模糊操作是圖像處理中最簡(jiǎn)單和常用的操作之一，使用該操作的原因之一就為了給圖像預(yù)處理時(shí)減低噪聲。
模糊操作基于離散卷積計(jì)算：
$$g(i,j)=\sum _{k,l}f(i+k,j+l)?h(k,l)$$
其中權(quán)重核h(k,l)為“濾波系數(shù)”。上面的式子可以簡(jiǎn)記為：
$$g=f?h$$
通常這些卷積算子可以是線性操作，所以又叫線性濾波。不同卷積核得到不同的卷積效果，模糊是卷積的一種表象。（關(guān)于邊界問(wèn)題：有幾種填充方法：補(bǔ)零、邊界復(fù)制、塊復(fù)制、鏡像復(fù)制等方法）。必須是奇數(shù)卷積核，就是計(jì)算這些范圍內(nèi)的值來(lái)確定中心位置的大小
1，均值濾波（歸一化濾波）
均值濾波是典型的線性濾波算法，它是指在圖像上對(duì)目標(biāo)像素給一個(gè)模板，該模板包括了其周?chē)呐R近像素(以目標(biāo)像素為中心的周?chē)?個(gè)像素，構(gòu)成一個(gè)濾波模板，即去掉目標(biāo)像素本身)，再用模板中的全體像素的平均值來(lái)代替原來(lái)像素值。

用 3×3 大小模板進(jìn)行均值濾波。

由于圖像邊框上的像素?zé)o法被模板覆蓋，所以不做處理，這當(dāng)然造成了圖像邊緣的缺失
以（2,2）像素點(diǎn)為例,卷積核如下：

則濾波后的結(jié)果為：
g(2,2)=int[(1+2+1+1+10+2+5+2+6)/9=3

濾波后（2,2）像素點(diǎn)的值由 10 變?yōu)?3
最終結(jié)果：

2，中值濾波
仍以（2,2）像素點(diǎn)為例,對(duì)模板中的 9 個(gè)數(shù)進(jìn)行從小到大排序：1,1,1,2,2,2,5,6,10。中間值為 2。所以，中值濾波后（2,2）位置的值10變?yōu)?2. 同理對(duì)其他像素點(diǎn)。處理結(jié)果：

均值模糊、中值模糊、自定義模糊（銳化）源代碼：

import cv2 as cv
import numpy as npdef blur_demo(image):dst = cv.blur(image, (5, 5))cv.imshow("blur_demo", dst)
"""
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?chē)P(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(lái)確定中心位置的大小
"""def median_blur_demo(image):dst = cv.medianBlur(image, 5)cv.imshow("median_blur_demo", dst)"""
定義：medianBlur(src, ksize, dst=None)ksize與blur()函數(shù)不同，不是矩陣，而是一個(gè)數(shù)字，例如為5，就表示了5*5的方陣中值濾波對(duì)于白點(diǎn)噪聲/椒鹽噪聲的去除是非常的好的。
"""
def custom_blur_demo(image):#kernel = np.ones([5, 5], np.float32)/25 除以25防止溢出kernel = np.array([[0, -1, 0],[-1, 5, -1],[0, -1, 0]], np.float32)   #銳化算子（奇數(shù)，總和為1或者0）dst = cv.filter2D(image, -1, kernel=kernel)cv.imshow("custom_blur_demo", dst)
"""
filter2D(src,ddepth,kernel)：
濾波函數(shù)的使用需要一個(gè)核模板，對(duì)圖像的濾波操作過(guò)程為：將和模板放在圖像的一個(gè)像素A上，求與之對(duì)應(yīng)的圖像上的每個(gè)像素點(diǎn)的和，
核不同，得到的結(jié)果不同，而濾波的使用核心也是對(duì)于這個(gè)核模板的使用，需要注意的是，該濾波函數(shù)是單通道運(yùn)算的，
也就是說(shuō)對(duì)于彩色圖像的濾波，需要將彩色圖像的各個(gè)通道提取出來(lái)，對(duì)各個(gè)通道分別濾波才行。ddepth：深度，輸入值為-1時(shí)，目標(biāo)圖像和原圖像深度保持一致kernel: 卷積核（或者是相關(guān)核）,一個(gè)單通道浮點(diǎn)型矩陣
"""src = cv.imread("F:/images/lenanoise.png")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)
blur_demo(src)
median_blur_demo(src)
custom_blur_demo(src)cv.waitKey(0)cv.destroyAllWindows()

運(yùn)行結(jié)果：

3，高斯濾波
高斯濾波是一種線性平滑濾波，適用于消除高斯噪聲，廣泛應(yīng)用于圖像處理的減噪過(guò)程。通俗的講，高斯濾波就是對(duì)整幅圖像進(jìn)行加權(quán)平均的過(guò)程，每一個(gè)像素點(diǎn)的值，都由其本身和鄰域內(nèi)的其他像素值經(jīng)過(guò)加權(quán)平均后得到。高斯濾波的具體操作是:用一個(gè)模板(或稱卷積、掩模)掃描圖像中的每一個(gè)像素，用模板確定的鄰域內(nèi)像素的加權(quán)平均灰度值去替代模板中心像素點(diǎn)的值。
高斯分布的概率密度函數(shù)：

如果選取3*3卷積模板，分布值為0.2,0.4,0.2；由于浮點(diǎn)數(shù)不易計(jì)算，所以按比例轉(zhuǎn)換為1：2: 1進(jìn)行計(jì)算。
源代碼：

import cv2 as cv
import numpy as npdef clamp(pv):  #防止溢出if pv > 255:return 255if pv < 0:return 0else:return pvdef gaussian_noise(image):  # 獲取有高斯噪聲的圖片h, w, c = image.shapefor row in range(h):              for col in range(w):s = np.random.normal(0, 20, 3)  #產(chǎn)生隨機(jī)數(shù)b = image[row, col, 0]  # blueg = image[row, col, 1]  # greenr = image[row, col, 2]  # redimage[row, col, 0] = clamp(b + s[0]) #產(chǎn)生有高斯噪聲的圖片image[row, col, 1] = clamp(g + s[1])image[row, col, 2] = clamp(r + s[2])cv.imshow("noise image", image)src = cv.imread("F:/images/lena.png")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)t1 = cv.getTickCount()
gaussian_noise(src)
t2 = cv.getTickCount()
time = (t2 - t1)/cv.getTickFrequency()
print("time consume : %s"%(time*1000))
dst = cv.GaussianBlur(src, (0, 0), 15) #（0,0）,然后根據(jù)sigmaX=15自動(dòng)計(jì)算ksize,高斯模糊對(duì)高斯噪聲有抑制作用
"""
GaussianBlur(src, ksize, sigmaX, dst=None, sigmaY=None, borderType=None)src，輸入圖像，即源圖像，填Mat類的對(duì)象即可。圖片深度應(yīng)該為CV_8U,CV_16U, CV_16S, CV_32F 以及 CV_64F之一。
dst，即目標(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(lái)初始化得到如假包換的目標(biāo)圖。
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）?；蛘?#xff0c;它們可以是零的，它們都是由sigma計(jì)算而來(lái)。
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(méi)有則根據(jù)ksize獲取
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(lái)。
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。
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。
"""
cv.imshow("Gaussian Blur", dst)cv.waitKey(0)cv.destroyAllWindows()

運(yùn)行結(jié)果：

4，雙邊濾波
OpenCV經(jīng)典的兩種實(shí)現(xiàn)EPF方法：高斯雙邊和均值遷移
高斯模糊只考慮了權(quán)重，只考慮了像素空間的分布，沒(méi)有考慮像素值和另一個(gè)像素值之間差異的問(wèn)題，如果像素間差異較大的情況下（比如圖像的邊緣），高斯模糊會(huì)進(jìn)行處理，但是我們不需要處理邊緣，要進(jìn)行的操作就叫做邊緣保留濾波（EPF）。
（1） 均值模糊無(wú)法克服邊緣像素信息丟失缺陷。原因是均值模糊是基于平均權(quán)重。
（2） 高斯模糊部分克服了該缺陷，但是無(wú)法完全避免，因?yàn)闆](méi)考慮到像素值的不同。
（3） 雙邊濾波是保留邊緣的濾波方法，避免了邊緣信息的丟失，保留了圖像輪廓不變。
只模糊上半部分，下半部分差異太大，沒(méi)有模糊差異越大，越會(huì)完整保留。
源代碼（雙邊模糊、均值遷移）

import cv2 as cv
import numpy as npdef bi_demo(image):dst = cv.bilateralFilter(image, 0, 100, 15)cv.imshow("bi_demo", dst)
"""
定義：bilateralFilter(src, d, sigmaColor, sigmaSpace, dst=None, borderType=None)值域和空域的兩個(gè)方差sigma可以簡(jiǎn)單的設(shè)置為相等，小于10，無(wú)太大效果，大于150效果太強(qiáng)，像卡通片似的。濾波器尺寸d：大于5將較慢（5 forreal-time），d=9，for off-lineapplications，d 是像素鄰域“直徑”。計(jì)算的半徑，半徑之內(nèi)的像數(shù)都會(huì)被納入計(jì)算，如果提供-1或者0，會(huì)從后面的參數(shù)sigmaSpace中自動(dòng)計(jì)算。Sigma_color（顏色標(biāo)準(zhǔn)差）：顏色空間過(guò)濾器的sigma值，這個(gè)參數(shù)的值越大，表明該像素鄰域內(nèi)有越寬廣的顏色會(huì)被混合到一起，產(chǎn)生較大的半相等顏色區(qū)域。Sigma_space（空間標(biāo)準(zhǔn)差）：坐標(biāo)空間中濾波器的sigma值，如果該值較大，則意味著顏色相近的較遠(yuǎn)的像素將相互影響，從而使更大的區(qū)域中足夠相似的顏色獲取相同的顏色。當(dāng)d>0時(shí)，d指定了鄰域大小且與sigmaSpace五官，否則d正比于sigmaSpace.雙邊濾波的內(nèi)在想法是：在圖像的值域（range）上做傳統(tǒng)濾波器在空域（domain）上做的工作。空域?yàn)V波對(duì)空間上鄰近的點(diǎn)進(jìn)行加權(quán)平均，加權(quán)系數(shù)隨著距離的增加而減少；值域?yàn)V波則是對(duì)像素值相近的點(diǎn)進(jìn)行加權(quán)平均，加權(quán)系數(shù)隨著值差的增大而減少
"""def shift_demo(image):dst = cv.pyrMeanShiftFiltering(image, 10, 50)cv.imshow("shift_demo", dst)
"""
meanShfit均值漂移算法是一種通用的聚類算法，它的基本原理是：對(duì)于給定的一定數(shù)量樣本，任選其中一個(gè)樣本，以該樣本為中心點(diǎn)劃定一個(gè)圓形區(qū)域，求取該圓形區(qū)域內(nèi)樣本的質(zhì)心，即密度最大處的點(diǎn)，再以該點(diǎn)為中心繼續(xù)執(zhí)行上述迭代過(guò)程，直至最終收斂?？梢岳镁灯扑惴ǖ倪@個(gè)特性，實(shí)現(xiàn)彩色圖像分割，Opencv中對(duì)應(yīng)的函數(shù)是pyrMeanShiftFiltering。這個(gè)函數(shù)嚴(yán)格來(lái)說(shuō)并不是圖像的分割，而是圖像在色彩層面的平滑濾波，它可以中和色彩分布相近的顏色，平滑色彩細(xì)節(jié)，侵蝕掉面積較小的顏色區(qū)域，所以在Opencv中它的后綴是濾波“Filter”，而不是分割“segment”。先列一下這個(gè)函數(shù)，再說(shuō)一下它“分割”彩色圖像的實(shí)現(xiàn)過(guò)程。pyrMeanShiftFiltering(src, sp, sr, dst=None, maxLevel=None, termcrit=None): 第一個(gè)參數(shù)src，輸入圖像，8位，三通道的彩色圖像，并不要求必須是RGB格式，HSV、YUV等Opencv中的彩色圖像格式均可；第二個(gè)參數(shù)sp，定義的漂移物理空間半徑大小；　　#越大，細(xì)節(jié)丟失越多第三個(gè)參數(shù)sr，定義的漂移色彩空間半徑大小；第四個(gè)參數(shù)dst，輸出圖像，跟輸入src有同樣的大小和數(shù)據(jù)格式；第五個(gè)參數(shù)maxLevel，定義金字塔的最大層數(shù)；第六個(gè)參數(shù)termcrit，定義的漂移迭代終止條件，可以設(shè)置為迭代次數(shù)滿足終止，迭代目標(biāo)與中心點(diǎn)偏差滿足終止，或者兩者的結(jié)合
"""src = cv.imread("F:/images/example.png")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)
bi_demo(src)
shift_demo(src)
cv.waitKey(0)cv.destroyAllWindows()

運(yùn)行結(jié)果：

總結(jié)

以上是生活随笔為你收集整理的OpenCV+python：模糊操作的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)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。