OpenCV图像滤波算法总结（Python）

参考博客：https://www.cnblogs.com/FHC1994/p/9097231.html
https://blog.csdn.net/wsp_1138886114/article/details/82872838#11__7
https://blog.csdn.net/wangleixian/article/details/78237597
https://www.zhihu.com/question/54918332/answer/142137732

一.图像的滤波处理

**过滤 ：**是信号和图像处理中基本的任务。其目的是根据应用环境的不同，选择性的提取图像中某些认为是重要的信息。过滤可以移除图像中的噪音、提取感兴趣的可视特征、允许图像重采样等等。
**频域分析 ：**将图像分成从低频到高频的不同部分。低频对应图像强度变化小的区域，而高频是图像强度变化非常大的区域。在频率分析领域的框架中，滤波器是一个用来增强图像中某个波段或频率并阻塞（或降低）其他频率波段的操作。低通滤波器是消除图像中高频部分，但保留低频部分。高通滤波器消除低频部分。

• 滤波(高通、低通、带通、带阻) 、模糊、去噪、平滑等。

1、均值模糊（低通滤波）、中值模糊（中值滤波）、用户自定义模糊

import cv2
import numpy as np


def blur_demo(image):
    """
    均值模糊 : 去随机噪声有很好的去噪效果
    (1, 15）是垂直方向模糊，（15， 1）是水平方向模糊
    """
    dst = cv2.blur(image, (1, 15))
    cv2.imshow("avg_blur_demo", dst)


def median_blur_demo(image):    # 中值模糊  对椒盐噪声有很好的去燥效果
    dst = cv2.medianBlur(image, 5)
    cv2.imshow("median_blur_demo", dst)


def custom_blur_demo(image):
    """
    用户自定义模糊
    下面除以25是防止数值溢出
    """
    kernel = np.ones([5, 5], np.float32)/25
    dst = cv2.filter2D(image, -1, kernel)
    cv2.imshow("custom_blur_demo", dst)


src = cv2.imread("C:\\Users\\Tony.Hsu\\Desktop\\cat.jpg")
img = cv2.resize(src, None, fx=0.8, fy=0.8, interpolation=cv2.INTER_CUBIC)
cv2.imshow('input_image', img)

blur_demo(img)
median_blur_demo(img)
custom_blur_demo(img)

cv2.waitKey(0)
cv2.destroyAllWindows()

结果如下：

注意：

1. 均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素（以目标像素为中心的周围8个像素，构成一个滤波模板，即去掉目标像素本身），再用模板中的全体像素的平均值来代替原来像素值。
   低通滤波（均值模糊）函数原型：blur(src, ksize[, dst[, anchor[, borderType]]]) -> dst
   src参数表示待处理的输入图像。
   ksize参数表示模糊内核大小。比如(1,15)表示生成的模糊内核是一个1*15的矩阵。
   dst参数表示输出与src相同大小和类型的图像。
   anchor参数、borderType参数可忽略.
2. 中值滤波法是一种非线性平滑技术，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值。具体原理参见博客：https://blog.csdn.net/weixin_37720172/article/details/72627543
   中值滤波（中值模糊）函数原型：medianBlur(src, ksize[, dst]) -> dst
   src参数表示待处理的输入图像。
   ksize参数表示滤波窗口尺寸，必须是奇数并且大于1。比如这里是5，中值滤波器就会使用5×5的范围来计算，即对像素的中心值及其5×5邻域组成了一个数值集，对其进行处理计算，当前像素被其中值替换掉。
   dst参数表示输出与src相同大小和类型的图像。
3. 用户自定义模糊------所用函数：filter2D()
   函数原型： filter2D(src, ddepth, kernel[, dst[, anchor[, delta[, borderType]]]]) -> dst
   src参数表示待处理的输入图像。
   ddepth参数表示目标图像深度，输入值为-1时，目标图像和原图像深度保持一致
   kernel: 卷积核（或者是相关核）,一个单通道浮点型矩阵。修改kernel矩阵即可实现不同的模糊

2.高斯模糊/滤波------去噪效果好

# 高斯模糊    轮廓还在，保留图像的主要特征  高斯模糊比均值模糊去噪效果好
import cv2
import numpy as np


def clamp(pv):
    """防止颜色值超出颜色取值范围（0-255）"""
    if pv > 255:
        return 255
    if pv < 0:
        return 0
    else:
        return pv


def gaussian_noise(image):        # 加高斯噪声
    h, w, c = image.shape
    for row in range(h):
        for col in range(w):
            # 获取三个高斯随机数
            # 第一个参数：概率分布的均值，对应着整个分布的中心
            # 第二个参数：概率分布的标准差，对应于分布的宽度
            # 第三个参数：生成高斯随机数数量
            s = np.random.normal(0, 20, 3)
            # 获取每个像素点的bgr值
            b = image[row, col, 0]   # blue
            g = image[row, col, 1]   # green
            r = image[row, col, 2]   # red
            # 给每个像素值设置新的bgr值
            image[row, col, 0] = clamp(b + s[0])
            image[row, col, 1] = clamp(g + s[1])
            image[row, col, 2] = clamp(r + s[2])
    cv2.namedWindow("noise image", cv2.WINDOW_NORMAL)
    cv2.imshow("noise image", image)
    dst = cv2.GaussianBlur(image, (15, 15), 0)  # 高斯模糊
    cv2.namedWindow("Gaussian", cv2.WINDOW_NORMAL)
    cv2.imshow("Gaussian", dst)


# 读入图片
src = cv2.imread('C:\\Users\\Tony.Hsu\\Desktop\\cat.jpg')
cv2.namedWindow("input_image", cv2.WINDOW_NORMAL)
cv2.imshow('input_image', src)

gaussian_noise(src)
# 给图片创建毛玻璃特效
# 第二个参数：高斯核的宽和高（建议是奇数）
# 第三个参数：x和y轴的标准差
dst = cv2.GaussianBlur(src, (15, 15), 0)   # 高斯模糊
cv2.namedWindow("Gaussian Blur", cv2.WINDOW_NORMAL)
cv2.imshow("Gaussian Blur", dst)

结果如下：

注意：
1.高斯模糊实质上就是一种均值模糊，只是高斯模糊是按照加权平均的，距离越近的点权重越大，距离越远的点权重越小。通俗的讲，高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。
2. 高斯模糊GaussianBlur函数原型：GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]]) -> dst
src参数表示待处理的输入图像。
ksize参数表示高斯滤波器模板大小。 ksize.width和ksize.height可以不同，但它们都必须是正数和奇数。或者，它们可以是零，即（0, 0），然后从σ计算出来。
sigmaX参数表示 X方向上的高斯内核标准差。
sigmaY参数表示 Y方向上的高斯内核标准差。 如果sigmaY为零，则设置为等于sigmaX，如果两个sigma均为零，则分别从ksize.width和ksize.height计算得到。
　　补：若ksize不为(0, 0)，则按照ksize计算，后面的sigmaX没有意义。若ksize为(0, 0)，则根据后面的sigmaX计算ksize
3.numpy包里的random模块用于生成随机数，random模块里的normal函数表示的是生成高斯随机数。
normal函数默认原型：normal(loc=0.0, scale=1.0, size=None)。
loc参数表示高斯分布的中心点。
scale参数表示高斯分布的标准差σ。
size参数表示产生随机数的个数。size取值可以为（m，n，k），表示绘制mnk个样本。
4.高斯模糊具体原理见博文：https://blog.csdn.net/u012992171/article/details/51023768

3.边缘保留滤波EPF

"""
    bilateralFilter(src, d, sigmaColor, sigmaSpace[, dst[, borderType]]) -> dst
    - src: 输入图像。
    - d:   在过滤期间使用的每个像素邻域的直径。如果输入d非0，则sigmaSpace由d计算得出，如果sigmaColor没输入，则sigmaColor由sigmaSpace计算得出。
    - sigmaColor: 色彩空间的标准方差，一般尽可能大。
    较大的参数值意味着像素邻域内较远的颜色会混合在一起，
    从而产生更大面积的半相等颜色。
    - sigmaSpace: 坐标空间的标准方差(像素单位)，一般尽可能小。
    参数值越大意味着只要它们的颜色足够接近，越远的像素都会相互影响。
    当d > 0时，它指定邻域大小而不考虑sigmaSpace。
      否则，d与sigmaSpace成正比。
"""

# 边缘保留滤波（EPF）  高斯双边、均值迁移
import cv2


def bi_demo(image):   # 双边滤波
    dst = cv2.bilateralFilter(image, 0, 100, 15)
    cv2.namedWindow("bi_demo", cv2.WINDOW_NORMAL)
    cv2.imshow("bi_demo", dst)


def shift_demo(image):   # 均值迁移
    dst = cv2.pyrMeanShiftFiltering(image, 10, 50)
    cv2.namedWindow("shift_demo", cv2.WINDOW_NORMAL)
    cv2.imshow("shift_demo", dst)


src = cv2.imread('C:\\Users\\Tony.Hsu\\Desktop\\cat.jpg')
cv2.namedWindow('input_image', cv2.WINDOW_NORMAL)
cv2.imshow('input_image', src)

bi_demo(src)
shift_demo(src)

cv2.waitKey(0)
cv2.destroyAllWindows()

结果如下：

注意：
1.双边滤波（Bilateral filter）是一种非线性的滤波方法，是结合图像的空间邻近度和像素值相似度的一种折中处理，同时考虑空域信息和灰度相似性，达到保边去噪的目的。双边滤波器顾名思义比高斯滤波多了一个高斯方差sigma－d，它是基于空间分布的高斯滤波函数，所以在边缘附近，离的较远的像素不会太多影响到边缘上的像素值，这样就保证了边缘附近像素值的保存。但是由于保存了过多的高频信息，对于彩色图像里的高频噪声，双边滤波器不能够干净的滤掉，只能够对于低频信息进行较好的滤波
2.双边滤波函数原型：bilateralFilter(src, d, sigmaColor, sigmaSpace[, dst[, borderType]]) -> dst
src参数表示待处理的输入图像。
d参数表示在过滤期间使用的每个像素邻域的直径。如果输入d非0，则sigmaSpace由d计算得出，如果sigmaColor没输入，则sigmaColor由sigmaSpace计算得出。
sigmaColor参数表示色彩空间的标准方差，一般尽可能大。较大的参数值意味着像素邻域内较远的颜色会混合在一起，从而产生更大面积的半相等颜色。
sigmaSpace参数表示坐标空间的标准方差(像素单位)，一般尽可能小。参数值越大意味着只要它们的颜色足够接近，越远的像素都会相互影响。当d > 0时，它指定邻域大小而不考虑sigmaSpace。 否则，d与sigmaSpace成正比。
双边滤波原理：
https://blog.csdn.net/edogawachia/article/details/78837988，https://blog.csdn.net/MoFMan/article/details/77482794 ，https://www.cnblogs.com/qiqibaby/p/5296681.html
3.均值漂移pyrMeanShiftFiltering函数原型：pyrMeanShiftFiltering(src, sp, sr[, dst[, maxLevel[, termcrit]]]) -> dst
src参数表示输入图像，8位，三通道图像。
sp参数表示漂移物理空间半径大小。
sr参数表示漂移色彩空间半径大小。
dst参数表示和源图象相同大小、相同格式的输出图象。
maxLevel参数表示金字塔的最大层数。
termcrit参数表示漂移迭代终止条件。
均值漂移原理：
https://blog.csdn.net/dcrmg/article/details/52705087
https://blog.csdn.net/qq_23968185/article/details/51804574
https://blog.csdn.net/jinshengtao/article/details/30258833

四.高通过滤/滤波（边缘检测/高反差保留）

使用的函数有：cv2.Sobel() , cv2.Schar() , cv2.Laplacian()
Sobel,scharr其实是求一阶或者二阶导数。scharr是对Sobel的优化。
Laplacian是求二阶导数。

"""
dst = cv2.Sobel(src, ddepth, dx, dy[, dst[, ksize[, scale[, delta[, borderType]]]]])
src:    需要处理的图像；
ddepth: 图像的深度，-1表示采用的是与原图像相同的深度。 
        目标图像的深度必须大于等于原图像的深度；
dx和dy: 求导的阶数，0表示这个方向上没有求导，一般为0、1、2。

dst     不用解释了；
ksize： Sobel算子的大小，必须为1、3、5、7。  ksize=-1时，会用3x3的Scharr滤波器，
        它的效果要比3x3的Sobel滤波器要好 
scale： 是缩放导数的比例常数，默认没有伸缩系数；
delta： 是一个可选的增量，将会加到最终的dst中， 默认情况下没有额外的值加到dst中
borderType： 是判断图像边界的模式。这个参数默认值为cv2.BORDER_DEFAULT。

"""

import cv2

img = cv2.imread('C:\\Users\\Tony.Hsu\\Desktop\\cat.jpg', cv2.IMREAD_COLOR)
x = cv2.Sobel(img, cv2.CV_16S, 1, 0)
y = cv2.Sobel(img, cv2.CV_16S, 0, 1)

absx = cv2.convertScaleAbs(x)
absy = cv2.convertScaleAbs(y)
dist = cv2.addWeighted(absx, 0.5, absy, 0.5, 0)

cv2.imshow('original_img', img)
cv2.imshow('y', absy)
cv2.imshow('x', absx)
cv2.imshow('dsit', dist)

cv2.waitKey(0)
cv2.destroyAllWindows()

结果如下：

import cv2

img = cv2.imread('C:\\Users\\Tony.Hsu\\Desktop\\cat.jpg', cv2.IMREAD_COLOR)

laplace = cv2.Laplacian(img, cv2.CV_16S, ksize=3)

laplacian = cv2.convertScaleAbs(laplace)

cv2.imshow('laplacian', laplacian)

cv2.waitKey(0)

cv2.destroyAllWindows()

结果如下：

注意：
1.Sobel算子依然是一种过滤器，只是其是带有方向的。在OpenCV-Python中，使用Sobel的算子的函数原型如下：
dst = cv2.Sobel(src,ddepth,dx,dy[, dst[, ksize[, scale[, delta[, borderType]]]]])
函数返回其处理结果。
前四个是必须的参数：
第一个参数是需要处理的图像；
第二个参数是图像的深度，-1表示采用的是与原图像相同的深度。目标图像的深度必须大于等于原图像的深度；
dx和dy表示的是求导的阶数，0表示这个方向上没有求导，一般为0、1、2。
其后是可选的参数：
dst不用解释了；ksize是Sobel算子的大小，必须为1、3、5、7。 ksize=-1时，会用3x3的Scharr滤波器，它的效果要比3x3的Sobel滤波器要好；
scale是缩放导数的比例常数，默认情况下没有伸缩系数；
delta是一个可选的增量，将会加到最终的dst中，同样，默认情况下没有额外的值加到dst中；
borderType是判断图像边界的模式。这个参数默认值为cv2.BORDER_DEFAULT。
2.在Sobel函数的第二个参数这里使用了cv2.CV_16S.因为OpenCV文档中对Sobel算子的介绍中有这么一句：“in the case of 8-bit input images it will result in truncated derivatives".即Sobel建立的图像位数不够，会有截断。因此要使用16位有符号的数据类型，即cv2.CV_16S.在经过处理后，别忘了用convertScaleAbs（）函数将其转回原来的uint8形式。否则将无法显示图像，而只是一个黑色窗口。
convertScaleAbs（）的原型位——dst = cv2.convertScaleAbs(src[, dst[, alpha[, beta]]]），其中可选参数alpha是伸缩系数，beta是加到结果上的一个值。结果返回uint8类型的图片。
3.Laplace算子的函数原型如下： dst = cv2.Laplacian(src, ddepth[, dst[, ksize[, scale[, delta[, borderType]]]]])——前两个是必须的参数：第一个参数是需要处理的图像，第二个参数是图像的深度，-1表示采用的是与原图相同的深度。目标图像的深度必须大于等于原图的深度。
dst不用解释了；ksize是Sobel算子的大小，必须为1、3、5、7。 ksize=-1时，会用3x3的Scharr滤波器，它的效果要比3x3的Sobel滤波器要好；
scale是缩放导数的比例常数，默认情况下没有伸缩系数；
delta是一个可选的增量，将会加到最终的dst中，同样，默认情况下没有额外的值加到dst中；
borderType是判断图像边界的模式。这个参数默认值为cv2.BORDER_DEFAULT。

4.opencv官方文档：
https://opencv-python-tutroals.readthedocs.io/en/latest/py_tutorials/py_imgproc/py_filtering/py_filtering.html?highlight=filter