「学习OpenCV4」OpenCV线性滤波与非线性滤波总结

本文分享内容来自图书《学习OpenCV 4：基于Python的算法实战》，该书内容如下：

第1章 OpenCV快速入门；
第2章 图像读写模块imgcodecs；
第3章 核心库模块core；
第4章 图像处理模块imgproc（一）；
第5章 图像处理模块imgproc（二）；
第6章 可视化模块highgui；
第7章 视频处理模块videoio；
第8章 视频分析模块video；
第9章 照片处理模块photo；
第10章 2D特征模块features2d；
第11章 相机标定与三维重建模块calib3d；
第12章 传统目标检测模块objdetect；
第13章 机器学习模块ml；
第14章 深度神经网络模块dnn

欢迎关注图书《深度学习计算机视觉实战》与《学习OpenCV4：基于Python的算法实战》。

图像滤波，也称为图像平滑或图像模糊，是为了减少噪声和伪影的一种图像处理操作。根据原始图像与核函数计算方式的不同分为线性滤波和非线性滤波。

线性滤波包括方框滤波、均值滤波和高斯滤波，是通过线性运算得到目标图像。

非线性滤波包括中值滤波和双边滤波，中值滤波选取kernel区域中的中值作为瞄点处的值，双边滤波是一种联合滤波方式，具体的原理读者可以自行查阅资料。

4.6.1 案例39：方框滤波

方框滤波的滤波器是矩形的，滤波器中所有的元素值均相等。OpenCV中提供了方框滤波函数boxFilter，函数定义如下：

dst = boxFilter(src, ddepth, ksize, dst=None, anchor=None, normalize=None, borderType=None)

参数说明如下：

u src，输入图像；

u ddepth，处理后的目标图像的深度，若为-1，则深度与源图像深度一样；

u ksize，滤波运算的核尺寸；

u dst，输出图像（返回值）；

u anchor，瞄点；

u normalize，核是否需要被归一化处理；

u borderType，边界模式，由BorderTypes定义（见3.4.5节）。

为了便于对比滤波效果，本案例将图4.9中的图像添加了椒盐噪声，添加噪声之后的图像如图4.17所示。

图4.17

方框滤波的案例代码如下：

import cv2

#读取图像
src = cv2.imread("noise.jpg")
#方框滤波
box_img = cv2.boxFilter(src, -1, (3,3))
#图像显示
cv2.imshow("box_img", box_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

方框滤波的结果如图4.18所示。

图4.18

4.6.2 案例40：均值滤波

均值滤波是方框滤波的特殊形式，均值滤波中输出图像的深度和输入图像的一致，而方框滤波可以以归一化的形式调用（如3×3的滤波器，归一化调用方式中滤波器每个元素值为1/9，非归一化调用中每个元素值为1），且输出图像深度可以控制。OpenCV中提供了均值滤波函数blur，函数定义如下：

dst = blur(src, ksize, dst=None, anchor=None, borderType=None)

参数说明如下：

u src，输入图像；

u ksize，滤波运算的核尺寸；

u dst，输出图像（返回值）；

u anchor，瞄点；

u borderType，边界模式，由BorderTypes定义（见3.4.5节）。

均值滤波的案例代码如下：

import cv2

#读取图像
src = cv2.imread("src.jpg")
#均值滤波
blur_img = cv2.blur(src, (3,3))
#图像显示
cv2.imshow("blur_img", blur_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

本案例使用的输入图像如图4.17所示，均值滤波的结果如图4.19所示。

图4.19

4.6.3 案例41：高斯滤波

高斯滤波是最有用的一种滤波方式，OpenCV中为3×3、5×5、7×7三种常见的高斯核提供了性能上的优化。OpenCV中提供了高斯滤波函数GaussianBlur，函数定义如下：

dst = GaussianBlur(src, ksize, sigmaX, dst=None, sigmaY=None, borderType=None)

参数说明如下：

u src，输入图像；

u ksize，滤波运算的核尺寸；

u sigmaX，高斯核在X方向上的sigma值；

u dst，输出图像（返回值）；

u sigmaY，高斯核在Y方向上的sigma值；

u borderType，边界模式，由BorderTypes定义（见3.4.5节）。

高斯滤波的案例代码如下：

import cv2

#读取图像
src = cv2.imread("src.jpg")
#高斯滤波
gaussian_img = cv2.GaussianBlur(src, (3,3), 0.8)
#图像显示
cv2.imshow("gaussian_img", gaussian_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

本案例使用的输入图像如图4.17所示，高斯滤波的结果如图4.20所示。

图4.20

4.6.4 案例42：双边滤波

高斯滤波可以较好的减弱噪声并且保留小信号，但是对于边缘信息损失比较严重，而双边滤波则能较好的保留边缘信息。OpenCV中提供了双边滤波函数bilateralFilter，函数定义如下：

dst = bilateralFilter(src, d, sigmaColor, sigmaSpace, dst=None, borderType=None)

参数说明如下：

u src，输入图像；

u d，滤波过程中每个像素邻域的直径范围；

u sigmaColor，颜色空间滤波器的sigma值；

u sigmaSpace，坐标空间中滤波器的sigma值；

u dst，输出图像（返回值）；

u borderType，边界模式，由BorderTypes定义（见3.4.5节）。

双边滤波的案例代码如下：

import cv2

#读取图像
src = cv2.imread("noise.jpg")
#双边滤波
bilateral_img = cv2.bilateralFilter(src, 0, 50, 50)
#图像显示
cv2.imshow("bilateral_img", bilateral_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

本案例使用的输入图像如图4.17所示，双边滤波的结果如图4.21所示。

图4.21

4.6.5 案例43：中值滤波

中值滤波是将每个像素替换为核覆盖范围内的中值像素，对于消除像素异常值有显著的效果。OpenCV中提供了中值滤波函数medianBlur，函数定义如下：

dst = medianBlur(src, ksize, dst=None)

参数说明如下：

u src，输入图像；

u ksize，滤波核大小；

u dst，输出图像（返回值）。

中值滤波的案例代码如下：

import cv2

#读取图像
src = cv2.imread("noise.jpg")
#中值滤波，ksize=3
median_img = cv2.medianBlur(src, 3)
#图像显示
cv2.imshow("median_img", median_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

本案例使用的输入图像如图4.17所示，中值滤波的结果如图4.22所示。

图4.22