opencv基础入门——模糊操作

待我称王封你为后i 2023-06-25 04:34 8阅读 0赞

参考：

*  [python+opencv3.3视频教学 基础入门-bilibili][python_opencv3.3_ _-bilibili]
 *  [OpenCV图像处理—模糊原理\_不安分的少年-CSDN博客][OpenCV_-CSDN]
 *  [高斯模糊\_百度百科][Link 1]

# 一、模糊原理 #

使用模糊操作的原因之一就是为了给图像预处理时候**降低噪声** ， 把噪声与周围的数值平均一下就可以平滑噪声。

模糊基于数学的**卷积计算**。  
卷积:通过两个函数f 和g 生成第三个函数的一种数学算子，表征函数 f f f 与 g g g经过翻转和平移的重叠部分的面积。  
 g ( i , j ) = ∑ l , k f ( l + k , j + l ) h ( k , l ) g(i,j)=\\sum \_\{l,k\}f(l+k,j+l)h(k,l) g(i,j)=l,k∑f(l\+k,j\+l)h(k,l)

*  其中：  
     f ( ) f() f()表示一副图像  
     i , j i,j i,j表示图像的行和列  
     h ( k , l ) h(k,l) h(k,l)表示**卷积算子**(卷积核)(也可以叫掩膜)  
     k , l k,l k,l又可以叫窗口大小(掩膜的大小，比如3\*3)  
     g ( ) g() g()表示输出的像素值

**不同的卷积核得到不同的卷积效果**。  
通常这些卷积算子计算都是线性操作，所以又叫**线性滤波**。

# 二、基本模糊操作 #

## 1.均值模糊 ##

import cv2 as cv
    import numpy as np
    
    def blur_demo(image):
        """ 均值模糊 - - - - image - 原图像 """
        # 均值模糊函数:(1,3)分别代表水平模糊和垂直模糊，常用(5,5)
        dst = cv.blur(image, (1, 20))
        cv.imwrite("blur.png", dst)
    
    if __name__ == "__main__":
        src = cv.imread('blurtest.jpeg')
        blur_demo(src)

结果：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg_size_16_color_FFFFFF_t_70]

## 2.中值模糊 ##

def median_blur_demo(image):
        """ 中值模糊 - - - - image - 原图像 """
        # 中值模糊函数
        dst = cv.medianBlur(image, 5)
        cv.imwrite("median_blur.png", dst)
    
    if __name__ == "__main__":
        src = cv.imread('blurtest.jpeg')
        median_blur_demo(src)

结果：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg_size_16_color_FFFFFF_t_70 1]  
可以看出，对于椒盐噪点（有不规则黑白点）图像，中值模糊的去噪效果明显好于均值模糊。

## 3.自定义模糊 ##

def custom_blur_demo(image):
        """ 自定义模糊 - - - - image - 原图像 """
        # 自定义卷积核，为了防止像素值溢出，需除25(=5*5*1![在这里插入图片描述](https://img-blog.csdnimg.cn/2019122522022841.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg==,size_16,color_FFFFFF,t_70))
        kernel = np.ones([5,5],np.float32)/25
        # 自定义模糊函数:
        dst = cv.filter2D(image,-1,kernel)
        cv.imwrite("custom_blur.png", dst)
    
    if __name__ == "__main__":
        src = cv.imread('blurtest.jpeg')
        blur_demo(src)
        median_blur_demo(src)
        custom_blur_demo(src)

结果：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg_size_16_color_FFFFFF_t_70 2]  
可以看出，模糊后结果与均值模糊一致。

另外，还可以通过自定义模糊实现**图像锐化**的功能，如下（重点是卷积核）：

def custom_blur_demo2(image):
        """ 自定义模糊-锐化 - - - - image - 原图像 """
        # 自定义卷积核
        kernel = np.array([[0, -1, 0], [-1, 5, -1], [0, -1, 0]],np.float32)
        # 自定义模糊函数:(1,3)分别代表水平模糊和垂直模糊
        dst = cv.filter2D(image,-1,kernel)
        cv.imwrite("custom_blur2.png", dst)
    
    if __name__ == "__main__":
        src = cv.imread('cat.jpg')
        custom_blur_demo2(src)

结果：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg_size_16_color_FFFFFF_t_70 3]

# 三、高斯模糊 #

## 1.原理 ##

高斯模糊是一种图像模糊滤波器，它用**正态分布**计算图像中每个像素的变换。N维空间正态分布方程为  
![在这里插入图片描述][20191225220656389.png]  
在二维空间定义为  
![在这里插入图片描述][20191225220715426.png]  
其中，r是模糊半径，σ是正态分布的标准偏差。

在二维空间中，这个公式生成的曲面的等高线是从中心开始呈正态分布的同心圆。分布不为零的像素组成的卷积矩阵与原始图像做变换。每个像素的值都是周围相邻像素值的加权平均。  
原始像素的值有最大的高斯分布值，所以有最大的权重，相邻像素随着距离原始像素越来越远，其权重也越来越小。  
这样进行模糊处理比其它的均衡模糊滤波器**更高地保留了边缘效果**，参见尺度空间实现。

## 2.产生高斯噪声 ##

def clamp(pv):
        """ 防止像素溢出 - - - - pv - 像素值 """
        if pv > 255:
            return 255
        elif pv < 0:
            return 0
        else:
            return pv
    
    def gaussian_noise(image):
        """ 产生高斯噪声图像 - - - - image - 原图像 """
        h, w = image.shape[:2]
        for row in range(h):
            for col in range(w):
                # np.random.normal()生成随机正态元组:
                # 0-均值，20-标准差，3-shape
                s = np.random.normal(0, 20, 3)
                b = image[row, col, 0]
                g = image[row, col, 1]
                r = image[row, col, 2]
                image[row, col, 0] = clamp(b + s[0])
                image[row, col, 1] = clamp(g + s[1])
                image[row, col, 2] = clamp(r + s[2])
        cv.imwrite("gaussNoise.jpg", image)
    
    if __name__ == "__main__":
    	src = cv.imread('cat.jpg')
        gaussian_noise(src)

结果：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg_size_16_color_FFFFFF_t_70 4]

## 3.高斯模糊 ##

if __name__ == "__main__":
    	src = cv.imread('cat.jpg')
        # 高斯模糊函数
        dst = cv.GaussianBlur(src, (0, 0), 15)
        cv.imwrite("GaussianBlur.png", dst)

结果（毛玻璃效果）：  
![在这里插入图片描述][20191226094142901.png]

*  若对高斯噪声图像使用高斯模糊

if __name__ == "__main__":
    	src = cv.imread("gaussNoise.jpg")
        # 高斯模糊函数
        dst = cv.GaussianBlur(src, (0, 0), 3)
        cv.imwrite("GaussianBlur.png", dst)

结果:  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg_size_16_color_FFFFFF_t_70 5]  
可以看出影响减少了。

# 四、边缘保留滤波（EPF） #

在模糊的同时保留部分图像边缘（色彩分界线）

## 1.高斯双边 ##

import cv2 as cv
    import numpy as np
    
    def bi_demo(image):
        """ 高斯双边模糊 - - - - image - 原图像 """
        # 高斯双边模糊函数bilateralFilter(src, d, sigmaColor, sigmaSpace）
        # d-distance（取0，会从后两个参数自动计算） sigmaColor-颜色差异（尽量取大，以模糊掉噪声）sigmaSpace-空间差异（不需太大，保留边缘）
        dst = cv.bilateralFilter(image, 0, 75, 10)
        cv.imwrite("bi.png", dst)
    
    if __name__ == "__main__":
        src = cv.imread("face.jpg")
        bi_demo(src)

结果：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg_size_16_color_FFFFFF_t_70 6]

## 2.均值迁移 ##

def shift_demo(image):
        """ 均值迁移 - - - - image - 原图像 """
        # 高斯双边模糊函数pyrMeanShiftFiltering(src, sp, sr)
        # sp=sigmaSpace-空间差异（不需太大，保留边缘） sr=sigmaColor-颜色差异（尽量取大，以模糊掉噪声）
        dst = cv.pyrMeanShiftFiltering(image, 10, 75)
        cv.imwrite("shift.png", dst)
    
    if __name__ == "__main__":
        src = cv.imread("face.jpg")
        shift_demo(src)

结果(有点油画的感觉)：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg_size_16_color_FFFFFF_t_70 7]

[python_opencv3.3_ _-bilibili]: https://www.bilibili.com/video/av24998616
[OpenCV_-CSDN]: https://blog.csdn.net/weixin_43185216/article/details/91534086
[Link 1]: https://baike.baidu.com/item/%E9%AB%98%E6%96%AF%E6%A8%A1%E7%B3%8A/10885810?fr=aladdin
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/201912252146316.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20191225214330462.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20191225215642729.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg_size_16_color_FFFFFF_t_70 3]: https://img-blog.csdnimg.cn/20191225220312388.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg==,size_16,color_FFFFFF,t_70
[20191225220656389.png]: https://img-blog.csdnimg.cn/20191225220656389.png
[20191225220715426.png]: https://img-blog.csdnimg.cn/20191225220715426.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg_size_16_color_FFFFFF_t_70 4]: https://img-blog.csdnimg.cn/20191226093636396.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg==,size_16,color_FFFFFF,t_70
[20191226094142901.png]: https://img-blog.csdnimg.cn/20191226094142901.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg_size_16_color_FFFFFF_t_70 5]: https://img-blog.csdnimg.cn/20191226094752912.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg_size_16_color_FFFFFF_t_70 6]: https://img-blog.csdnimg.cn/20191227134315791.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg_size_16_color_FFFFFF_t_70 7]: https://img-blog.csdnimg.cn/20191227135624471.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L25hbmFzaGlfRg==,size_16,color_FFFFFF,t_70