', img)
cv2.imshow('img_boxFilter', img_boxFilter)
cv2.waitKey(0)4.3、高斯滤波
导入模块
import cv2输入图像
img = cv2.imread('lenda01.png')选取滤波
img_GaussianBlur = cv2.GaussianBlur(img,(9,9),sigmaX=99)输出图像
cv2.imshow('img', img)
cv2.imshow('img_GaussianBlur', img_GaussianBlur)
cv2.waitKey(0)完整代码
import cv2img = cv2.imread('lenda01.png')img_GaussianBlur = cv2.GaussianBlur(img,(9,9),sigmaX=99)cv2.imshow('img', img)
cv2.imshow('img_GaussianBlur', img_GaussianBlur)
cv2.waitKey(0)4.4、中值滤波
导入模块
import cv2输入图像
img = cv2.imread('lenda01.png')选取滤波
img_medianBlur = cv2.medianBlur(img,7)输出图像
cv2.imshow('img', img)
cv2.imshow('img_medianBlur', img_medianBlur)
cv2.waitKey(0)完整代码
import cv2img = cv2.imread('lenda01.png')img_medianBlur = cv2.medianBlur(img,7)cv2.imshow('img', img)
cv2.imshow('img_medianBlur', img_medianBlur)
cv2.waitKey(0)4.5、双边滤波
导入模块
import cv2输入图像
img = cv2.imread('lenda01.png')选取滤波
img_bilateralFilter = cv2.bilateralFilter(img,9,150,150)输出图像
cv2.imshow('img', img)
cv2.imshow('img_bilateralFilter', img_bilateralFilter)
cv2.waitKey(0)完整代码
import cv2img = cv2.imread('lena.png')img_bilateralFilter = cv2.bilateralFilter(img,9,30,30)cv2.imshow('img', img)
cv2.imshow('img_bilateralFilter', img_bilateralFilter)
cv2.waitKey(0)五、库函数
5.1、blur()
cv.blur( src, ksize[, dst[, anchor[, borderType]]] ) -> dst
| 方法 | 描述 |
|---|---|
| src | 输入图像;它可以有任意数量的通道，这些通道是独立处理的，但深度应为 CV_8U、CV_16U、CV_16S、CV_32F 或 CV_64F。 |
| dst | 输出图像的大小和类型与 src 相同。 |
| ksize | 模糊的内核大小。 |
| anchor | 锚点;默认值 Point（-1，-1） 表示锚点位于内核中心。 |
| borderType | border 模式用于推断图像外部的像素，请参阅 BorderTypes。不支持BORDER_WRAP。 |
5.2、boxFilter()
cv.boxFilter（ src， ddepth， ksize[， dst[， anchor[， normalize[， borderType]]]] ) -> DST
| 方法 | 描述 |
|---|---|
| src | 输入图像;它可以有任意数量的通道，这些通道是独立处理的，但深度应为 CV_8U、CV_16U、CV_16S、CV_32F 或 CV_64F。 |
| dst | 输出图像的大小和类型与 src 相同。 |
| ddepth | 输出图像深度（-1 以使用 src.depth（）） |
| ksize | 模糊的内核大小。 |
| anchor | 锚点;默认值 Point（-1，-1） 表示锚点位于内核中心。 |
| normalize | 标志，指定内核是否按其区域进行规范化。 |
| borderType | border 模式用于推断图像外部的像素，请参阅 BorderTypes。不支持BORDER_WRAP。 |
5.3、GaussianBlur()
cv.GaussianBlur（ src， ksize， sigmaX[， dst[， sigmaY[， borderType[， hint]]]] ) -> DST| 方法 | 描述 |
|---|---|
| src | 输入图像;图像可以有任意数量的通道，这些通道是独立处理的，但深度应为 CV_8U、CV_16U、CV_16S、CV_32F 或 CV_64F。 |
| dst | 输出图像的大小和类型与 src 相同。 |
| ksize | Gaussian kernel 大小。ksize.width 和 ksize.height 可以不同，但它们都必须是正数和奇数。或者，它们可以是零，然后根据 sigma 计算。 |
| sigmaX | X 方向上的高斯核标准差 |
| sigmaY | Y 方向的高斯核标准差;如果 sigmaY 为零，则设置为等于 sigmaX，如果两个 sigma 都为零，则分别从 ksize.width 和 ksize.height 计算出来（详见 getGaussianKernel）;为了完全控制结果，而不管所有这些语义将来可能如何修改，建议指定所有 ksize、sigmaX 和 sigmaY。 |
| borderType | 像素外插方法，请参阅 BorderTypes。不支持BORDER_WRAP。 |
| hint | 实现修改标志。请参阅 AlgorithmHint |
5.4、medianBlur()
cv.medianBlur（ src， ksize[， dst] ) -> DST| 方法 | 描述 |
|---|---|
| src | 输入 1 通道、3 通道或 4 通道图像;当 kSize 为 3 或 5 时，图像深度应为 CV_8U、CV_16U 或 CV_32F，对于较大的孔径尺寸，只能CV_8U。 |
| dst | 目标数组，其大小和类型与 src 相同。 |
| ksize | 孔径线性尺寸;它必须是奇数且大于 1，例如：3、5、7 ... |
5.5、bilateralFilter()
cv.bilateralFilter（ src， d， sigmaColor， sigmaSpace[， dst[， borderType]] ) -> DST| 方法 | 描述 |
|---|---|
| src | 源 8 位或浮点、1 通道或 3 通道图像。 |
| dst | 与 src 大小和类型相同的目标图像。 |
| d | 筛选期间使用的每个像素邻域的直径。如果为非正数，则从 sigmaSpace 计算。 |
| sigmaColor | 在色彩空间中过滤 sigma。该参数值越大，意味着像素邻域内较远的颜色（请参阅 sigmaSpace）将混合在一起，从而产生更大的半相等颜色区域。 |
| sigmaSpace | 在坐标空间中过滤 sigma。参数值越大，意味着只要颜色足够接近，更远的像素就会相互影响（请参阅 sigmaColor ）。当 d>0 时，它指定邻域大小，而不考虑 sigmaSpace。否则，d 与 sigmaSpace 成正比。 |
| borderType | border 模式用于推断图像外部的像素，请参阅 BorderTypes |