OpenCV中的模糊處理

• 前言
• 1、寫在模糊理解前
• • 1.1什么是卷積
  • 1.2濾波器
• 2、模糊方式
• • 2.1均值模糊（濾波）
  • 2.2中值模糊
  • 2.3高斯模糊
• 總結(jié)

前言

接到考核任務(wù)。
在學(xué)OpenCV模糊處理這方面，顧名思義，模糊處理是使圖片變的模糊，在學(xué)習(xí)過程中發(fā)現(xiàn)有很多種模糊且有一堆聽著十分有逼格的名字，公式也讓初學(xué)的我看著頭大，硬著頭皮學(xué)下去。在網(wǎng)上查閱了很多相關(guān)資料，大部分都是一上來就十分高大上，門檻十分高，讓我望而卻步，只能自己一步步查，從底層開始了解，并理解好通俗的表達(dá)出來，致力于讓每一個(gè)像我一樣的零基礎(chǔ)學(xué)習(xí)愛好者能保持熱愛。同時(shí)也能督促我自己能好好理解。
學(xué)習(xí)模糊之前，一開始完全看不懂長篇大論的講解，但發(fā)現(xiàn)主要的核心關(guān)鍵點(diǎn)都落在“卷積”上，所以在學(xué)模糊處理之前，最起碼我們要有個(gè)“卷積”的概念，所以加入了“卷積”的理解。

1、寫在模糊理解前

1.1什么是卷積

百度百科中的解釋：

看了=沒看
在知乎看了排名前三的高贊回答，算是對卷積有所了解。
把鏈接放這
如何通俗易懂的解釋“卷積”
了解卷積之后
二維卷積的操作時(shí)從卷積核開始，這是一個(gè)小的權(quán)值矩陣。這個(gè)卷積核在 二維輸入數(shù)據(jù)上「滑動(dòng)」，對當(dāng)前輸入的部分元素進(jìn)行矩陣乘法，然后將結(jié)果匯為單個(gè)輸出像素。如下圖所示：

將以上的運(yùn)算規(guī)則運(yùn)用到如下圖便可驗(yàn)證

一個(gè)標(biāo)準(zhǔn)的卷積

卷積核重復(fù)這個(gè)過程知道遍歷了整張圖片，將一個(gè)二維矩陣轉(zhuǎn)換為另一個(gè)二維矩陣。輸出特征實(shí)質(zhì)上是在輸入數(shù)據(jù)相同位置上的加權(quán)和（權(quán)值是卷積核本身的值）

輸入數(shù)據(jù)是否落入這個(gè)「大致相似區(qū)域」，直接決定了數(shù)據(jù)經(jīng)過卷積核后的輸出。這意味著卷積核的尺寸直接決定了生成新的特征時(shí)匯合了多少（或幾個(gè)）輸入特征。

這與全連接層完全相反。在上面的例子中，我們的輸入特征為 55=25，輸出數(shù)據(jù)為 33=9. 如果我們使用標(biāo)準(zhǔn)的全連接層，就會(huì)產(chǎn)生一個(gè)25*9=225 個(gè)參數(shù)的權(quán)值矩陣，每個(gè)輸出都是所有輸入數(shù)據(jù)的加權(quán)求和。卷積操作允許我們只用 9個(gè)參數(shù)來實(shí)現(xiàn)這個(gè)變換，每個(gè)輸出特性不用「查看」每個(gè)輸入特征，而是只是「查看」來自大致相同位置的輸入特征。

一些常用的技術(shù)

在我們繼續(xù)介紹卷積神經(jīng)網(wǎng)絡(luò)之前，介紹兩種卷積層中常用的技術(shù)：Padding 和 Strides

Padding：如果你看到上面的動(dòng)畫，那么會(huì)注意到在卷積核滑動(dòng)的過程中，邊緣基本會(huì)被「裁剪」掉，將 55 特征矩陣轉(zhuǎn)換為 33的特征矩陣。邊緣上的像素永遠(yuǎn)不在卷積核的中心，因?yàn)閮?nèi)核沒有任何東西可以擴(kuò)展到邊緣之外。這并不理想，因?yàn)槲覀兘?jīng)常希望輸出的尺寸等于輸入。

一些 padding 操作
Padding 做了一些非常機(jī)智的辦法來解決這個(gè)問題：用額外的「假」像素（通常值為0，因此經(jīng)常使用的術(shù)語「零填充」）填充邊緣。這樣，在滑動(dòng)時(shí)的卷積核可以允許原始邊緣像素位于其中心，同時(shí)延伸到邊緣之外的假像素，從而產(chǎn)生與輸入相同大小的輸出。

Striding：運(yùn)行卷積層時(shí)，我們通常希望輸出的尺寸是比輸入更低。這在卷積神經(jīng)網(wǎng)絡(luò)中是常見的，在增加信道數(shù)量的同時(shí)空間尺寸減小。其中一種方法是使用池化層（例如，取每
2×2 網(wǎng)格的平均值/最大值將空間維度減半）。還有一種方法是使用 Striding：
一個(gè)步長為 2 的卷積操作
Stride 的想法是改變卷積核的移動(dòng)步長跳過一些像素。Stride 是 1 表示卷積核滑過每一個(gè)相距是 1的像素，是最基本的單步滑動(dòng)，作為標(biāo)準(zhǔn)卷積模式。Stride 是 2 表示卷積核的移動(dòng)步長是 2，跳過相鄰像素，圖像縮小為原來的1/2。Stride 是 3 表示卷積核的移動(dòng)步長是 3，跳過 2 個(gè)相鄰像素，圖像縮小為原來的 1/3。 越來越多的新網(wǎng)絡(luò)結(jié)構(gòu)，比如 ResNet，已經(jīng)完全拋棄了池化層。當(dāng)需要對圖像進(jìn)行縮小時(shí)會(huì)采用 Stride 方法。

1.2濾波器

濾波器分為：高通濾波器（HPF）和低通濾波器（LPF）。

• 高通濾波器：根據(jù)像素與周圍的像素的亮度差值來提升改像素的亮度。
  主要作用：銳化。
• 低通濾波器：在像素與周圍像素的亮度差值小于一個(gè)特定值時(shí)，平滑改像素的亮度。
  主要作用：去噪和模糊化。
  以下我們討論到的均值模糊、中值模糊、高斯模糊都屬于低通濾波器

2、模糊方式

2.1均值模糊（濾波）

均值濾波從字面意思上就是取平均值，也就是小方格上的系數(shù)全是1，與覆蓋下的像素值相乘，再去除以9（卷積和大小為3*3），得到平均值，賦值給中心像素。用卷積框覆蓋區(qū)域所有像素的平均值來代替中心元素，很顯然，它的準(zhǔn)確值是降低了，也就不能很好的保留圖像細(xì)節(jié)，因?yàn)槿镁荡媪恕?/p>

均值模糊函數(shù)blur()：

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

定義是有5個(gè)參數(shù)，但最后三個(gè)均為none,所以也就2個(gè)參數(shù)

src：要處理的原圖像

ksize: 必須是奇數(shù)卷積核，周圍關(guān)聯(lián)的像素的范圍：代碼中（5，5）就是5*5的大小，就是計(jì)算這些范圍內(nèi)的均值來確定中心位置的大小

下面用代碼直接展示，直觀感受
（考核中要求代碼方面注釋詳細(xì)[嘆氣]）

import cv2 as cv #加載opencv環(huán)境 import numpy as np #加載Numpy包def blur_demo(image): #均值模糊（去噪）dst = cv.blur(image, (5, 5)) #卷積層 5行5列cv.imshow("blur_demo", dst) #生成目標(biāo)print("--------- HL均值模糊的測試 ---------") src = cv.imread('pic.jpg') cv.namedWindow("image", cv.WINDOW_AUTOSIZE)#autosize窗口自適應(yīng)大小 cv.imshow("org",src)#展示圖片 blur_demo(src) cv.waitKey(0) cv.destroyAllWindows()

是不是有了一層模糊美~
把卷積層改為

def blur_demo(image): #均值模糊（去噪）dst = cv.blur(image, (10, 10)) #卷積層 10行10列cv.imshow("blur_demo", dst)

效果：

可以看到，卷積值越大，模糊程度越明顯。
以上只是直觀的感受卷積層的魅力，具體的計(jì)算還需要我慢慢去琢磨

2.2中值模糊

字面意思就是取中間的值來代替中心像素。和均值濾波類似，但均值濾波是取平均值，而中值濾波取中間的那個(gè)值。
中值濾波可以有效的去除椒鹽噪聲
這里需要解釋一下噪聲：
圖像噪聲：
圖像噪聲是圖像在獲取或者傳輸過程中受到隨機(jī)信號(hào)干擾，妨礙人們對圖像理解及分析處理的信號(hào)。很多時(shí)候?qū)D像看作隨機(jī)過程，因而描述噪聲的方法完全可以借用隨機(jī)過程的描述，即使用其概率分布函數(shù)和概率密度分布函數(shù)。圖像噪聲的產(chǎn)生來自圖像獲取中的環(huán)境條件和傳感元器件自身的質(zhì)量，圖像在傳輸過程中產(chǎn)生圖像噪聲的主要因素是所用的傳輸信道受到噪聲污染。

椒鹽噪聲：
椒鹽噪聲是數(shù)字圖像中的常見噪聲，一般是圖像傳感器、傳輸信道及解碼處理等產(chǎn)生的黑白相間的亮暗點(diǎn)噪聲，椒鹽噪聲常由圖像切割產(chǎn)生。椒鹽噪聲是指兩種噪聲：鹽噪聲和椒噪聲。鹽噪聲一般是白色噪聲，椒噪聲一般為黑色噪聲。前者屬于高灰度噪聲，或者屬于低灰度噪聲，一般兩種噪聲同時(shí)出現(xiàn)，呈現(xiàn)黑白雜點(diǎn)。去除椒鹽噪聲常用的方法是中值濾波。

我簡單將圖片處理了一下加上了椒鹽噪聲
我把代碼放下面，感興趣可以試試

import cv2 as cv import numpy as np def saltpepper(img,n):m=int((img.shape[0]*img.shape[1])*n)for a in range(m):i=int(np.random.random()*img.shape[1])j=int(np.random.random()*img.shape[0])if img.ndim==2:img[j,i]=255elif img.ndim==3:img[j,i,0]=255img[j,i,1]=255img[j,i,2]=255for b in range(m):i=int(np.random.random()*img.shape[1])j=int(np.random.random()*img.shape[0])if img.ndim==2:img[j,i]=0elif img.ndim==3:img[j,i,0]=0img[j,i,1]=0img[j,i,2]=0return imgimg=cv.imread('pic.jpg') saltImage=saltpepper(img,0.02) cv.imshow('saltImage',saltImage) cv.imwrite('saltImage.jpg',saltImage) cv.waitKey(0) cv.destroyAllWindows()

我們接下來用一串中值模糊的代碼來驗(yàn)證是否真的能有效去除椒鹽噪聲
中值模糊代碼如下：

import cv2 as cv import numpy as np def med_blur_demo(image): #中值模糊（去噪：椒鹽噪聲）dst = cv.medianBlur(image, 5)#5為方框的尺寸 cv.imshow("med_blur_demo", dst) print("--------- Hello HL's test ! ---------") src = cv.imread('saltImage.jpg') cv.namedWindow("image", cv.WINDOW_AUTOSIZE) med_blur_demo(src) cv.imshow("org",src) cv.waitKey(0) cv.destroyAllWindows()

嘶~確實(shí)給力啊
那么問題來了，為什么它可以去除椒鹽噪聲呢？
這是因?yàn)榻符}噪聲像素值要么很小為0，要么很大為255，而取中間值話，就會(huì)用替代這些，從而給圖像去噪點(diǎn)。從上圖中我們也可以發(fā)現(xiàn)，雖然沒有噪點(diǎn)了，但也犧牲了圖像的質(zhì)量，變的模糊了。

本著質(zhì)疑的精神，為均值模糊打抱不平，想要試試我均值大哥能不能做到，直接操作，實(shí)踐出真知。

啊這…

值得注意的是：中值濾波雖然可以克服線性濾波器所帶來的圖像細(xì)節(jié)模糊，但是在線、尖頂?shù)燃?xì)節(jié)多的圖像不宜用中值濾波

2.3高斯模糊

使用opencv高斯模糊
高斯平滑函數(shù)GaussianBlur()

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

1. src：輸入圖像，即源圖像，填Mat類的對象即可。它可以是單獨(dú)的任意通道數(shù)的圖片，但需要注意，圖片深度應(yīng)該為CV_8U,CV_16U, CV_16S, CV_32F 以及 CV_64F之一。

2. ksize：高斯內(nèi)核的大小。其中ksize.width和ksize.height可以不同，但他們都必須為正數(shù)和奇數(shù)（并不能理解）。或者，它們可以是零的，它們都是由sigma計(jì)算而來。

3. sigmaX：表示高斯核函數(shù)在X方向的的標(biāo)準(zhǔn)偏差。根據(jù)這個(gè)可以獲取sigmaY,若是sigmaX和sigmaY都沒有則根據(jù)ksize獲取

4. dst：目標(biāo)圖像，需要和源圖片有一樣的尺寸和類型。比如可以用Mat::Clone，以源圖片為模板，來初始化得到如假包換的目標(biāo)圖。

5. sigmaY：表示高斯核函數(shù)在Y方向的的標(biāo)準(zhǔn)偏差。若sigmaY為零，就將它設(shè)為sigmaX，如果sigmaX和sigmaY都是0，那么就由ksize.width和ksize.height計(jì)算出來。為了結(jié)果的正確性著想，最好是把第三個(gè)參數(shù)Size，第四個(gè)參數(shù)sigmaX和第五個(gè)參數(shù)sigmaY全部指定到。

6. borderType：用于推斷圖像外部像素的某種邊界模式。注意它有默認(rèn)值BORDER_DEFAULT。

基于此，我用一串代碼給圖片加上了高斯噪聲

import cv2 as cv import numpy as np# 定義一個(gè)各通道值 0-255范圍 超出按截?cái)嗵幚?/span> def ext(pv):if pv > 255:return 255if pv < 0:return 0else:return pv # 高斯噪點(diǎn)的生成 def gauss_noise(image):h, w, ch = image.shapefor row in range(h):for col in range(w):s = np.random.normal(0, 10, 3)#生成高斯分布的概率密度隨機(jī)數(shù)# 去除每一個(gè)像素的三個(gè)通道值b = image[row, col, 0]g = image[row, col, 1]r = image[row, col, 2]# 在每一個(gè)像素的三個(gè)通道值上加上高斯噪聲image[row, col, 0] = ext(b + s[0])image[row, col, 1] = ext(g + s[1])image[row, col, 2] = ext(r + s[2])cv.imshow("gauss_noise", image) print("--------- HL添加高斯噪聲測試 ---------") img = cv.imread("pic.jpg") cv.imshow("org", img) t1 = cv.getTickCount() gauss_noise(img) cv.waitKey(0) cv.destroyAllWindows()

代碼講解（畢竟考核要求我注釋詳細(xì)…）
核心代碼：s = np.random.normal(0, 10, 3)
原型：numpy.random.normal(loc, scale, size)

loc：float代表生成的高斯分布的隨機(jī)數(shù)的均值

scale：float 代表這個(gè)分布的方差

size：int or tuple of ints 輸出的shape，默認(rèn)為None，只輸出一個(gè)值

當(dāng)指定整數(shù)時(shí)，輸出整數(shù)個(gè)值，也可以輸出（a, b）→ a 行 b 列

將該添加了高斯噪聲的圖片，分別用均值模糊，中值模糊，高斯模糊，讓我們拭目以待。

import cv2 as cv import numpy as npdef blur_demo(image): #均值模糊（去噪）dst = cv.blur(image, (10, 10)) #卷積層 10行10列cv.imshow("blur_average", dst) def med_blur_demo(image): #中值模糊（去噪：椒鹽噪聲）dst = cv.medianBlur(image, 5)cv.imshow("blur_med", dst)print("--------- HL的各種模糊處理降噪測試 ---------") img = cv.imread('pic.jpg') cv.imshow('yuantu',img) src = cv.imread(r"gauss_noise.jpg") cv.namedWindow("image", cv.WINDOW_AUTOSIZE) med_blur_demo(src) blur_demo(src) cv.imshow("gauss_noise",src) gauss_blur = cv.GaussianBlur(src,(0,0),0.9) cv.imshow("gauss_blur", gauss_blur)cv.waitKey(0) cv.destroyAllWindows()

從結(jié)果來看，面對高斯噪聲的干擾，均值模糊已經(jīng)完敗，中值模糊還能看得過去，但高斯模糊面對“家人”就顯得易如反掌了，與原圖相比，很好的去除了高斯噪聲的干擾，雖然還是犧牲了一些清晰度，但整體來說，已經(jīng)很好啦~

想再嘗試的我，用加了椒鹽噪聲的圖片讓高斯模糊去處理，想看看效果

好吧，中值勝出…

總結(jié)

以上三種模糊操作，為了方便比較，我也均采用同一張圖片進(jìn)行處理，也在實(shí)踐中體會(huì)了各種模糊的優(yōu)劣，在此在此總結(jié)：

• 中值模糊在去除脈沖噪聲、斑點(diǎn)噪聲（speckle noise）、椒鹽噪聲（salt-and-pepper noise）、圖像掃描噪聲的同時(shí)又能保留凸圖像邊緣細(xì)節(jié)，噪聲成分很難選上，所以幾乎不會(huì)影響到輸出，但中值濾波花費(fèi)的時(shí)間是均值濾波的5倍以上。
• 均值模糊中，由于噪聲成分被放入平均計(jì)算中，所以輸出受到了噪聲的影響。
• 高斯模糊可以應(yīng)對絕大部分的高斯噪聲的圖片，但對于椒鹽噪聲這樣的也難以抵擋，至于后續(xù)，還需要鄙人的深入學(xué)習(xí)了。

總結(jié)

以上是生活随笔為你收集整理的OpenCV中的模糊处理（python）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。