【OpenCV 例程200篇】56. 低通盒式濾波器

歡迎關注 『OpenCV 例程200篇』 系列，持續更新中
歡迎關注 『Python小白的OpenCV學習課』 系列，持續更新中

圖像濾波是在盡可能保留圖像細節特征的條件下對目標圖像的噪聲進行抑制，是常用的圖像預處理操作。

平滑濾波也稱為低通濾波，可以抑制圖像中的灰度突變，使圖像變得模糊，是低頻增強的空間域濾波技術。

平滑濾波常用于：

• 模糊圖像和圖像降噪。
• 在圖像重取樣前平滑圖像以減少混淆
• 減少圖像中無關的細節
• 平滑因灰度級不足所導致的圖像的偽輪廓

2.1 低通盒式濾波器

盒式核是最簡單的可分離低通濾波器核。盒式核的模板區域中各像素點的系數相同，因此也是可分離核。

盒式濾波器結構簡單，便于快速實現和實驗。但盒式濾波器對透鏡模糊特性的近似能力較差，而且往往會沿垂直方向模糊圖像。

OpenCV 提供了 cv.blur 函數和 cv.boxFilter 函數實現盒式濾波器核低通濾波。

函數說明：

cv.blur(src, ksize[, dst[, anchor[, borderType]]]) → dst

函數 cv.blur 使用的濾波器核的表達式為：
$$K=\frac{1}{ksize.width?ksize.height}?\begin{array}{cccc}1& 1& ?& 1\\ 1& 1& ?& 1\\ ?& ?& ?& ?\\ 1& 1& ?& 1\end{array}?$$

參數說明：

• src：低通濾波輸入圖像，可以是灰度圖像，也可以是多通道的彩色圖像
• dst：低通濾波輸出圖像，大小和類型與 src 相同
• ksize：模糊核的大小，元組 (width, height)，寬度、高度應設為正奇數
• anchor：卷積核的錨點位置，默認值 (-1, -1)，表示以卷積核的中心為錨點
• borderType：邊界擴充的類型

函數說明：

cv.boxFilter(src, ddepth, ksize[, dst[, anchor[, normalize[, borderType]]]]) → dst

函數 cv.blur 使用的濾波器核的表達式為：
$$\begin{gathered} K=\alpha ?\begin{array}{cccc}1& 1& ?& 1\\ 1& 1& ?& 1\\ ?& ?& ?& ?\\ 1& 1& ?& 1\end{array}? \\ \alpha =\{\begin{array}{ll}\frac{1}{ksize.width?ksize.height}& ,\text{if?normalize=True}\\ 1& ,\text{if?normalize=False}\end{array} \end{gathered}$$

顯然，當 normalize=True 時，函數 cv.blur() 等價于函數 cv.boxFilter(normalize=True) 。

參數說明：

• src：低通濾波輸入圖像，可以是灰度圖像，也可以是多通道的彩色圖像
• dst：低通濾波輸出圖像，大小和類型與 src 相同
• ddepth：輸出圖像每個通道的深度（數據類型），ddepth=-1 表示與輸入圖像的數據類型相同
• ksize：模糊核的大小，元組 (width, height)，寬度、高度應設為正奇數
• anchor：卷積核的錨點位置，默認值 (-1, -1)，表示以卷積核的中心為錨點
• normalize：歸一化選項，默認值 normalize=True 時進行歸一化，否則不作歸一化處理
• borderType：邊界擴充的類型

例程 1.70：圖像的低通濾波—盒式濾波器

# 1.70：圖像的低通濾波 (盒式濾波器核)img = cv2.imread("../images/Fig0515a.tif", flags=0) # # flags=0 讀取為灰度圖像kSize = (5, 5)kernel1 = np.ones(kSize, np.float32) / (kSize[0]*kSize[1]) # 生成歸一化盒式核imgConv1 = cv2.filter2D(img, -1, kernel1) # cv2.filter2D 方法imgConv2 = cv2.blur(img, kSize) # cv2.blur 方法imgConv3 = cv2.boxFilter(img, -1, kSize) # cv2.boxFilter 方法 (默認normalize=True)print("比較 cv2.filter2D 與 cv2.blur 方法結果相同嗎？\t", (imgConv1 == imgConv2).all())print("比較 cv2.blur 與 cv2.boxFilter 方法結果相同嗎？\t", (imgConv2 == imgConv3).all())kSize = (11, 11)imgConv11 = cv2.blur(img, kSize) # cv2.blur 方法plt.figure(figsize=(9, 6))plt.subplot(131), plt.axis('off'), plt.title("Original")plt.imshow(img, cmap='gray', vmin=0, vmax=255)plt.subplot(132), plt.axis('off'), plt.title("cv2.blur (kSize=[5,5])")plt.imshow(imgConv2, cmap='gray', vmin=0, vmax=255)plt.subplot(133), plt.axis('off'), plt.title("cv2.blur (kSize=[11,11])")plt.imshow(imgConv11, cmap='gray', vmin=0, vmax=255)plt.tight_layout()plt.show()

運行結果如下：

比較 cv2.filter2D 與 cv2.blur 方法結果相同嗎？ True 比較 cv2.blur 與 cv2.boxFilter 方法結果相同嗎？ True

（本節完）

---

版權聲明：

youcans@xupt 原創作品，轉載必須標注原文鏈接

Copyright 2021 youcans, XUPT

Crated：2021-11-29

歡迎關注 『OpenCV 例程200篇』 系列，持續更新中
歡迎關注 『Python小白的OpenCV學習課』 系列，持續更新中

【OpenCV 例程200篇】01. 圖像的讀取（cv2.imread）
【OpenCV 例程200篇】02. 圖像的保存（cv2.imwrite）
【OpenCV 例程200篇】03. 圖像的顯示（cv2.imshow）
【OpenCV 例程200篇】04. 用 matplotlib 顯示圖像（plt.imshow）
【OpenCV 例程200篇】05. 圖像的屬性（np.shape）
【OpenCV 例程200篇】06. 像素的編輯（img.itemset）
【OpenCV 例程200篇】07. 圖像的創建（np.zeros）
【OpenCV 例程200篇】08. 圖像的復制（np.copy）
【OpenCV 例程200篇】09. 圖像的裁剪（cv2.selectROI）
【OpenCV 例程200篇】10. 圖像的拼接（np.hstack）
【OpenCV 例程200篇】11. 圖像通道的拆分（cv2.split）
【OpenCV 例程200篇】12. 圖像通道的合并（cv2.merge）
【OpenCV 例程200篇】13. 圖像的加法運算（cv2.add）
【OpenCV 例程200篇】14. 圖像與標量相加（cv2.add）
【OpenCV 例程200篇】15. 圖像的加權加法（cv2.addWeight）
【OpenCV 例程200篇】16. 不同尺寸的圖像加法
【OpenCV 例程200篇】17. 兩張圖像的漸變切換
【OpenCV 例程200篇】18. 圖像的掩模加法
【OpenCV 例程200篇】19. 圖像的圓形遮罩
【OpenCV 例程200篇】20. 圖像的按位運算
【OpenCV 例程200篇】21. 圖像的疊加
【OpenCV 例程200篇】22. 圖像添加非中文文字
【OpenCV 例程200篇】23. 圖像添加中文文字
【OpenCV 例程200篇】23. 圖像添加中文文字
【OpenCV 例程200篇】24. 圖像的仿射變換
【OpenCV 例程200篇】25. 圖像的平移
【OpenCV 例程200篇】26. 圖像的旋轉（以原點為中心）
【OpenCV 例程200篇】27. 圖像的旋轉（以任意點為中心）
【OpenCV 例程200篇】28. 圖像的旋轉（直角旋轉）
【OpenCV 例程200篇】29. 圖像的翻轉（cv2.flip）
【OpenCV 例程200篇】30. 圖像的縮放（cv2.resize）
【OpenCV 例程200篇】31. 圖像金字塔（cv2.pyrDown）
【OpenCV 例程200篇】32. 圖像的扭變（錯切）
【OpenCV 例程200篇】33. 圖像的復合變換
【OpenCV 例程200篇】34. 圖像的投影變換
【OpenCV 例程200篇】35. 圖像的投影變換（邊界填充）
【OpenCV 例程200篇】36. 直角坐標與極坐標的轉換
【OpenCV 例程200篇】37. 圖像的灰度化處理和二值化處理
【OpenCV 例程200篇】38. 圖像的反色變換（圖像反轉）
【OpenCV 例程200篇】39. 圖像灰度的線性變換
【OpenCV 例程200篇】40. 圖像分段線性灰度變換
【OpenCV 例程200篇】41. 圖像的灰度變換（灰度級分層）
【OpenCV 例程200篇】42. 圖像的灰度變換（比特平面分層）
【OpenCV 例程200篇】43. 圖像的灰度變換（對數變換）
【OpenCV 例程200篇】44. 圖像的灰度變換（伽馬變換）
【OpenCV 例程200篇】45. 圖像的灰度直方圖
【OpenCV 例程200篇】46. 直方圖均衡化
【OpenCV 例程200篇】47. 圖像增強—直方圖匹配
【OpenCV 例程200篇】48. 圖像增強—彩色直方圖匹配
【OpenCV 例程200篇】49. 圖像增強—局部直方圖處理
【OpenCV 例程200篇】50. 圖像增強—直方圖統計量圖像增強
【OpenCV 例程200篇】51. 圖像增強—直方圖反向追蹤
【OpenCV 例程200篇】52. 圖像的相關與卷積運算
【OpenCV 例程200篇】53. Scipy 實現圖像二維卷積
【OpenCV 例程200篇】54. OpenCV 實現圖像二維卷積
【OpenCV 例程200篇】55. 可分離卷積核
【OpenCV 例程200篇】56. 低通盒式濾波器
【OpenCV 例程200篇】57. 低通高斯濾波器
【OpenCV 例程200篇】58. 非線性濾波—中值濾波
【OpenCV 例程200篇】59. 非線性濾波—雙邊濾波
【OpenCV 例程200篇】60. 非線性濾波—聯合雙邊濾波
【OpenCV 例程200篇】61. 導向濾波（Guided filter）
【OpenCV 例程200篇】62. 圖像銳化——鈍化掩蔽
【OpenCV 例程200篇】63. 圖像銳化——Laplacian 算子
【OpenCV 例程200篇】64. 圖像銳化——Sobel 算子
【OpenCV 例程200篇】65. 圖像銳化——Scharr 算子
【OpenCV 例程200篇】66. 圖像濾波之低通/高通/帶阻/帶通
【OpenCV 例程200篇】67. 空間域圖像增強的綜合應用
【OpenCV 例程200篇】68. 空間域圖像增強的綜合應用
【OpenCV 例程200篇】69. 連續非周期信號的傅立葉系數
【OpenCV 例程200篇】70. 一維連續函數的傅里葉變換
【OpenCV 例程200篇】71. 連續函數的取樣
【OpenCV 例程200篇】72. 一維離散傅里葉變換
【OpenCV 例程200篇】73. 二維連續傅里葉變換
【OpenCV 例程200篇】74. 圖像的抗混疊
【OpenCV 例程200篇】75. Numpy 實現圖像傅里葉變換
【OpenCV 例程200篇】76. OpenCV 實現圖像傅里葉變換
【OpenCV 例程200篇】77. OpenCV 實現快速傅里葉變換
【OpenCV 例程200篇】78. 頻率域圖像濾波基礎
【OpenCV 例程200篇】79. 頻率域圖像濾波的基本步驟
【OpenCV 例程200篇】80. 頻率域圖像濾波詳細步驟
【OpenCV 例程200篇】81. 頻率域高斯低通濾波器
【OpenCV 例程200篇】82. 頻率域巴特沃斯低通濾波器
【OpenCV 例程200篇】83. 頻率域低通濾波：印刷文本字符修復
【OpenCV 例程200篇】84. 由低通濾波器得到高通濾波器
【OpenCV 例程200篇】85. 頻率域高通濾波器的應用
【OpenCV 例程200篇】86. 頻率域濾波應用：指紋圖像處理
【OpenCV 例程200篇】87. 頻率域鈍化掩蔽
【OpenCV 例程200篇】88. 頻率域拉普拉斯高通濾波
【OpenCV 例程200篇】89. 帶阻濾波器的傳遞函數
【OpenCV 例程200篇】90. 頻率域陷波濾波器
【OpenCV 例程200篇】91. 高斯噪聲、瑞利噪聲、愛爾蘭噪聲
【OpenCV 例程200篇】92. 指數噪聲、均勻噪聲、椒鹽噪聲
【OpenCV 例程200篇】93. 噪聲模型的直方圖
【OpenCV 例程200篇】94. 算術平均濾波器
【OpenCV 例程200篇】95. 幾何均值濾波器
【OpenCV 例程200篇】96. 諧波平均濾波器
【OpenCV 例程200篇】97. 反諧波平均濾波器
【OpenCV 例程200篇】98. 統計排序濾波器
【OpenCV 例程200篇】99. 修正阿爾法均值濾波器
【OpenCV 例程200篇】100. 自適應局部降噪濾波器

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的【OpenCV 例程200篇】56. 低通盒式滤波器的全部內容，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。