本文主要內(nèi)容來自于 OpenCV-Python 教程 的 OpenCV 中的圖像處理 部分，這部分的全部主要內(nèi)容如下：

• 改變色彩空間

  學(xué)習(xí)在不同色彩空間之間改變圖像。另外學(xué)習(xí)跟蹤視頻中的彩色對(duì)象。

• 圖像的幾何變換

  學(xué)習(xí)對(duì)圖像應(yīng)用不同的幾何變換，比如旋轉(zhuǎn)、平移等。

• 圖像閾值

  學(xué)習(xí)使用全局閾值、自適應(yīng)閾值、Otsu 的二值化等將圖像轉(zhuǎn)換為二值圖像。

• 平滑圖像

  學(xué)習(xí)模糊圖像，使用自定義內(nèi)核過濾圖像等。

• 形態(tài)變換

  了解形態(tài)學(xué)變換，如侵蝕、膨脹、開放、閉合等。

• 圖像漸變

  學(xué)習(xí)尋找圖像漸變、邊緣等。

• Canny 邊緣檢測(cè)

  學(xué)習(xí)通過 Canny 邊緣檢測(cè)尋找邊緣。

• 圖像金字塔

  學(xué)習(xí)關(guān)于圖像金字塔的內(nèi)容，以及如何使用它們進(jìn)行圖像混合。

• OpenCV 中的輪廓

  所有關(guān)于 OpenCV 中的輪廓的內(nèi)容。

• OpenCV 中的直方圖

  所有關(guān)于 OpenCV 中的直方圖的內(nèi)容。

• OpenCV 中的圖像變換

  在 OpenCV 中遇到不同的圖像變換，如傅里葉變換、余弦變換等。

• 模板匹配

  學(xué)習(xí)使用模板匹配在圖像中搜索對(duì)象。

• 霍夫線變換

  學(xué)習(xí)在一幅圖像中探測(cè)線。

• 霍夫圓變換

  學(xué)習(xí)在一幅圖像中探測(cè)圓。

• 使用分水嶺算法的圖像分割

  學(xué)習(xí)使用分水嶺分割算法分割圖像。

• 使用 GrabCut 算法的交互式前景提取

  學(xué)習(xí)使用 GrabCut 算法提取前景

目標(biāo)

學(xué)習(xí)：

• 使用各種低通濾波器模糊圖像
• 將定制過濾器應(yīng)用于圖像（2D 卷積）

2D卷積（圖像過濾）

與一維信號(hào)一樣，圖像也可以使用各種低通濾波器 (LPF)、高通濾波器 (HPF) 等進(jìn)行濾波。LPF 有助于消除噪聲、模糊圖像等。HPF 過濾器有助于在圖像中找到邊緣。

OpenCV 提供了一個(gè)函數(shù)?**cv.filter2D()**來將內(nèi)核與圖像進(jìn)行卷積。例如，我們將在圖像上嘗試平均濾波器。一個(gè) 5x5 平均濾波器內(nèi)核如下所示：

$$K=\frac{1}{25}?\begin{array}{ccccc}1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1\end{array}?$$

操作是這樣的：保持這個(gè)內(nèi)核高于一個(gè)像素，將所有低于這個(gè)內(nèi)核的 25 個(gè)像素相加，取平均值，然后用新的平均值替換中心像素。對(duì)圖像中的所有像素繼續(xù)該操作。試試這段代碼并檢查結(jié)果：

import numpy as np import cv2 as cv from matplotlib import pyplot as pltdef image_filtering():cv.samples.addSamplesDataSearchPath("/media/data/my_multimedia/opencv-4.x/samples/data")img = cv.imread(cv.samples.findFile('opencv-logo.png'))kernel = np.ones((5, 5), np.float32) / 25dst = cv.filter2D(img, -1, kernel)row, col, _ = img.shapeedge = np.full((row, 10, 3), (255, 255, 255), np.uint8);images = [img, edge, dst]dst = cv.hconcat(images)cv.imshow("Image", dst)cv.waitKey(-1)cv.destroyAllWindows()if __name__ == "__main__":image_filtering()

結(jié)果如下：

圖像模糊（圖像平滑）

圖像模糊是通過將圖像與低通濾波器內(nèi)核進(jìn)行卷積來實(shí)現(xiàn)的。它對(duì)于去除噪聲很有用。它實(shí)際上從圖像中去除了高頻內(nèi)容（比如噪聲，邊緣）。所以在這個(gè)操作中邊緣有點(diǎn)模糊（也有不模糊邊緣的模糊技術(shù)）。OpenCV 提供了四種主要的模糊技術(shù)類型。

1. 平均

這是通過將圖像與歸一化框?yàn)V波器進(jìn)行卷積來完成的。它只是取內(nèi)核區(qū)域下所有像素的平均值并替換中心元素。這通過函數(shù)?cv.blur()?或?cv.boxFilter() 完成。檢查關(guān)于內(nèi)核的文檔來了解更多細(xì)節(jié)。我們應(yīng)該指定內(nèi)核的寬度和高度。一個(gè) 3x3 歸一化框?yàn)V波器將看起來像下面這樣：

$$K=\frac{1}{9}?\begin{array}{ccc}1& 1& 1\\ 1& 1& 1\\ 1& 1& 1\end{array}?$$

注意
如果不想使用歸一化的框?yàn)V波器，則使用 cv.boxFilter()。給函數(shù)傳遞一個(gè)參數(shù) normalize=False。

看一下下面的示例演示，它使用一個(gè) 5x5 大小的內(nèi)核：

def averaging_filter():cv.samples.addSamplesDataSearchPath("/media/data/my_multimedia/opencv-4.x/samples/data")img = cv.imread(cv.samples.findFile('opencv-logo-white.png'))blur = cv.blur(img, (5, 5))plt.subplot(121), plt.imshow(img), plt.title('Original')plt.xticks([]), plt.yticks([])plt.subplot(122), plt.imshow(blur), plt.title('Blurred')plt.xticks([]), plt.yticks([])plt.show()if __name__ == "__main__":averaging_filter()

結(jié)果如下：

高斯模糊

在這個(gè)方法中，不是使用框?yàn)V波器，而是使用一個(gè)高斯內(nèi)核。它通過函數(shù)?cv.GaussianBlur() 完成。我們應(yīng)該指定內(nèi)核的寬度和高度，它們應(yīng)該是正奇數(shù)。我們還應(yīng)該指定 X 和 Y 方向的標(biāo)準(zhǔn)差，sigmaX 和 sigmaY。如果只指定了 sigmaX，sigmaY 將取與 sigmaX 相同的值。如果兩者都為零，則它們根據(jù)內(nèi)核大小計(jì)算得出。高斯模糊在從圖像中移除高斯噪聲非常有效。

如果你想，你可以使用函數(shù) cv.getGaussianKernel() 創(chuàng)建一個(gè)高斯內(nèi)核。

上面的代碼可以修改以用于高斯模糊：

blur = cv.GaussianBlur(img, (5, 5), 0)

如果使用函數(shù) cv.getGaussianKernel()，則需要如下的代碼：

kernel = cv.getGaussianKernel(5, 0)kernel_2D = kernel @ kernel.transpose()blur = cv.filter2D(img, -1, kernel_2D)

結(jié)果如下：

3. 中值模糊

這里，函數(shù) cv.medianBlur() 取內(nèi)核區(qū)域下所有像素的中值，并將中心元素替換為該中值。這對(duì)圖像中的椒鹽噪聲非常有效。有趣的是，在上述濾波器中，中心元素是新計(jì)算的值，可能是圖像中的像素值或新值。但是在中值模糊中，中心元素總是被圖像中的某個(gè)像素值替換。它有效地降低了噪音。它的內(nèi)核大小應(yīng)該是一個(gè)正奇數(shù)。

在這個(gè)演示中，我為原始圖像添加了 50% 的噪點(diǎn)并應(yīng)用了中值模糊。添加噪點(diǎn)，通過如下的 salt_and_pepper(image, n) 函數(shù)完成。檢查結(jié)果：

import numpy as np import cv2 as cv from matplotlib import pyplot as plt import randomdef salt_and_pepper(image, n):print(image.shape)for i in range(int(n / 2)):row = random.randint(0, image.shape[0] - 1)col = random.randint(0, image.shape[1] - 1)write_black = random.randint(0, 2)if write_black == 0:image[row][col] = (255, 255, 255)else:image[row][col] = (0, 0, 0)return imagedef median_blurring():cv.samples.addSamplesDataSearchPath("/media/data/my_multimedia/opencv-4.x/samples/data")img = cv.imread(cv.samples.findFile('opencv-logo-white.png'))img = salt_and_pepper(img, img.shape[0] * img.shape[1])median = cv.medianBlur(img, 5)plt.subplot(121), plt.imshow(img), plt.title('Original')plt.xticks([]), plt.yticks([])plt.subplot(122), plt.imshow(median), plt.title('Blurred')plt.xticks([]), plt.yticks([])plt.show()if __name__ == "__main__":median_blurring()

結(jié)果如下：

4. 雙邊濾波

cv.bilateralFilter() 函數(shù)在保持邊緣銳利的同時(shí)去除噪聲非常有效。但與其它濾波器相比，這個(gè)操作速度較慢。我們已經(jīng)看到高斯濾波器采用像素周圍的鄰域，并找到其高斯加權(quán)平均值。這個(gè)高斯濾波器是一個(gè)單獨(dú)的空間函數(shù)，即在濾波時(shí)考慮附近的像素。它不考慮像素是否具有幾乎相同的強(qiáng)度。它不考慮像素是否是邊緣像素。所以它也模糊了邊緣，這是我們不想做的。

雙邊濾波在空間上也采用了高斯濾波器，但多了一個(gè)高斯濾波器，它是像素差的函數(shù)。空間的高斯函數(shù)確保只考慮附近的像素進(jìn)行模糊處理，而強(qiáng)度差異的高斯函數(shù)確保只考慮那些與中心像素具有相似強(qiáng)度的像素進(jìn)行模糊處理。所以它保留了邊緣，因?yàn)檫吘壧幍南袼貢?huì)有很大的強(qiáng)度變化。

下面的示例顯示了雙邊濾波器的使用（有關(guān)參數(shù)的詳細(xì)信息，請(qǐng)?jiān)L問文檔）。

def bilateral_blurring():cv.samples.addSamplesDataSearchPath("/media/data/my_multimedia/opencv-4.x/samples/data")img = cv.imread(cv.samples.findFile('bilateral.jpg'))img = img[0:img.shape[0], 0:int(img.shape[1] / 2)]blur = cv.bilateralFilter(img, 9, 75, 75)images = [img, blur]dest = cv.hconcat(images)cv.imshow("Image", dest)cv.waitKey(-1)cv.destroyAllWindows()if __name__ == "__main__":bilateral_blurring()

結(jié)果如下：

看，表面上的紋理消失了，但邊緣依然存在。

其它資源

關(guān)于 雙邊濾波 的詳細(xì)信息

練習(xí)

參考文檔

Smoothing Images

使用帶有高斯核的cv2.GaussianBlur和cv2.filter2D的不同結(jié)果？

利用OpenCV給彩色圖像添加椒鹽噪聲的方法

使用Python-OpenCV向圖片添加噪聲的實(shí)現(xiàn)(高斯噪聲、椒鹽噪聲)

Python 隨機(jī)數(shù)生成

Done.

總結(jié)

以上是生活随笔為你收集整理的OpenCV 中的图像处理 004_平滑图像的全部?jī)?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。