010 OpenCV中的4种平滑滤波
目录
一、环境
二、平滑滤波
2.1、均值滤波
2.2、高斯滤波
2.3、中值滤波
2.4、双边滤波
三、完整代码
一、环境
本文使用环境为：
- Windows10
- Python 3.9.17
- opencv-python 4.8.0.74
二、平滑滤波
2.1、均值滤波
在OpenCV库中，blur函数是一种简单而有效的图像平滑处理方法，也被称为均值滤波。该函数通过将图像中每个像素的值设置为其邻域中像素值的平均值，从而消除图像中的噪声。
函数原型如下：
cv2.blur(src, ksize[, dst[, anchor]])参数解释：
src: 输入图像。它必须是8位或32位浮点型。ksize: 这是均值滤波器的大小，它必须是奇数，并且可以有两种形式：例如(5,5)或5. 在第二种情况下，滤波器将是正方形的，而在第一种情况下，滤波器将是矩形的。dst: 输出图像。它的类型和源图像相同。anchor: 锚点的位置。默认值是(-1,-1)，这表示锚点在滤波器的中心。
下面是一个简单的示例：
import cv2
import numpy as np
# 加载图像
img = cv2.imread('image.jpg')
# 应用blur函数
blurred = cv2.blur(img, (5,5)) # 使用5x5的滤波器
# 显示原图和处理后的图像
cv2.imshow('Original Image', img)
cv2.imshow('Blurred Image', blurred)
cv2.waitKey(0)
cv2.destroyAllWindows()需要注意的是，虽然blur函数可以有效地消除噪声，但它也可能导致图像失去一些细节。因此，在使用此函数时，您可能需要考虑在消除噪声和保留细节之间取得平衡。
2.2、高斯滤波
GaussianBlur是OpenCV库中的一个函数，它用于对图像进行高斯模糊。高斯模糊是一种图像处理技术，通过对图像的每个像素应用一个高斯函数来达到模糊效果。这种方法在消除噪声和细节提取方面非常有效。
函数原型如下：
cv2.GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]])参数解释：
- src: 输入图像。它必须是8位或32位浮点型。
- ksize: 高斯核的大小。这个值必须是正整数，并且可以有两种形式：例如 (5,5) 或 5. 在第二种情况下，滤波器将是正方形的，而在第一种情况下，滤波器将是矩形的。
- sigmaX: 表示高斯核函数在X方向的标准偏差。如果sigmaX是0，那么标准偏差将根据核大小ksize计算。
- dst: 输出图像。它的类型和源图像相同。
- sigmaY: 表示高斯核函数在Y方向的标准偏差。如果sigmaY是0，那么标准偏差将根据核大小ksize计算。
- borderType: 像素外插法，默认值为cv2.BORDER_DEFAULT。
下面是一个简单的示例：
python
import cv2
import numpy as np # 加载图像
img = cv2.imread('image.jpg') # 应用GaussianBlur函数
blurred = cv2.GaussianBlur(img, (5,5), 0) # 使用5x5的高斯滤波器，无sigmaY值，所以根据核大小计算标准偏差 # 显示原图和处理后的图像
cv2.imshow('Original Image', img)
cv2.imshow('Blurred Image', blurred)
cv2.waitKey(0)
cv2.destroyAllWindows()与blur函数相比，GaussianBlur可以提供更加柔和的模糊效果，因为它考虑了图像的更多频率内容。但是，这也会导致更多的细节丢失。因此，在使用此函数时，您可能需要考虑在消除噪声和保留细节之间取得平衡。
2.3、中值滤波
medianBlur函数是OpenCV库中的一个函数，用于对图像进行中值滤波处理，即使用中值滤波器来平滑图像。
函数原型如下：
cv2.medianBlur(src, ksize[, dst])src: 输入图像，必须是8位或32位浮点型。ksize: 滤波器的大小，必须是奇数，可以有两种形式：例如(5,5)或5。当ksize为3或者5的时候，图像深度需为CV_8U，CV_16U，或CV_32F其中之一，而对于较大孔径尺寸的图片，它只能是CV_8U。dst: 输出图像，类型和源图像相同。可以用Mat::Clone来初始化得到目标图。
medianBlur函数使用中值滤波器来平滑图像。对于多通道图片，每一个通道都单独进行处理，并且支持就地操作（In-place operation）。在边界类型（BorderTypes）方面，使用的是BORDER_REPLICATE。
2.4、双边滤波
双边滤波（Bilateral Filter）是一种非线性的滤波方法，结合了图像的空间邻近度和像素值相似度的一种折衷处理，同时考虑空域信息和灰度相似性，达到保边去噪的目的。
双边滤波器的好处是可以做边缘保存（edge preserving），一般用高斯滤波去降噪，会较明显地模糊边缘，对于高频细节的保护效果并不明显。双边滤波器顾名思义比高斯滤波多了一个高斯方差sigma－d，它是基于空间分布的高斯滤波函数，所以在边缘附近，离的较远的像素不会太多影响到边缘上的像素值，这样就保证了边缘附近像素值的保存。 但是由于保存了过多的高频信息，对于彩色图像里的高频噪声，双边滤波器不能够干净的滤掉，只能够对于低频信息进行较好的滤波。
三、完整代码
import sys
import cv2 as cv
import numpy as np# Global VariablesDELAY_CAPTION = 1500
DELAY_BLUR = 100
MAX_KERNEL_LENGTH = 31src = None
dst = None
window_name = 'Smoothing Demo'def main(argv):cv.namedWindow(window_name, cv.WINDOW_AUTOSIZE)# 读取图片imageName = argv[0] if len(argv) > 0 else 'data/lena.jpg'global srcsrc = cv.imread(cv.samples.findFile(imageName))if src is None:print ('Error opening image')return -1if display_caption('Original Image') != 0:return 0global dstdst = np.copy(src)if display_dst(DELAY_CAPTION) != 0:return 0# 均值滤波if display_caption('Homogeneous Blur') != 0:return 0for i in range(1, MAX_KERNEL_LENGTH, 2):dst = cv.blur(src, (i, i))if display_dst(DELAY_BLUR) != 0:return 0# 高斯滤波if display_caption('Gaussian Blur') != 0:return 0for i in range(1, MAX_KERNEL_LENGTH, 2):dst = cv.GaussianBlur(src, (i, i), 0)if display_dst(DELAY_BLUR) != 0:return 0# 中值滤波if display_caption('Median Blur') != 0:return 0for i in range(1, MAX_KERNEL_LENGTH, 2):dst = cv.medianBlur(src, i)if display_dst(DELAY_BLUR) != 0:return 0# 双边滤波if display_caption('Bilateral Blur') != 0:return 0# 双边滤波计算量相对大，所以当kernel半径很大的时候，就会较慢for i in range(1, MAX_KERNEL_LENGTH, 2):dst = cv.bilateralFilter(src, i, i * 2, i / 2)if display_dst(DELAY_BLUR) != 0:return 0display_caption('Done!')return 0# 显示黑色背景+文字
def display_caption(caption):global dstdst = np.zeros(src.shape, src.dtype)rows, cols, _ch = src.shapecv.putText(dst, caption, (int(cols / 4), int(rows / 2)), cv.FONT_HERSHEY_COMPLEX, 1, (255, 255, 255))return display_dst(DELAY_CAPTION)# 显示效果图
def display_dst(delay):cv.imshow(window_name, dst)c = cv.waitKey(delay)if c >= 0 : return -1return 0if __name__ == "__main__":main(sys.argv[1:])
