3.4. 平滑图像¶
3.4.1. 目标¶
3.4.2. 二维卷积（图像滤波）¶
对于一维信号，图像也可以用各种低通滤波器（LPF）、高通滤波器（HPF）等进行滤波。LPF有助于去除噪声或模糊图像。HPF过滤器有助于在图像中找到边缘。
OpenCV提供了一个函数， cv2.过滤器2D（） ，用图像卷积内核。作为一个例子，我们将尝试对图像进行平均滤波。5x5平均滤波器内核定义如下：
使用上述内核进行过滤的结果如下：对于每个像素，5x5窗口以该像素为中心，将该窗口内的所有像素相加，然后将结果除以25。这相当于计算窗口内像素值的平均值。对图像中的所有像素执行此操作，以生成输出滤波图像。请尝试此代码并检查结果：
>>> import cv2
>>> import numpy as np
>>> from matplotlib import pyplot as plt
>>>
>>> # img = cv2.imread('opencv_logo.png')
>>>
>>> img = cv2.imread('/cvdata/opencv_logo.jpg')
>>>
>>> kernel = np.ones((5,5),np.float32)/25
>>> dst = cv2.filter2D(img,-1,kernel)
>>>
>>> plt.subplot(121),plt.imshow(img),plt.title('Original')
>>> plt.xticks([]), plt.yticks([])
>>> plt.subplot(122),plt.imshow(dst),plt.title('Averaging')
>>> plt.xticks([]), plt.yticks([])
>>> plt.show()
结果：
3.4.3. 图像模糊（图像平滑）¶
图像模糊是通过卷积图像与低通滤波核来实现的。它对消除噪音很有用。它实际上会从图像中移除高频内容（例如：噪声、边缘），从而在应用此is filter时导致边缘模糊。（嗯，有些模糊技术不会模糊边缘）。OpenCV主要提供四种模糊技术。
一。平均值¶
这是通过卷积图像与一个规范化的盒子过滤器。它只需要取内核区域下所有像素的平均值，并用该平均值替换中心元素。这是由函数完成的 cv2.模糊（） 或 cv2.boxFilter（） . 查看文档以了解有关内核的更多详细信息。我们应该指定内核的宽度和高度。一个3x3规格化的盒式过滤器如下所示：
注意
如果不想使用规范化的框过滤器，请使用 cv2.boxFilter（） 通过辩论 normalize=False 到函数。
使用5x5大小的内核查看下面的示例演示：
>>> import cv2
>>> import numpy as np
>>> from matplotlib import pyplot as plt
>>>
>>> # img = cv2.imread('opencv_logo.png')
>>>
>>> img = cv2.imread('/cvdata/opencv_logo.jpg')
>>>
>>> blur = cv2.blur(img,(5,5))
>>>
>>> plt.subplot(121),plt.imshow(img),plt.title('Original')
>>> plt.xticks([]), plt.yticks([])
>>> plt.subplot(122),plt.imshow(blur),plt.title('Blurred')
>>> plt.xticks([]), plt.yticks([])
>>> plt.show()
结果：
2。高斯滤波¶
在这种方法中，使用高斯核代替由等滤波器系数组成的盒滤波器。它完成了功能， 高斯蓝（） . 我们应该指定内核的宽度和高度，它应该是正数和奇数。我们还应该分别指定X和Y方向的标准偏差sigmaX和sigmaY。如果只指定了sigmaX，则sigmaX等于sigmaX。如果两者都是零，则从内核大小计算它们。高斯滤波在去除图像中的高斯噪声方面是非常有效的。
如果你愿意，你可以用这个函数创建一个高斯核， cv2.getGaussianKernel（） .
上面的代码可以修改为高斯模糊：
>>> blur = cv2.GaussianBlur(img,(5,5),0)
>>> plt.subplot(121),plt.imshow(img),plt.title('Original')
>>> plt.xticks([]), plt.yticks([])
>>> plt.subplot(122),plt.imshow(blur),plt.title('Blurred')
>>> plt.xticks([]), plt.yticks([])
>>> plt.show()
结果：
三。中值滤波¶
这里，函数 中音模糊（） 计算内核窗口下所有像素的中值，并用该中值替换中心像素。这是非常有效的去除盐和胡椒噪音。值得注意的一点是，在高斯和box滤波器中，中心元素的滤波值可以是原始图像中可能不存在的值。然而，在中值滤波中情况并非如此，因为中心元素总是被图像中的某个像素值所代替。这有效地降低了噪音。内核大小必须是正奇数整数。
在这个演示中，我们将50%的噪声添加到原始图像中，并使用中值滤波器。检查结果：
>>> blur = cv2.medianBlur(img,5)
>>>
>>>
>>> plt.subplot(121),plt.imshow(img),plt.title('Original')
>>> plt.xticks([]), plt.yticks([])
>>> plt.subplot(122),plt.imshow(blur),plt.title('Blurred')
>>> plt.xticks([]), plt.yticks([])
>>> plt.show()
结果：
四。双边滤波¶
正如我们所注意到的，我们前面介绍的过滤器倾向于模糊边缘。双边滤波器不是这样的， cv2.双边滤波器（） ，它是为定义的，并且在保留边缘的情况下非常有效地去除噪声。但与其他过滤器相比，操作速度较慢。我们已经看到，高斯滤波器取像素周围的a邻域，并求出其高斯加权平均值。这种高斯滤波器是一个单独的空间函数，也就是说，在滤波时要考虑附近的像素。它不考虑像素是否具有几乎相同的强度值，也不考虑像素是否位于边上。其结果是高斯滤波器倾向于模糊边缘，这是不可取的。
双边滤波器在空间域中也使用高斯滤波器，但它也使用一个以上（乘法）高斯滤波器分量，该分量是像素强度差的函数。空间的高斯函数确保只考虑像素是“空间邻域”进行滤波，而应用在强度域中的高斯分量（强度差的高斯函数）确保仅包括那些强度与中心像素类似的像素（“强度邻域”）来计算模糊的强度值。因此，该方法保留边缘，因为对于位于边缘附近的像素，放置在边缘另一侧的相邻像素（因此与中心像素相比显示出较大的强度变化）将不包括在模糊中。
下面的示例演示了双边过滤的使用（有关参数的详细信息，请参阅OpenCV文档）。
>>> blur = cv2.bilateralFilter(img,9,75,75)
>>> plt.subplot(121),plt.imshow(img),plt.title('Original')
>>> plt.xticks([]), plt.yticks([])
>>> plt.subplot(122),plt.imshow(blur),plt.title('Blurred')
>>> plt.xticks([]), plt.yticks([])
>>> plt.show()
结果：
请注意，表面上的纹理已消失，但边缘仍保留。
3.4.4. 额外资源¶
3.4.5. 练习¶
取一幅图像，加入高斯噪声和椒盐噪声，当你改变噪声水平时，比较通过box、高斯、中值和双边滤波器对这两幅噪声图像的模糊效果。