使用Python，OpenCV进行平滑和模糊
这篇博客将介绍如何使用OpenCV对图片进行平滑和模糊操作。
具体包括：
- 简单平均模糊（cv2.blur)
- 加权高斯模糊（cv2.GaussianBlur）
- 中值滤波（cv2.medianBlur）
- 双边滤波（cv2.bilateralFilter）
平滑和模糊是计算机视觉和图像处理中最常见的预处理步骤之一。
模糊是当相机拍摄的照片失去焦点时发生的事情。图像中更清晰的区域会丢失其细节。模糊意味着图像中的每个像素与其周围的像素强度混合。邻居中的一个“混合”像素成为模糊像素。
平滑能够减少高频内容，帮助忽略图像中较小的细节，而留下更多图像结果的内容。首先对图像平滑或模糊后，会使得阈值化、边缘检测能取得更好的效果。
1. 效果图
简单均值模糊——原始图 VS 3 * 3 VS 9 * 9 VS 15 * 15 效果图如下：
M * N（均为奇数）的内核取平均值作为中心像素的值，可以看到随着内核的增加，图像越来越模糊~
高斯模糊——原始图 VS 3 * 3 VS 9 * 9 VS 15 * 15 效果图如下：
M*N（均为奇数）的内核，不是简单的取平均值，而是取加权平均值。可以看到随着内核的增大，图像也会变得模糊，但能保存更多的图像边缘。
中值模糊——原始图 VS 3 * 3 VS 9 * 9 VS 15 * 15 效果图如下：
M * M（奇数，正方形）的内核，不取均值，也不取加权平均值，而是取邻域像素的中位数值，可以看到中值模糊不像高斯平滑那样的“自然模糊”，丢失了更多的细节和噪声。
模糊方法的目的是减少图像中的噪声和细节；然而，缺点是往往会失去图像的边缘。为了在保持边缘的同时减少噪声，可以使用双边模糊。双边模糊通过引入两个高斯分布来实现。
双边模糊——原始图 VS sc=21 VS sc=41 VS sc=61 效果图如下：
可以看到既模糊了图像，又极大的保持了边缘。
2. 原理
2.1 依赖库及安装
pip install opencv-contrib-python
2.2 简单平均模糊
平均值过滤器：采用M* N（均为奇数）的标准化滤波器对图像进行卷积，取一个中心像素周围的像素区域，将所有这些像素平均在一起，并用平均值替换中心像素。
对于输入图像中的每个像素，这个内核将从左到右，从上到下滑动。要计算内核中心的像素（必须使用奇数，否则就不会有真正的“中心”）被设置为它周围所有其他像素的平均值。
- 随着内核大小的增加，图像的模糊程度也会随之增加。简单地说：平滑内核越大，图像看起来就越模糊。 这很容易导致图像中对象的重要结构边缘的丢失。
- 虽然平均平滑很容易理解，但它也会平均加权核心区域内的每个像素，这样做很容易使图像过度模糊，错过重要的边缘。可以通过应用高斯模糊来解决这个问题。
2.3 高斯模糊
高斯模糊类似于平均模糊，但使用的不是简单的平均值，而是加权平均值，即更接近中心像素的邻域像素对平均值贡献更多的“权重”。
- 高斯平滑用于去除近似服从高斯分布的噪声。M * N（均为奇数）的内核，取加权平均值，使得能够保持图像中更多的边缘，看起来更“自然模糊。”
-当内核的大小增加时，应用于输出图像的模糊量也会增加。但是，模糊看起来更“自然”，比简单的平均平滑更能保留图像中的边缘。
2.4 中值模糊
**中值模糊方法在去除椒盐噪声时是最有效的。**想象一下拍照，把它放在你的餐桌上，然后在上面撒盐和胡椒。使用中值模糊方法，可以从图像中去除椒盐。
- M * M（均为奇数，正方形的内核），在均值模糊、高斯模糊中，核大小可以是矩形的，而中值模糊的核大小必须是方形的。不同于取平均值，而是用邻域的中值代替中心像素。
- 中值模糊在去除图像中的椒盐噪声方面更有效的原因是，每个中心像素总是被存在于图像中的像素强度所取代。由于中位数对异常值具有鲁棒性，因此椒盐噪声对中位数的影响将小于另一种统计方法，如平均值。
- 平均和高斯等方法计算邻域的平均值或加权平均值-该平均像素强度可能存在于邻域中，也可能不存在于邻域中。但根据定义，中间像素必须存在于邻域中。
- 通过将中心像素替换为中值而不是平均值，可以大大降低噪声。但也会丢失更多的细节。
2.5 双边滤波
双边滤波能很好的弥补尚需三种模糊方法的缺陷，能显著平滑图像的细节和纹理，同时仍然保留边界和边缘。
是通过俩个高斯核实现的。
- diameter：定义像素邻域的直径——直径越大，模糊计算中包含的像素就越多，是一个正方形的内核大小。
- sigmaColor： 颜色标准差——值越大，表示在计算模糊度时，将考虑邻域中的更多颜色。足够大——则只有颜色相似的像素才会对模糊产生显著影响。
- sigmaSpace： 空间标准差——值越大意味着远离中心像素直径的像素将影响模糊计算。
blurred = cv2.bilateralFilter(image, diameter, sigmaColor, sigmaSpace)
3. 源代码
# USAGE
# python blurring.py --image images/flower.jpg
# 对图像执行简单平均模糊、高斯模糊、中值模糊；
# 导入必要的包
import argparse
import cv2
import imutils
# 构建命令行参数及解析
# --image 要执行平滑和模糊操作的图像路径
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", type=str, default="adrian.png",
help="path to input image")
args = vars(ap.parse_args())
# 加载图像，展示它，初始化一个内核list，因此可以评估不同内核大小对模糊的影响
image = cv2.imread(args["image"])
image = imutils.resize(image, width=300)
cv2.imshow("Original", image)
kernelSizes = [(3, 3), (9, 9), (15, 15)]
# 遍历内核
# 可以看到图像随着内核大小的增加而变得模糊。内核越大，图像就会越模糊。
for (kX, kY) in kernelSizes:
# 应用当前内核执行简单平均模糊
# 图像，高斯内核
blurred = cv2.blur(image, (kX, kY))
cv2.imshow("Average ({}, {})".format(kX, kY), blurred)
cv2.waitKey(0)
# 关闭所有窗口，清理屏幕
cv2.destroyAllWindows()
cv2.imshow("Original", image)
# 遍历内核
for (kX, kY) in kernelSizes:
# 对图像应用高斯平滑
# 图像，高斯内核，sigma（标准偏差，0表示根据内核自动计算）
blurred = cv2.GaussianBlur(image, (kX, kY), 0)
cv2.imshow("Gaussian ({}, {})".format(kX, kY), blurred)
cv2.waitKey(0)
# 关闭所有窗口，清理屏幕
cv2.destroyAllWindows()
cv2.imshow("Original", image)
# 遍历内核
for k in (3, 9, 15):
# 应用中值模糊
# 图像，内核
blurred = cv2.medianBlur(image, k)
cv2.imshow("Median {}".format(k), blurred)
cv2.waitKey(0)
# 关闭所有窗口，清理屏幕
cv2.destroyAllWindows()
cv2.imshow("Original", image)
params = [(11, 21, 7), (11, 41, 21), (11, 61, 39)]
# 遍历双边滤波器的直径、颜色标准差、空间标准差
# diameter：定义像素邻域的直径——直径越大，模糊计算中包含的像素就越多，是一个正方形的内核大小。
# sigmaColor： 颜色标准差——值越大，表示在计算模糊度时，将考虑邻域中的更多颜色。足够大——则只有颜色相似的像素才会对模糊产生显著影响。
# sigmaSpace： 空间标准差——值越大意味着远离中心像素直径的像素将影响模糊计算。
for (diameter, sigmaColor, sigmaSpace) in params:
# 应用当前设置参数执行双边滤波
blurred = cv2.bilateralFilter(image, diameter, sigmaColor, sigmaSpace)
# 展示输出图像及关联参数
title = "Blurred d={}, sc={}, ss={}".format(
diameter, sigmaColor, sigmaSpace)
cv2.imshow(title, blurred)
cv2.waitKey(0)
cv2.destroyAllWindows()