图像平滑（滤波）处理
这里先介绍一下图像的一些问题
每一幅图像都包含某种程度的噪声，噪声可以理解为由一种或者多种原因造成的灰度值的随机变化，如由光子通量的随机性造成的噪声等等。
而图像平滑技术或者是图像滤波技术就是用来处理图像上的噪声，其中，能够具备边缘保持作用的图像平滑处理，成为了大家关注的重点。
本文会介绍 OpenCV 中提供的图像平滑的 4 个算法：
- 均值滤波
- 方框滤波
- 高斯滤波
- 中值滤波
先给之前的小姐姐做一个噪声处理吧
代码如下：
import numpy as np
# 读取图片
img = cv.imread("data.jpg", cv.IMREAD_UNCHANGED)
rows, cols, chn = img.shape
# 加噪声
for i in range(5000):
x = np.random.randint(0, rows)
y = np.random.randint(0, cols)
img[x, y, :] = 255
cv.imshow("noise", img)
# 图像保存
cv.imwrite("maliao_noise.jpg", img)
# 等待显示
cv.waitKey()
cv.destroyAllWindows()
在这里随机将一些像素值改问255，白色
2D图像卷积
在介绍滤波之前先简单介绍下 2D 图像卷积，图像卷积其实就是图像过滤。
图像过滤的时候可以使用各种低通滤波器（ LPF ），高通滤波器（ HPF ）等对图像进行过滤。
低通滤波器（ LPF ）有助于消除噪声，但是会使图像模糊。
高通滤波器（ HPF ）有助于在图像中找到边缘。
OpenCV 为我们提供了一个函数 filter2D() 来将内核与图像进行卷积。
我们尝试对图像进行平均滤波， 5 x 5 平均滤波器内核如下：
具体操作如下：
我们保持这个内核在一个像素上，将所有低于这个内核的 25 个像素相加，取其平均值，然后用新的平均值替换中心像素。它将对图像中的所有像素继续此操作，完整的示例代码如下：
import numpy as npimport cv2 as cv
from matplotlib import pyplot as plt
# 读取图片
img = cv.imread("data.jpg", cv.IMREAD_UNCHANGED)
rgb_img = cv.cvtColor(img, cv.COLOR_BGR2RGB)
kernel = np.ones((5,5),np.float32)/25
dst = cv.filter2D(rgb_img, -1, kernel)
titles = ['Source Image', 'filter2D Image']
images = [rgb_img, dst]
for i in range(2):
plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')
plt.title(titles[i])
plt.xticks([]), plt.yticks([])
plt.show()
均值滤波
均值滤波是指任意一点的像素值，都是周围 N * M 个像素值的均值。
其实均值滤波和上面的那个图像卷积的示例，做了同样的事情，我只是用 filter2D() 这个方法手动完成了均值滤波，实际上 OpenCV 为我们提供了专门的均值滤波的方法，前面图像卷积没有看明白的同学，可以再一遍均值滤波，我尽量把这个事情整的明白的。
还是来画个图吧：
中间那个红色的方框里面的值，是周围 25 个格子区域中的像素的和去除以 25 ，这个公式是下面这样的：
上面这个 5 * 5 的矩阵称为核，针对原始图像内的像素点，采用核进行处理，得到结果图像。
这个核我们可以自定义大小，比如 5 * 5 ，3 * 3 ， 10 * 10 等等，具体定义多大完全看疗效。
OpenCV 为我提供了 blur() 方法用作实现均值滤波，原函数如下：
def blur(src, ksize, dst=None, anchor=None, borderType=None)- kSize:内核参数，其实就是图片进行卷积的时候相乘的那个矩阵，具体的卷积是如何算的，网上有很多，我这里就不介绍了，所得到的图像是模糊的，而且图像其实是按照原来的比例缺少了（原图像-内核参数+1)^2个单元格。
- anchor: Point 类型，即锚点，有默认值 Point(-1, -1) ，当坐标为负值，就表示取核的中心。
- borderType: Int 类型，用于推断图像外部像素的某种边界模式，有默认值 BORDER_DEFAULT 。
接下来是均值滤波的示例代码：
import cv2 as cvimport matplotlib.pyplot as plt
# 读取图片
img = cv.imread("data.jpg", cv.IMREAD_UNCHANGED)
rgb_img = cv.cvtColor(img, cv.COLOR_BGR2RGB)
# 均值滤波
blur_img = cv.blur(rgb_img, (3, 3))
# blur_img = cv.blur(img, (5, 5))
# blur_img = cv.blur(img, (10, 10))
# blur_img = cv.blur(img, (20, 20))
titles = ['Source Image', 'Blur Image']
images = [rgb_img, blur_img]
for i in range(2):
plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')
plt.title(titles[i])
plt.xticks([]), plt.yticks([])
plt.show()
这个降噪的效果好像没有前面 2D 卷积的那个降噪效果好，但是图像更为清晰，因为我在这个示例中使用了更小的核 3 3 的核，顺便我也试了下大核，比如代码中注释掉的 10 10 的核或者 20 * 20 的核，实时证明，核越大降噪效果越好，但是相反的是图像会越模糊。
方框滤波
方框滤波和均值滤波核基本一致，其中的区别是需不需要进行归一化处理。
什么是归一化处理等下再说，我们先看方框滤波的原函数：
def boxFilter(src, ddepth, ksize, dst=None, anchor=None, normalize=None, borderType=None)- src: 原始图像。
- ddepth: Int 类型，目标图像深度，通常用 -1 表示与原始图像一致。 kSize: 内核参数。
- dst:输出与 src 大小和类型相同的图像。
- anchor: Point 类型，即锚点，有默认值 Point(-1, -1) 。
- normalize: Int 类型，表示是否对目标图像进行归一化处理。
当 normalize 为 true 时，需要执行均值化处理。
当 normalize 为 false 时，不进行均值化处理，实际上是求周围各像素的和，很容易发生溢出，溢出时均为白色，对应像素值为 255 。
完整示例代码如下：
import cv2 as cvimport matplotlib.pyplot as plt
# 读取图片
img = cv.imread('data.jpg')
source = cv.cvtColor(img, cv.COLOR_BGR2RGB)
# 方框滤波
result = cv.boxFilter(source, -1, (5, 5), normalize = 1)
# 显示图形
titles = ['Source Image', 'BoxFilter Image']
images = [source, result]
for i in range(2):
plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')
plt.title(titles[i])
plt.xticks([]), plt.yticks([])
plt.show()
高斯滤波
为了克服简单局部平均法的弊端(图像模糊)，目前已提出许多保持边缘、细节的局部平滑算法。它们的出发点都集中在如何选择邻域的大小、形状和方向、参数加平均及邻域各店的权重系数等。
在高斯滤波的方法中，实际上是把卷积核换成了高斯核，那么什么是高斯核呢？
简单来讲就是方框还是那个方框，原来每个方框里面的权是相等的，大家最后取平均，现在变成了高斯分布的，方框中心的那个权值最大，其余方框根据距离中心元素的距离递减，构成一个高斯小山包，这样取到的值就变成了加权平均。
下图是所示的是 3 3 和 5 5 领域的高斯核。
高斯滤波是在 OpenCV 中是由 GaussianBlur() 方法进行实现的，它的原函数如下：
- sigmaX: 表示 X 方向方差。
这里需要注意的是 ksize 核大小，在高斯核当中，核 （N, N） 必须是奇数， X 方向方差主要控制权重。
完整的示例代码如下
import cv2 as cvimport matplotlib.pyplot as plt
# 读取图片
img = cv.imread('data.jpg')
source = cv.cvtColor(img, cv.COLOR_BGR2RGB)
# 方框滤波
result = cv.GaussianBlur(source, (3, 3), 0)
# 显示图形
titles = ['Source Image', 'GaussianBlur Image']
images = [source, result]
for i in range(2):
plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')
plt.title(titles[i])
plt.xticks([]), plt.yticks([])
plt.show()
中值滤波
在使用邻域平均法去噪的同时也使得边界变得模糊。
而中值滤波是非线性的图像处理方法，在去噪的同时可以兼顾到边界信息的保留。
中值滤波具体的做法是选一个含有奇数点的窗口 W ，将这个窗口在图像上扫描，把窗口中所含的像素点按灰度级的升或降序排列，取位于中间的灰度值来代替该点的灰度值。
下图是一个一维的窗口的滤波过程：
在 OpenCV 中，主要是通过调用 medianBlur() 来实现中值滤波，它的原函数如下：
示例代码如下：
import cv2 as cvimport matplotlib.pyplot as plt
# 读取图片
img = cv.imread('data.jpg')
source = cv.cvtColor(img, cv.COLOR_BGR2RGB)
# 方框滤波
result = cv.medianBlur(source, 3)
# 显示图形
titles = ['Source Image', 'medianBlur Image']
images = [source, result]
for i in range(2):
plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')
plt.title(titles[i])
plt.xticks([]), plt.yticks([])
plt.show()
可以明显看到，目前中值滤波是对原图像降噪后还原度最高的，常用的中值滤波的图形除了可以使用方框，还有十字形、圆形和环形，不同形状的窗口产生不同的滤波效果。