OpenCV實現影象平滑處理的方法彙總

2023-02-14 06:01:33

1 均值濾波

OpenCV 中的簡單濾波（例如均值濾波或中值濾波）可能會使影象變得模糊，因為它們會平滑影象中的細節和邊緣。如果濾波的程度過強，則可能會導致影象失真，使其看起來更差。因此，濾波的程度需要適當地控制，以獲得最佳效果。

import cv2
 
import numpy as np
from numpy import unicode
 
if __name__ == '__main__':
    img1 = cv2.imread("D:/Jupyter_Notebooks/0.jpg")  # 讀取彩色影象(BGR)
 
    # 均值濾波 
    # 簡單的平均折積操作
    img_blur1 = cv2.blur(img1, (3, 3))  # 使用3*3的折積核
    img_blur2 = cv2.blur(img1, (30, 30))  # 使用30*30的折積核
 
    cv2.imshow("blur1", img_blur1)  # 顯示疊加影象 dst
    cv2.imshow("blur2", img_blur2)  # 顯示疊加影象 dst
    cv2.imshow("image", img1)  # 顯示疊加影象 dst
 
    cv2.waitKey(0)
    cv2.destroyAllWindows()

2 方框濾波

方框濾波是一種影象平滑技術，在 OpenCV 中可以使用。方框濾波的主要作用是對影象進行去噪和平滑處理，使影象變得更加平滑，減少影象的鋸齒狀、噪聲等不規則的部分。在影象處理中，方框濾波通常作為預處理步驟，以提高影象的質量和處理效果。

import cv2
 
import numpy as np
from numpy import unicode
 
if __name__ == '__main__':
    img1 = cv2.imread("D:/Jupyter_Notebooks/0.jpg")  # 讀取彩色影象(BGR)
 
    # 方框濾波
    # 基本和均值一樣，可以選擇歸一化
    img_box1 = cv2.boxFilter(img1, -1, (3, 3), normalize=True)
    img_box2 = cv2.boxFilter(img1, -1, (2, 2), normalize=False)
 
 
    cv2.imshow("box1", img_box1)  # 顯示疊加影象 dst
    cv2.imshow("box2", img_box2)  # 顯示疊加影象 dst
    cv2.imshow("image", img1)  # 顯示疊加影象 dst
 
    cv2.waitKey(0)
    cv2.destroyAllWindows()

3 高斯濾波

高斯濾波是影象處理中一種常用的平滑處理方法。在使用OpenCV處理影象時，高斯濾波可以用於減少影象中的噪聲和模糊不清的細節。此外，它還可以用於影象的邊緣檢測和影象分割，因為高斯濾波能夠保留影象的主要特徵，同時去除小的干擾。

import cv2
 
import numpy as np
from numpy import unicode
 
if __name__ == '__main__':
    img1 = cv2.imread("D:/Jupyter_Notebooks/0.jpg")  # 讀取彩色影象(BGR)
 
    # 高斯濾波
    # 高斯模糊的折積核裡的數值是滿足高斯分佈，相當於更重視中間的
    img_aussian1 = cv2.GaussianBlur(img1, (5, 5), 0, 0)
    img_aussian2 = cv2.GaussianBlur(img1, (5, 5), 13, 13)
 
    cv2.imshow("aussian1", img_aussian1)  # 顯示疊加影象 dst
    cv2.imshow("aussian2", img_aussian2)  # 顯示疊加影象 dst
    cv2.imshow("image", img1)  # 顯示疊加影象 dst
 
    cv2.waitKey(0)
    cv2.destroyAllWindows()

4 中值濾波

OpenCV 中值濾波是一種影象去噪方法，它通過在影象上選擇一個掩碼，並將其中的每個畫素與周圍畫素值進行比較，以計算該畫素的新值。新值是該畫素周圍畫素值的中位數。這樣，中值濾波能夠有效去除影象中的噪聲和椒鹽噪聲，使影象更清晰、更加穩定。

import cv2
 
import numpy as np
from numpy import unicode
 
if __name__ == '__main__':
    img1 = cv2.imread("D:/Jupyter_Notebooks/0.jpg")  # 讀取彩色影象(BGR)
 
    # 中值濾波
    # 相當於用中值代替
    img_median1 = cv2.medianBlur(img1, 3)  # 中值濾波
    img_median2 = cv2.medianBlur(img1, 9)  # 中值濾波
 
    cv2.imshow("median1", img_median1)  # 顯示疊加影象 dst
    cv2.imshow("median2", img_median2)  # 顯示疊加影象 dst
    cv2.imshow("image", img1)  # 顯示疊加影象 dst
 
    cv2.waitKey(0)
    cv2.destroyAllWindows()

5 雙邊濾波

雙邊濾波是一種影象模糊技術，它在保持影象邊緣清晰的同時，對影象中的噪聲進行有效去除。雙邊濾波演演算法通過比較影象上相鄰畫素的顏色差異和空間差異來確定每個畫素的權重，從而決定每個畫素的最終顏色值。在OpenCV中，雙邊濾波演演算法可用於處理影象的模糊、去噪、抗抖動等問題。

均值濾波、方框濾波、高斯濾波、中值濾波都是隻單純的考慮了畫素點之間的空間資訊而進行濾波的方式，這些方式都或多或少都會模糊影象的邊緣資訊，就是把影象裡面的邊緣線條弄模糊了，就是在去除影象噪音的同時把影象也弄模糊了，造成影象邊界資訊的部分丟失，這是這些方法的一個共同的缺點。
雙邊濾波就可以很好的規避這個缺點。因為雙邊濾波不僅考慮了畫素的空間資訊(距離越遠權重越小)同時還考慮了畫素的色多媒體簡訊息(色彩差別越大，權重越小)，這樣就可以很好的去除噪聲還可以較好的保護邊緣資訊，所以雙邊濾波器也是一個保邊去噪的濾波器。

import cv2
 
import numpy as np
from numpy import unicode
 
if __name__ == '__main__':
    img1 = cv2.imread("D:/Jupyter_Notebooks/0.jpg")  # 讀取彩色影象(BGR)
 
    img_bilateralFilter1 = cv2.bilateralFilter(img1, 15, 150, 1000)
    img_bilateralFilter2 = cv2.bilateralFilter(img1, 3, 255, 1000)
 
    cv2.imshow("bilateralFilter2", img_bilateralFilter2)  # 顯示疊加影象 dst
    cv2.imshow("bilateralFilter1", img_bilateralFilter1)  # 顯示疊加影象 dst
    cv2.imshow("image", img1)  # 顯示疊加影象 dst
 
    cv2.waitKey(0)
    cv2.destroyAllWindows()

6 2D折積(自定義折積核實現折積)

OpenCV 中的 2D 折積的作用是影象濾波，它可以用來消除影象中的噪聲、提取影象的特徵、邊緣檢測等。它通過對影象中的每一個畫素與一個固定的折積核進行折積操作來實現這些目的。

如果上面的均值濾波折積核、方框濾波折積核、高斯濾波折積核、中值濾波折積核、雙邊濾波折積核都不能滿足我們對影象的處理要求，此時我們就需要一個更加靈活的核——即我們自定義一個我們想要的核。如何實現呢？opencv中的cv2.filter2D()函數可以幫助我們實現：

cv2.filter2D(img, ddepth, kernel, anchor, delta, borderType)

img：要處理的原圖
ddepth: 預設-1，表示與原圖影象相同的深度
kernel: 折積核，是一個單通道的陣列。如果想處理彩圖時，讓每個通道使用不同的核，就必須先將彩圖分解後再使用不同的核去折積操作。
anchor: 預設值是(-1,-1),預設計算的結果位於核的中心位置。
delta：這個引數可寫可不寫。如果寫，表示在折積操作時，對應位置相乘相加後再加一個偏置，這個偏置就是delta。
borderType: 邊界處理方式，一般用預設值即可。

import cv2
 
import numpy as np
from numpy import unicode
 
if __name__ == '__main__':
    img1 = cv2.imread("D:/Jupyter_Notebooks/0.jpg")  # 讀取彩色影象(BGR)
 
    kernel = np.ones((9, 9), np.float32) / 81  # 在實際中我們可以定義更復雜的折積核，以實現自定義濾波操作
    img_kernel1 = cv2.filter2D(img1, -1, kernel)  # 這個濾波器就相當於均值濾波
 
    kernel = np.ones((18, 18), np.float32) / 81  # 在實際中我們可以定義更復雜的折積核，以實現自定義濾波操作
    img_kernel2 = cv2.filter2D(img1, -1, kernel)  # 這個濾波器就相當於均值濾波
    
 
    cv2.imshow("kernel1", img_kernel1)  # 顯示疊加影象 dst
    cv2.imshow("kernel2", img_kernel2)  # 顯示疊加影象 dst
    cv2.imshow("image", img1)  # 顯示疊加影象 dst
 
    cv2.waitKey(0)
    cv2.destroyAllWindows()

以上就是OpenCV實現影象平滑處理的方法彙總的詳細內容，更多關於OpenCV影象平滑處理的資料請關注it145.com其它相關文章！