【python + opencv图像处理二】图像滤波（去噪平滑模糊等）

平滑也称模糊, 是一项简单且使用频率很高的图像处理方法。平滑处理的用途有很多，但是在本教程中我们仅仅关注它减少噪声的功用。从滤波角度来讲，一般主要的目的都是为了实现对图像噪声的消除，增强图像的效果。

均值滤波

最简单的滤波器，输出像素值是核窗口内像素值的均值

均值模糊函数blur()
blur(src, ksize, dst=None, anchor=None, borderType=None)。
定义是有5个参数，但最后三个均为none
src：要处理的原图像，ksize: 周围关联的像素的范围。

代码：

def blur_demo(image):   # 均值模糊
    dst = cv.blur(image,(3,3))  # ksize是卷积核大小3行3列,列数越大模糊越大
    cv.imshow("blur_demo",dst)

中值滤波

中值滤波模板就是用卷积框中像素的中值代替中心值，达到去噪声的目的。这个模板一般用于去除椒盐噪声。中值滤波对于这些白点噪声的去除是非常的好的。

前面的滤波器都是用计算得到的一个新值来取代中心像素的值，而中值滤波是用中心像素周围（也可以使他本身）的值来取代他，卷积核的大小也是个奇数。

中值模糊函数medianBlur():
medianBlur(src, ksize, dst=None)。
ksize与blur()函数不同，不是矩阵，而是一个数字，例如为5，就表示了5*5方阵

代码：

def median_blur_demo(image):   # 中值模糊,对于椒盐噪声的去噪效果好，去掉图片中的一些黑点等
    dst = cv.medianBlur(image,5)  # ksize是卷积核大小1行3列,列数越大模糊越大
    cv.imshow("median_blur_demo",dst)

高斯滤波

在这里插入图片描述
代码：

def Gaussian_demo(image):
    dst = cv.GaussianBlur(image, (5, 5), 15)
    cv.imshow("GaussianBlur", dst)

方框滤波

在这里插入图片描述

def box_demo(image):
    dst = cv.boxFilter(image,-1,(5,5),normalize=1)
    cv.imshow("box",dst)

双边滤波

定义：bilateralFilter(src, d, sigmaColor, sigmaSpace, dst=None, borderType=None)
d：邻域直径
sigmaColor：颜色标准差
sigmaSpace：空间标准差

def shuangbian(image):
    src2 = cv.bilateralFilter(image, 25, 50, 25 / 2)
    cv.imshow("shuangbian", src2)

椒盐噪声结果1：

原图（加了椒盐噪声之后）
（加噪可参考https://blog.csdn.net/poppyty/article/details/118410338?spm=1001.2014.3001.5501）
在这里插入图片描述
均值滤波后：

中值滤波后：

高斯滤波后：

方框滤波后：
在这里插入图片描述
双边滤波：

高斯噪声结果2:

原图（加了高斯噪声后）：
（加噪可参考https://blog.csdn.net/poppyty/article/details/118410338?spm=1001.2014.3001.5501）
在这里插入图片描述

均值滤波后：
在这里插入图片描述

中值滤波后：
在这里插入图片描述

高斯滤波后：
在这里插入图片描述

方框滤波后：
在这里插入图片描述

双边滤波后：
在这里插入图片描述