為什么要使用濾波

消除圖像中的噪聲成分叫作圖像的平滑化或濾波操作。信號或圖像的能量大部分集中在幅度譜的低頻和中頻段是很常見的，而在較高頻段，感興趣的信息經常被噪聲淹沒。因此一個能降低高頻成分幅度的濾波器就能夠減弱噪聲的影響。
如下圖，左圖帶有椒鹽噪聲，右圖為使用中值濾波處理后的圖片。

圖像濾波的目的有兩個:一是抽出對象的特征作為圖像識別的特征模式;另一個是為適應圖像處理的要求，消除圖像數字化時所混入的噪聲。

python +opencv講解

均值濾波

含義
如圖：如果我們想對紅色點進行處理，則它新值等于周圍N乘N個像素點的平均（包括自身）

用表達式表達：

擴展到對整個圖像進行均值濾波
注意：邊界無法使用卷積核，直接保留邊界像素到新圖中。

實現方法：
處理結果=cv2.blur(原始圖像,核大小)

核大小：以（寬度，高度）的元祖
效果：使圖像變模糊啦。能處理被椒鹽攻擊過的照片。

import cv2 a=cv2.imread('lenacolor.png')# b=cv2.blur(a,(8,8)) cv2.imshow('original',a) cv2.imshow('result',b) cv2.waitKey(0) cv2.destroyAllWindows()

方框濾波

實現方法：函數boxFilter
處理結果=cv2.boxFilter(原始圖像,目標圖像深度,核大小,normalize屬性）

目標圖像深度: int類型的目標圖像深度，-1表示與原始圖像一致
核大小：（寬度，高度）元祖
normalize:是否對目標圖像進行歸一化處理
normalize為true 時與均值濾波一樣，為false時表示任意一個點的像素為周圍像素點的和，容易發生溢出超過255

normalize=1，1為true

import cv2 a=cv2.imread('lenacolor.png')# b=cv2.boxFilter(a,-1,(5,5),normalize=1) cv2.imshow('original',a) cv2.imshow('result',b) cv2.waitKey(0) cv2.destroyAllWindows()

結果：

normalize=0，0為false
結果中只有幾個點不是白色

減少核大小為（2,2）normalize=0

高斯濾波

含義：
中心點權重高，越遠越低

實現方法：GaussianBlur
處理結果=cv2.GaussianBlur(原始圖像src，核函數大小ksize，sigmaX)

核函數大小ksize：（N，N）必須是奇數
sigmaX：控制x方向方差，控制權重,一般取0,它自己去計算方差。y軸方差和x一致

import cv2 a=cv2.imread('lenacolor.png')# b=cv2.GaussianBlur(a,(3,3),0) cv2.imshow('original',a) cv2.imshow('result',b) cv2.waitKey(0) cv2.destroyAllWindows()

中值濾波

使用像素點鄰域附近的像素的中值代替該點的像素值。通俗點來說，在這個像素的左邊找五個像素點，右邊找五個像素點，將這些像素進行排序，排序過后產生一個中值，用中間大小的值，來代替該像素的值。
中值濾波可以有效的去除斑點和椒鹽噪聲。但是效率低，其運算時間 為均值濾波的五倍以上。

實現方法：medianBlur
目標圖像=cv2.medianBlur(原始圖像,intksize)
intksize:核函數，必須為奇數.

import cv2 a=cv2.imread('lenacolor.png')# b=cv2.medianBlur(a,5) cv2.imshow('original',a) cv2.imshow('result',b) cv2.waitKey(0) cv2.destroyAllWindows()

總目錄鏈接：
python3+opencv學習筆記匯總目錄（適合基礎入門學習）
電氣專業的計算機小白，寫博文不容易，如果你覺得本文不錯，請點個贊支持下，謝謝。

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的opencv学习笔记11：图像滤波（均值，方框，高斯，中值）的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。