OpenCV 之图像平滑处理

引言

图像平滑处理（也称为“模糊处理”）是计算机视觉中一项非常基础的技术，常用于减少图像噪声或失真，提高图像质量。平滑处理可以通过各种滤波器实现，常见的滤波器包括均值滤波、方框滤波、高斯滤波和中值滤波。本文将详细介绍这些滤波器的原理及其在 OpenCV 中的具体实现。

基础概念

图像平滑处理的基本思想是通过卷积操作来替换每个像素值，使其变为邻域内像素值的某种形式的加权平均值。这样可以有效地抑制高频噪声，使图像更加平滑。但是，过度的平滑也会导致图像细节的丢失，因此需要根据具体需求选择合适的滤波器和参数。

代码实现与演示

1. 导入库和定义椒盐噪声函数

   1import cv2
   2import numpy as np
   3
   4def add_peppersalt_noise(img, n=10000):
   5    '''这个函数 add_peppersalt_noise 的目的是向给定的图像中添加椒盐噪声（Pepper & Salt Noise）。'''
   6    result = img.copy()
   7    h, w = img.shape[:2]
   8    for i in range(n):
   9        x = np.random.randint(1, h)
   10        y = np.random.randint(1, w)
   11        if np.random.randint(0, 2) == 0:
   12            result[x, y] = 0
   13        else:
   14            result[x, y] = 255
   15    return result

   解释:

   • 定义一个函数 add_peppersalt_noise 用于向图像中添加椒盐噪声。
   • 通过随机选择图像中的像素点，并将其设置为全黑（0）或全白（255），来模拟椒盐噪声。

2. 读取图像并添加噪声

   1image = cv2.imread('picture_video/zl.png')
   2cv2.imshow('原图', image)
   3cv2.waitKey(0)
   4noise = add_peppersalt_noise(image)
   5cv2.imshow('噪声图', noise)
   6cv2.waitKey(0)

   解释:

   • 使用 cv2.imread 函数读取图像文件 zl.png。
   • 显示原始图像，并等待用户按键继续。
   • 使用 add_peppersalt_noise 函数向图像中添加椒盐噪声，并显示噪声图像。

3. 均值滤波

   1# 均值滤波
   2blur_1 = cv2.blur(noise, (3, 3))
   3cv2.imshow('均值滤波 (3, 3)', blur_1)
   4cv2.waitKey(0)
   5
   6blur_2 = cv2.blur(noise, (5, 5))
   7cv2.imshow('均值滤波 (5, 5)', blur_2)
   8cv2.waitKey(0)

   解释:

   • 使用 cv2.blur 函数进行均值滤波。
   • ksize=(3, 3) 表示使用 3x3 的卷积核，ksize=(5, 5) 表示使用 5x5 的卷积核。
   • 显示均值滤波后的图像，并等待用户按键继续。

4. 方框滤波

   1# 方框滤波
   2boxFilter_1 = cv2.boxFilter(noise, -1, (3, 3), normalize=True)
   3cv2.imshow('方框滤波 (3, 3) 归一化', boxFilter_1)
   4cv2.waitKey(0)
   5
   6boxFilter_2 = cv2.boxFilter(noise, -1, (3, 3), normalize=False)
   7cv2.imshow('方框滤波 (3, 3) 不归一化', boxFilter_2)
   8cv2.waitKey(0)

   解释:

   • 使用 cv2.boxFilter 函数进行方框滤波。
   • ddepth=-1 表示输出图像的深度与输入图像相同。
   • normalize=True 表示归一化处理，normalize=False 表示不归一化处理。
   • 显示方框滤波后的图像，并等待用户按键继续。

5. 高斯滤波

   1# 高斯滤波
   2GaussianB = cv2.GaussianBlur(noise, (3, 3), 1)
   3cv2.imshow('高斯滤波 (3, 3) 标准差=1', GaussianB)
   4cv2.waitKey(0)

   解释:

   • 使用 cv2.GaussianBlur 函数进行高斯滤波。
   • ksize=(3, 3) 表示使用 3x3 的高斯核，sigmaX=1 表示 X 方向的标准差为 1。
   • 显示高斯滤波后的图像，并等待用户按键继续。       

6. 中值滤波

   1# 中值滤波
   2medianB = cv2.medianBlur(noise, 5)
   3cv2.imshow('中值滤波 (5)', medianB)
   4cv2.waitKey(0)
   5cv2.destroyAllWindows()

   解释:

   • 使用 cv2.medianBlur 函数进行中值滤波。
   • ksize=5 表示使用 5x5 的滤波核。
   • 显示中值滤波后的图像，并等待用户按键继续。        

总结

通过上述代码演示，我们展示了 OpenCV 中几种常用的图像平滑处理方法：均值滤波、方框滤波、高斯滤波和中值滤波。这些方法各有特点，适用于不同的应用场景。均值滤波和方框滤波较为简单，适用于一般的噪声抑制；高斯滤波保留更多细节的同时也能有效去除噪声；中值滤波对于椒盐噪声尤其有效。选择合适的滤波器和参数，可以大大提高图像处理的效果。