Python OpenCV之常用濾波器使用詳解

2022-04-07 13:00:53

1. 濾波器

1.1 什麼是濾波器

濾波器是對影象做平滑處理的一種常用工具。

平滑處理即在儘可能地保留原影象資訊的情況下，對畫素值進行微調，使鄰近的畫素值之間，值的大小趨於“平滑”，以去除影象內的噪聲、降低細節層次資訊等的一系列的操作過程。本篇blog將為大家展示OpenCV中的均值濾波器、中值濾波器、高斯濾波器和雙邊濾波器。

濾波器的演演算法邏輯為，指定一個濾波核的大小（該大小表示參與計算的畫素資料的範圍），以影象中的每一個畫素都作為波的核心，通過該範圍內的資料，以一定的計算方式進行計算，將計算結果該值賦值給該畫素。

1.2 關於濾波核

以大小為n×n的濾波核為例，對於每一個畫素資料，我們可以在陣列中得到以一個畫素為中心的n×n的矩陣，此即參與計算的資料的範圍（邊界）。這樣的矩陣結構即被稱為濾波核。

1.3 素材選擇

使用影象《龍門石窟》(longmen.jpg) shape：(350, 600, 3)

2.均值濾波器 cv2.blur()

2.1 語法簡介

均值濾波器，也稱低通濾波器

顧名思義，均值濾波器即對濾波核內的資料求均值，然後將這個值賦值給矩陣核心位置。

均值濾波器可以使用cv2.blur() 方法實現

cv2.blur()的語法：

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

其中

scr 即影象
ksize 濾波核大小。使用一個元組表示，形如(a, b)，a表示height（高度）,b表示width（寬度）。
anchor 波核錨點
borderType 邊界型別

下邊以3×3，5×5，10×10三種濾波核為例，分別展示影象經過均值濾波器處理後的效果。

2.2 程式碼範例

2.2.1 3×3 濾波核為例

import cv2
img = cv2.imread("longmen.jpg")
dst1 = cv2.blur(img, (3, 3))
cv2.imshow("3*3", dst1)
cv2.waitKey()
cv2.destroyAllWindows()

濾波效果如下：

2.2.2 5×5 濾波核為例

import cv2
img = cv2.imread("longmen.jpg")
dst2 = cv2.blur(img, (5, 5))
cv2.imshow("5*5", dst2)
cv2.waitKey()
cv2.destroyAllWindows()

濾波效果如下：

2.2.3 10×10濾波核為例

import cv2
img = cv2.imread("longmen.jpg")
dst3 = cv2.blur(img, (10, 10))
cv2.imshow("10*10", dst3)
cv2.waitKey()
cv2.destroyAllWindows()

可以看出，濾波核大小越大，影象越趨於模糊。

3. 中值濾波器 cv2.medianBlur()

中值濾波器，即對濾波核內所有資料排序，將中間值賦值給濾波核核心位置的數位。

medianBlur(src, ksize, dst=None)

其中 ksize必須是奇數，是偶數的話會發生報錯。

不同於均值濾波器的方法，cv2.blur()，cv2.blur()的ksize引數是一個元組，而cv2.blur()的ksize引數是一個數值。

程式碼範例

import cv2
img = cv2.imread("longmen.jpg")
dst1 = cv2.medianBlur(img, 3)
cv2.imshow("3*3", dst1)
cv2.waitKey()
cv2.destroyAllWindows()

濾波後效果如下：

4. 高斯濾波器 cv2.GaussianBlur()

高斯濾波器也被稱為高斯模糊或高斯平滑。

高斯濾波器可以在降低圖片噪聲、細節層次的同時保留更多的影象資訊，使經過處理的影象呈現出“磨砂玻璃”的濾鏡效果。

使用均值濾波時，每個畫素都是均等權重的。使用高斯濾波器求的是不同權重下的均值，越靠近核心的畫素的權重越大，約靠近邊緣的畫素的權重則越小。

與濾波核對應的由每個資料權重組成的矩陣結構，是一個折積核。折積核中所有權重值的和為1。折積核中的數值會隨著核的大小而變化。

OpenCV使用cv2.GaussianBlur()方法實現高斯濾波器。其語法如下：

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

其中

src 為目標影象
ksize 是濾波核大小，寬高必須是奇數。格式為是元組形式。

修改sigmaX 和 sigmaY都會改變折積核中的權重值。這裡涉及折積方面的知識。

borderType 是邊界型別。

以9×9的濾波核為例

import cv2
img = cv2.imread("longmen.jpg")
dst1 = cv2.GaussianBlur(img, (9, 9), 0, 0)
cv2.imshow("9*9", dst1)
cv2.waitKey()
cv2.destroyAllWindows()

濾波後效果如下：

5. 雙邊濾波器 cv2.bilateralFilter()

前三種濾波方式都會使影象變得平滑的同時，邊緣區域變得模糊不清。

雙邊濾波是可以在濾波過程中起到保護影象邊界資訊作用的濾波操作方法。

其邏輯為：

如果影象在邊緣區域，則加大邊緣畫素的權重，儘可能地讓邊緣區域的畫素值保持不變。如果不在邊緣區域（在平坦區域），則使用類似高斯濾波器的演演算法進行。

雙邊濾波器的語法為：

bilateralFilter(src, d, sigmaColor, sigmaSpace, dst=None, borderType=None)

scr 即目標影象

d過濾期間使用的每個畫素鄰域的直徑。如果為非正，則根據sigmaSpace計算。即如果為15，則表示15×15的濾波核。

sigmaColor參與計算的顏色的範圍，只有畫素小於這個值時，以其為核心的濾波核才參與濾波計算。否則不參與。當sigmaColor值為255時，表示所有畫素值為核心的濾波核都會參與。

sigmaSpace座標空間的σ sigmaσ值，σ sigmaσ越大，參與計算的畫素數量就越多。

borderType邊界的樣式。

還以圖片"longmen.jpg"為例，

選擇20×20的濾波核，

參與計算的畫素值範圍為：小於125的畫素值；

座標空間的σ sigmaσ值為，200

import cv2
img = cv2.imread("longmen.jpg")
# 雙邊濾波，選取範圍直徑為15，顏色範圍為125
dst = cv2.bilateralFilter(img, 15, 125, 200)
cv2.imshow("bilateral", dst)
cv2.waitKey()
cv2.destroyAllWindows()

雙邊濾波效果如下：

可以看出，相比以上濾波效果，雙邊濾波保留了較清晰的影象邊緣資訊。

到此這篇關於Python OpenCV之常用濾波器使用詳解的文章就介紹到這了,更多相關Python OpenCV濾波器內容請搜尋it145.com以前的文章或繼續瀏覽下面的相關文章希望大家以後多多支援it145.com！