OpenCV线性滤波与非线性滤波总结

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 络模块dnn

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相同；

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=3median_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