图像平滑(滤波)

目录

• 滤波理论
• 一、均值滤波
• 二、方框滤波
• 三、高斯滤波
• 四、中值滤波

---

滤波理论

图像滤波，即在尽量保留图像细节特征的条件下 对目标图像的噪声 进行抑制。
是图像预处理中不可缺少的操作，其处理效果的好坏将直接影响到 后续图像处理 和 分析的有效性和可靠性。

消除图像中的噪声成分叫作图像的平滑化或滤波操作。信号或图像的能量大部分集中在幅度谱的低频和中频段是很常见的，而在较高频段，感兴趣的信息经常被噪声淹没。因此一个能降低高频成分幅度的滤波器就能够减弱噪声的影响。

目的

1. 消除图像中混入的噪声；
2. 为图像识别抽取出图像特征。

要求

1. 不能损坏图像轮廓及边缘；
2. 图像视觉效果应当更好。

---

一、均值滤波

均值滤波是平均卷积操作

比如九个格子，将中间的格子（第五个）的值，作为原来的平均数；

blur = cv2.blur(img, (3,3))  # 每 3x3 做一个操作；即 核 为 3x3
cv_show(blur)

---

二、方框滤波

基本和均值一样，可以选择归一化，容易越界
中间参数基本都是用 -1；
如果不使用 normalize，可能会越界；所有越界值，如果大于 255，就取 255；
normalize 指定为 True，代表做归一化，和均值滤波一样；

box = cv2.boxFilter(img, -1, (3,3), normalize=False)
# cv_show(box)
plt.imshow(box)
 

box2 = cv2.boxFilter(img, -1, (3,3), normalize=False)
# cv_show(box2)
plt.imshow(box2)

---

三、高斯滤波

高斯模糊的卷积核里的数值，是满足高斯分布的，相当于更重视中心的（距离近的）。
离得近的权重高，远的权重低。

aussian = cv2.GaussianBlur(img, (3,3), 1)

# cv_show(aussian)

plt.imshow(aussian)

# 噪音点没有前面的严重

---

四、中值滤波

相当于用中值代替

median = cv2.medianBlur(img, 5)
# cv_show(median)

plt.imshow(median)

# 展示所有
res = np.hstack((blur, aussian, median))
cv_show(res)