OpenCV(图像处理)-基于python-滤波器（低通、高通滤波器的使用方法）

1.概念介绍

低通滤波：低通滤波可以去除图像的噪音或平滑图像。
高通滤波：可以帮助查找图像的边缘。
噪音：即对一幅图像的产生负面效果，过暗或过亮的部分，一幅图像中，低于或高于某个像素点的值，都可以认为是噪音。

卷积核：即用来滤波的矩阵，卷积核一般为奇数，如3×3、5×5、7×7等；
锚点：卷积核最中间的坐标点。
卷积核越大，卷积的效果越好，但是计算量随之也会增大。
边界扩充：当卷积核大于1，并且不进行边界扩充，输出尺寸相应缩小、当卷积核一标准方式进行边界扩充，则输出的空间尺寸与输入相等。

下面的为原图像，上面为输出图像，灰色为卷积核，虚线为图像扩充

2. 图像卷积

filter2D()

dst = cv2.filter2D(src, ddepth, kernel, anchor, delta, borderType)
src：原图像
ddepth：输出图像的尺寸，默认为-1
kernel：卷积核（是一个矩阵）
anchor：锚点，默认随卷积核变化
delta：卷积后加一个值，默认为0
borderType：有映射类型，加一个黑边，默认不设置

kernel：是一个矩阵

import cv2
import numpy as np

img = cv2.imread('./image/lena.jpg')

# 创建一个5*5的卷积核
kernel = np.ones((5, 5), np.float32) / 25
img2 = cv2.filter2D(img, -1, kernel)

# 展示图像
cv2.imshow('img', img)
cv2.imshow('img2', img2)

cv2.waitKey(0)

经过图像处理后，看着变模糊了，更平滑了

3. 低通滤波器

filter2D接口需要我们自己定义卷积核，如何设置一个适合的卷积核，也成为了一个难题，为此OpenCV提供了一系列的滤波器，每个滤波器都有自己的专用卷积核，这样d大大减轻了使用人员的负担。

3.1 方盒滤波和均值滤波

boxFilter()

dst = cv2.boxFilter(src, ddepth, ksize , anchor, normalize, borderType)
src：输入图像
ddepth：输出图像的尺寸，默认为-1
kernel：卷积核大小（x, y）
anchor：锚点，默认随卷积核变化
normalize：布尔类型默认为True；True：a为1/W*H(均值滤波)，false：a=1
borderType：有映射类型，加一个黑边，默认不设置

import cv2
import numpy as np

img = cv2.imread('./image/lena.jpg')

# 方盒滤波（当为True时）变成均值滤波，当为False时，就只加和不变化，超过255的结果设置为255
img2 = cv2.boxFilter(img, -1, (5, 5), normalize=True)
img3 = cv2.boxFilter(img, -1, (5, 5), normalize=False)
# 展示图像
cv2.imshow('img', img)
cv2.imshow('img2', img2)
cv2.imshow('img3', img3)

cv2.waitKey(0)

blur()

方盒滤波的参数为True时，就是均值滤波，所以这个API用的不多。
dst = cv2.blur(scr, ksize, anchor, borderType)
scr：源图像
kernel：卷积核大小（x，y）
anchor：锚点
borderType：有映射类型，加一个黑边，默认不设置

3.2 高斯滤波（高斯噪音）

适用于有高斯噪点的图片
dst = cv2.GaussianBlur(img, ksize, sigmaX, sigmaY, …)
img：输入的图像
ksize：卷积核大小
sigmaX：表示高斯核函数在X方向的的标准偏差。
sigmaY：表示高斯核函数在Y方向的的标准偏差。
一般只需要看前三个参数

import cv2
import numpy as np

img = cv2.imread('./image/Gaussian.png')

# 高斯去噪
img2 = cv2.GaussianBlur(img, (3, 3), 0)

# 展示图像
cv2.imshow('img', img)
cv2.imshow('img2', img2)

cv2.waitKey(0)

3.3 中值滤波（胡椒噪音）

对胡椒噪音去噪明显,取中间的值作为卷积结果
dst = cv2.medianBlur(img, ksize)
img：输入图像
ksize：卷积核大小一个数字

import cv2
import numpy as np

img = cv2.imread('./image/median.png')

# 胡椒噪声
img2 = cv2.medianBlur(img, 5)

# 展示图像
cv2.imshow('img', img)
cv2.imshow('img2', img2)

cv2.waitKey(0)

3.4 双边滤波

双边滤波的主要应用场景是视频美颜
cv2.bilateralFilter(img, d, sigmaColor, sigmaSpace, …)
img：输入图像
d：直径，与卷积核中心点的距离，一般取5
sigmaColor：颜色空间滤波器的sigma值。这个参数的值越大，就表明该像素邻域内有更宽广的颜色会被混合到一起，产生较大的半相等颜色区域。
sigmaSpace：sigmaSpace坐标空间中滤波器的sigma值，坐标空间的标注方差。他的数值越大，意味着越远的像素会相互影响，从而使更大的区域足够相似的颜色获取相同的颜色。当d>0，d指定了邻域大小且与sigmaSpace无关。否则，d正比于sigmaSpace。

双边滤波的作用：：图像去噪保边，对相关分析的结果有较大的影响，对于裂缝比较强，噪声比较少的图像来说，可以将去噪的程度放大，对以后的相关分析的结果就会有更少的噪声。对于噪声不是很集中的图像，并有较多细节的图像，增加保边的效果，让相关分析及后续进行进一步的结构处理，去噪。

import cv2
import numpy as np

img = cv2.imread('./image/lena.jpg')


# 双边滤波
img2 = cv2.bilateralFilter(img, 5, 20, 50)

# 展示图像
cv2.imshow('img', img)
cv2.imshow('img2', img2)

cv2.waitKey(0)

4. 高通滤波器

允许高于某个值的通过而阻断低于该值的滤波器。主要是有保留边缘的功能。常见的高通滤波器有Sobel（索贝尔）、Scharr（沙尔）、Laplacian（拉普拉斯）。

4.1Sobel（索贝尔）（高斯）

只能一次在x方向上或者y方向上求导，然后把结果相加。
dst1 = cv2.Sobel(src, ddepth, dx, dy, ksize = 3, scale = 1, delta = 0, borderType = BORDER_DEFAULT )
src：输入原图像
ddepth：位深，默认为-1
dx,dy：只能选择一个方向上要么0、1，要么1、0
ksize：卷积核大小，默认为3，当-1时为沙尔
scale：缩放大小，一般就用默认值
delta：偏移量，一般就用默认值
borderType：边界扩充类型，一般就用默认值

可以改变卷积核大小

import cv2
import numpy as np

img = cv2.imread('./image/lena.jpg')


# 索贝尔
dx = cv2.Sobel(img, -1, 1, 0, ksize=3)
dy = cv2.Sobel(img, -1, 0, 1, ksize=3)

# dst = dx+dy
dst = cv2.add(dx,dy)
# 展示图像
cv2.imshow('img', img)
cv2.imshow('dx', dx)
cv2.imshow('dy', dy)
cv2.imshow('dst', dst)

cv2.waitKey(0)

一幅图的边缘被很好的分割出来。

4.2 Scharr(沙尔)

与Sobel类似，只不过使用的ksize值不同，Scharr不能改变卷积核的大小，只能是3*3的。同样只能求一个方向上的边缘。

cv2.Scharr(src, ddepth, dx, dy, scale = 1, delta = 0, borderType = BORDER_DEFAULT).
src：输入原图像
ddepth：位深，默认为-1
dx,dy：只能选择一个方向上要么0、1，要么1、0
scale：缩放大小，一般就用默认值
delta：偏移量，一般就用默认值
borderType：边界扩充类型，一般就用默认值

import cv2
import numpy as np

img = cv2.imread('./image/lena.jpg')


# # 索贝尔，当ksize=-1时，就是沙尔
# dx = cv2.Sobel(img, -1, 1, 0, ksize=-1)
# dy = cv2.Sobel(img, -1, 0, 1, ksize=-1)

dx = cv2.Scharr(img, -1, 1, 0)
dy = cv2.Scharr(img, -1, 0, 1)

# dst = dx+dy
dst = cv2.add(dx,dy)
# 展示图像
cv2.imshow('img', img)
cv2.imshow('dx', dx)
cv2.imshow('dy', dy)
cv2.imshow('dst', dst)

cv2.waitKey(0)

4.3 Laplacian(拉普拉斯)

Laplacian可以同时求两个方向上的边缘，但是对噪音比较敏感，一般需要先进行去噪再调用Laplacian。

dst = cv2.Laplacian(src, ddepth, ksize = 1 ,scale = 1, borderType = BORDER_DEFAULT)
src：输入原图像
ddepth：位深，默认为-1
ksize：卷积核大小，默认为1
scale：缩放大小，一般就用默认值
delta：偏移量，一般就用默认值
borderType：边界扩充类型，一般就用默认值

卷积核大小为5*5的结果

import cv2
import numpy as np

img = cv2.imread('./image/lena.jpg')


# # 索贝尔，当ksize=-1时，就是沙尔
# dx = cv2.Sobel(img, -1, 1, 0, ksize=-1)
# dy = cv2.Sobel(img, -1, 0, 1, ksize=-1)

# dx = cv2.Scharr(img, -1, 1, 0)
# dy = cv2.Scharr(img, -1, 0, 1)

dst = cv2.Laplacian(img, -1, ksize = 5)

# dst = dx+dy
# dst = cv2.add(dx,dy)
# 展示图像
cv2.imshow('img', img)
# cv2.imshow('dx', dx)
# cv2.imshow('dy', dy)
cv2.imshow('dst', dst)

cv2.waitKey(0)

4.4 Canny

使用5*5高斯滤波消除噪声，可以计算图像的四个方向上的边缘（0，45，90，135），取局部的最大值，多了一个阈值计算。高于阈值我们认为是边缘，低于阈值就不是边缘，显然A为边缘，如果，但是B和C介于最大值最小值之间，BC既不是边缘也是边缘，但是C与A在一条直线上，所以C也是边缘。

dst = cv2.Canny(img, minVal, maxVal)
img：原图像
minVal：最小阈值
maxVal:最大阈值
低于最小阈值就不是边缘，高于最大阈值是边缘。

import cv2
import numpy as np

img = cv2.imread('./image/lena.jpg')


# canny
dst = cv2.Canny(img, 100, 200)

cv2.imshow('img',img)
cv2.imshow('dst',dst)

cv2.waitKey(0)

以上就是关于滤波器的基本介绍，详细信息还需读者去自己学习，大家有问题欢迎在评论区讨论。

代码007普通

打赏 收藏 海报 链接