基於Python的Opencv學習第七天
各位小夥伴，大家好。今天我們一起來學習一下對圖像平滑處理的相關內容，一起來看一下吧！
一.均值濾波
對任意一點的像素值進行均值濾波，意思是選取周圍N*N個像素值的均值。
例如：紅色點的像素值=藍色背景區域像素值之和（這個和含紅色值）除以25（即25個不同的值相加除以25後的值賦給紅色區域）
紅色點的像素新值=（（197+25+106+156+159）+（149+40+107+5+71）+（163+198+226+223+156）+（222+37+68+193+157）+（42+72+250+41+75））/25
這裏選取的N行，N列在我們opencv中被稱作核，將是我們需要調用opencv函數裏面的重要參數。
在opencv中進行均值濾波需要調用blur（）函數，來看看具體語法：
處理結果=cv2.blur（原始圖像，核大小）
這裏參數很簡單，一個是需要處理的原始圖像
一個是我們自定義的核大小：以（寬度，高度）形式表示的元組
來看示例代碼和結果：
>>> import cv2
>>> a=cv2.imread(r"C:\Users\LT010407\Desktop\2.jpg")
>>> b=cv2.blur(a,(5,5))
>>> cv2.imshow("a",a)
>>> cv2.imshow("b",b)
>>>
這裏採取（5，5）就是對每一個點選取周圍5*5個區域進行均值濾波處理，當此處選取的區域越大，圖像就會更加模糊，如果選取爲（1，1）就會發現圖像和原圖像相同，沒有進行濾波
這裏我們可以看到b圖像更加平滑（這裏可能看上去有點模糊處理的感覺，而且似乎看不出來平滑，但是如果對圖像進行椒鹽噪聲攻擊就能看得很清楚）
二.方框濾波
在方塊濾波時，我們需要調用boxFilter（）函數，具體語法如下：
處理結果=cv2.boxFilter（原始圖像，目標深度圖像，核大小，normalize屬性）
來看具體參數：
原始圖像：即我們需要處理的圖像
目標深度大小：int類型的目標圖像深度。通常使用“-1”表示與原始圖像一致
核大小：與均值濾波介紹的相同，可參考均值濾波部分
normalize屬性：是否對目標圖像進行歸一化處理
normalize=1（或者該參數不填）：對目標圖像進行歸一化處理，其結果和均值濾波相同（即進行歸一化處理就等同於均值濾波）
normalize=0：不進行歸一化處理
這裏介紹一下歸一化處理：
如果進行歸一化處理就是所有NN個像素值加起來之後除以（NN）
如果不進行歸一化處理就是所有N*N個像素值加起來然後直接賦給待處理那點的像素值，這裏很容易發生溢出，因爲通常周圍幾個值加起來肯定大於最大值255，所以如果選取的核大小很大，那麼很容易得到一片空白。
首先來看進行歸一化處理的代碼和結果：
>>> import cv2
>>> a=cv2.imread(r"C:\Users\LT010407\Desktop\2.jpg")
>>>> b=cv2.boxFilter(a,-1,(5,5),normalize=1)
>>> c=cv2.blur(a,(5,5))
>>> cv2.imshow("b",b)
>>> cv2.imshow("c",c)
>>>
如圖，b是進行方塊濾波（歸一化處理的結果），c是進行均值濾波結果，兩者相同作用。
再來看一下不進行歸一化處理的代碼和結果：
>>> import cv2
>>> a=cv2.imread(r"C:\Users\LT010407\Desktop\2.jpg")
>>> d=cv2.boxFilter(a,-1,(5,5),normalize=0)
>>> cv2.imshow("d",d)
>>>
這裏由於選取核大小過大，導致這裏的d圖出現一片白色，已經發生溢出事件。
>>> import cv2
>>> a=cv2.imread(r"C:\Users\LT010407\Desktop\2.jpg")
>>>> e=cv2.boxFilter(a,-1,(2,2),normalize=0)
>>> cv2.imshow("e",e)
>>>
這裏可以看到選取核大小較小，還能看到一點圖像，但是像素點值已經很大，白色很明顯。
三.高斯濾波
高斯濾波即讓臨近的像素具有更高的重要度，對周圍像素計算加權平均值，較近的像素具有較大的權重值。
這裏和均值濾波不同的是，均值濾波是所有值採用1然後相加除以NN，相當於每一個值都除以N*N，但是高斯濾波就是每個值採取不同的比例，靠近待處理像素值的點的權重高，遠離的則權重低，但是所有的和加起來等於“1”。
如下圖可以看出，選取核大小爲3*3，則權重可以如下選取。
這幅圖更能夠容易理解高斯濾波算法
在opencv中我們需要調用GaussianBlur（）函數，來看具體語法：
dst=cv2.GaussianBlur(src,ksize,sigmaX)
src：原始圖像
ksize：核大小（N，N）必須是奇數
sigmaX：X方向方差，控制權重
這裏注重解釋一下sigmaX，一般情況下我們選擇
sigmaX=0，這時opencv會自動計算出：
sigmaX=0.3*((ksize-1)*0.5-1)+0.8
而且Y方向方差等於X方向方差
import cv2
a=cv2.imread(r"C:\Users\LT010407\Desktop\2.jpg")
cv2.imshow("a",a)
b=cv2.GaussianBlur(a,(3,3),0)
cv2.imshow("b",b)
這裏選取核大小比較小，不容易看出結果，如果選取核大小較大，可以看到圖像更加平滑。
四.中值濾波
中值濾波顧名思義，就是讓選取的核大小裏面的像素值按照大小排列，取排序像素集中位於中間位置的值作爲中值濾波後的像素值。
這幅圖能夠非常詳細的表達中值濾波的含義。
在opencv中，我們調用medianBlur（）函數，具體語法如下：
dst=cv2.medianBlur（src，ksize）
參數含義爲：
src：需要處理的原圖像
ksize：選取的核大小，必須是比1大的奇數，如3，5，7等
以前核大小是元組的形式，這裏就是一個數字，如填入3，即核大小爲3*3
import cv2
a=cv2.imread(r"C:\Users\LT010407\Desktop\2.jpg")
cv2.imshow("a",a)
b=cv2.medianBlur(a,3)
cv2.imshow("b",b)
這裏是代碼和結果展示，由於選取核大小較小，所有結果不是特別明顯。
今天給小夥伴們講了一下圖像平滑處理的各種濾波算法，都比較簡單，在opencv裏面就像做填空題一樣，但是還是需要了解清楚各個參數的含義，只要清楚了含義，填空就方便多了。今天就到這裏，我們下一篇博客見（轉載註明出處）。