詳解圖像濾波原理及實現！

↑↑↑關注後"星標"Datawhale

每日干貨 & 每月組隊學習，不錯過

Datawhale乾貨

作者：姚童，Datawhale優秀學習者

圖像的實質是一種二維信號，濾波是信號處理中的一個重要概念。在圖像處理中，濾波是一常見的技術，它們的原理非常簡單，但是其思想卻十分值得借鑑，濾波是很多圖像算法的前置步驟或基礎，掌握圖像濾波對理解卷積神經網絡也有一定幫助。

學習目標：

瞭解圖像濾波的分類和基本概念
理解幾種圖像濾波的原理
掌握OpenCV框架下濾波API的使用

算法理論介紹

濾波器分類

線性濾波：對鄰域中的像素的計算爲線性運算時，如利用窗口函數進行平滑加權求和的運算，或者某種卷積運算，都可以稱爲線性濾波。常見的線性濾波有：方框濾波、均值濾波、高斯濾波、拉普拉斯濾波等等，通常線性濾波器之間只是模版的係數不同。

非線性濾波：非線性濾波利用原始圖像跟模版之間的一種邏輯關係得到結果，如最值濾波器，中值濾波器。比較常用的有中值濾波器和雙邊濾波器。

卷積核

數字圖像是一個二維的數組，對數字圖像做卷積操作其實就是利用卷積核在圖像上滑動，將圖像點上的像素值與對應的卷積核上的數值相乘，然後將所有相乘後的值相加作爲卷積核中間像素點的像素值，並最終滑動完所有圖像的過程。

通常，卷積核的寬度和高度一般是奇數，這樣纔有中心的像素點，所以卷積核一般都是3x3，5x5或者7x7等。$n×n$的卷積核的半徑爲$(n-1)/2$，例如5x5大小的卷積核的半徑就是2。

兩種常見噪聲

函數介紹：python中的skimage圖像處理模塊，該函數可以方便的爲圖像添加各種類型的噪聲。

skimage.util.random_noise(image, mode, seed=None, clip=True, **kwargs)

參數：

image 爲輸入圖像數據，類型爲ndarray，輸入後將轉換爲float64格式。
mode 選擇添加噪聲的類別。字符串str類型。

'gaussian' 高斯加性噪聲
'poisson' 泊松分佈的噪聲
'salt' 鹽噪聲，隨機用1替換像素。屬於高灰度噪聲。
'peppe' 胡椒噪聲，隨機用0或-1替換像素。屬於低灰度噪聲。
's&p' 椒鹽噪聲，鹽噪聲和胡椒噪聲同時出現，呈現出黑白雜點。
'localvar' 高斯加性噪聲，每點具有特定的局部方差。
'speckle' 使用 out = image + n *image 的乘法噪聲，其中n是具有指定均值和方差的均勻噪聲。

seed int類型。將在生成噪聲之前設置隨機種子，以進行有效的僞隨機比較。
clip bool類型。若爲True則在加入噪聲後進行剪切以保證圖像數據點都在[0,1]或[-1.1]之間。若爲False，則數據可能超出這個範圍。

1、椒鹽噪聲（脈衝噪聲）

椒鹽噪聲也稱爲脈衝噪聲，是圖像中常常見到的一種噪聲，它是一種隨機出現的白點或者黑點，可能是亮的區域有黑色像素或是在暗的區域有白色像素（或是兩者皆有）。產生具有椒鹽噪聲的圖像：（python）

from skimage import util
import cv2


if __name__ == "__main__":
   img = cv2.imread("D:\\yt\\pictures2\\wink.jpg")
   #產生椒鹽噪聲，處理後圖像變爲float64格式
   noise_sp_img = util.random_noise(img, mode="s&p")


   #顯示圖像
   cv2.imshow("origin image",img)
   cv2.imshow("sp noise",noise_sp_img)


   #將圖像轉換爲uint8格式，否則保存後是全黑的。
   noise_sp_img = cv2.normalize(noise_sp_img, None, 0, 255, cv2.NORM_MINMAX, cv2.CV_8U)


   #儲存圖像
   cv2.imwrite("D:\\yt\\pictures2\\sp_noise.jpg",noise_sp_img)


   cv2.waitKey(0)
   cv2.destroyAllWindows()

效果：左邊爲原圖，右邊加入了椒鹽噪聲

2、高斯噪聲

高斯噪聲是指它的概率密度函數服從高斯分佈（即正態分佈）的一類噪聲。如果一個噪聲，它的幅度分佈服從高斯分佈，而它的功率譜密度又是均勻分佈的，則稱它爲高斯白噪聲。

高斯白噪聲的二階矩不相關，一階矩爲常數，是指先後信號在時間上的相關性。高斯噪聲是與光強沒有關係的噪聲，無論像素值是多少，噪聲的平均水平（一般是0）不變。產生具有高斯噪聲的圖像：（python）

from skimage import util
import cv2


if __name__ == "__main__":
   img = cv2.imread("D:\\yt\\pictures2\\wink.jpg")
   #產生高斯噪聲，處理後圖像變爲float64格式
   noise_gs_img = util.random_noise(img, mode="gaussian")


   #顯示圖像
   cv2.imshow("origin image",img)
   cv2.imshow("gaussian noise",noise_gs_img


   #將圖像轉換爲uint8格式，否則保存後是全黑的。
   noise_gs_img = cv2.normalize(noise_gs_img, None, 0, 255, cv2.NORM_MINMAX, cv2.CV_8U)


   #儲存圖像
   cv2.imwrite("D:\\yt\\pictures2\\gs_noise.jpg",noise_gs_img)


   cv2.waitKey(0)
   cv2.destroyAllWindows()

效果：左邊爲原圖，右邊加入了高斯噪聲

幾種圖像濾波

均值濾波、方框濾波

1、方框（盒子）濾波

方框濾波是一種非常有用的線性濾波，也叫盒子濾波。

積分圖：圖像積分圖中每個點的值是原圖像中該點左上角的所有像素值之和。建立一個數組作爲積分圖像，其寬度和高度與原圖像相等.，然後對這個數組賦值，每個點存儲的是原圖像中該點左上角的所有像素值之和。

對一個灰度圖而言，事先將其積分圖構建好，當需要計算灰度圖某個區域內所有像素點的像素值之和的時候，都可以通過查表的方法和有限次簡單運算，迅速得到結果。

優勢：它可以使複雜度爲O(MN)的求和，求方差等運算降低到O(1)或近似於O(1)的複雜度，也就是說與鄰域尺寸無關了，有點類似積分圖，但是比積分圖更快（與它的實現方式有關）。

方框濾波採用下面的卷積核與圖像進行卷積：

應用：

可以說，一切需要求某個鄰域內像素之和的場合，都有方框濾波的用武之地，比如：均值濾波、引導濾波、計算Haar特徵等等。方框濾波還可以用來計算每個像素鄰域上的各種積分特性，方差、協方差，平方和等等。

2、均值濾波

均值濾波就是方框濾波歸一化的特殊情況。使卷積核所有的元素之和等於1。卷積核如下：

α爲卷積核中點的個數。

均值濾波是方框濾波的特殊情況，均值濾波方法是：對要處理的像素，選擇一個模板，該模板由其鄰域內的若干個像素組成，用模板的均值來替代原像素的值。可見，歸一化了就是均值濾波；不歸一化則是方框濾波。

均值濾波的缺點：

均值濾波本身存在着固有的缺陷，即它不能很好地保護圖像細節，在圖像去噪的同時也破壞了圖像的細節部分，從而使圖像變得模糊，不能很好地去除噪聲點。特別是椒鹽噪聲。

利用均值濾波處理圖像：

應用：

均值模糊可以模糊圖像以便得到感興趣物體的粗略描述，也就是說，去除圖像中的不相關細節，其中“不相關”是指與濾波器模板尺寸相比較小的像素區域，從而對圖像有一個整體的認知。即爲了對感興趣的物體得到一個大致的整體的描述而模糊一幅圖像，忽略細小的細節。

高斯濾波

在進行均值濾波和方框濾波時。其鄰域內每個像素的權重是相等的。在高斯濾波中，會將中心點的權重值加大，原理中心點的權重值減小，在此基礎上計算鄰域內各個像素值不同權重的和。

在高斯濾波中，核的寬度和高度可以不相同，但是它們都必須是奇數。

在實際應用中，卷積核都會經過歸一化，歸一化後可以表示爲小數形式或分數形式。沒有進行歸一化的卷積核進行濾波，結果往往是錯誤的。

高斯濾波和均值濾波一樣，都是利用一個掩膜和圖像進行卷積求解。不同之處在於：均值濾波器的模板係數都是相同的爲1，而高斯濾波器的模板係數，則隨着距離模板中心的增大而係數減小（服從二維高斯分佈）。所以，高斯濾波器相比於均值濾波器對圖像的模糊程度較小，更能夠保持圖像的整體細節。

高斯濾波卷積核：

先介紹一下二維高斯分佈：

首先我們要確定卷積核的尺寸ksize，然後設定高斯分佈的標準差。生成的過程，首先根據模板的大小，找到模板的中心位置。然後遍歷，將模板中每個座標帶入高斯分佈的函數，計算每個位置的係數。

具體過程如下：

不必糾結於係數，因爲它只是一個常數，並不會影響互相之間的比例關係，並且最終都要進行歸一化，所以在實際計算時我們忽略它而只計算後半部分。

根據二維高斯分佈公式，其中爲卷積核內任一點的座標，爲卷積核中心點的座標，通常爲；σ是標準差。

例如：要產生一個3×3的高斯濾波器模板，以模板的中心位置爲座標原點。模板中各個位置的座標，如下圖所示。

這時，高斯分佈的函數可以改爲：

然後，將各個位置的座標帶入到高斯函數中，得到的值就是模板的係數。

通常模板有兩種形式：小數形式和整數形式。

小數形式：模板的每個係數除以所有係數的和。就得到了歸一化後的模板，通常爲小數形式。
整數形式：處理方式爲，將小數模板左上角的值歸一化爲1，其他每個係數都除以左上角原來的係數，然後四捨五入取整。使用整數的模板時，需要在模板的前面加一個係數，係數爲模板係數和的倒數。

不難發現，高斯濾波器模板的生成最重要的參數就是高斯分佈的標準差σ。標準差代表着數據的離散程度，如果σ較小，那麼生成的模板的中心繫數較大，而周圍的係數較小，這樣對圖像的平滑效果就不是很明顯；反之，σ較大，則生成的模板的各個係數相差就不是很大，比較類似均值模板，對圖像的平滑效果比較明顯。

一維高斯分佈的概率分佈密度圖：圖中，紫色的σ較小，青色的σ較大。

利用高斯濾波處理圖像：

應用： 高斯濾波是一種線性平滑濾波器，對於服從正態分佈的噪聲有很好的抑制作用。在實際場景中，我們通常會假定圖像包含的噪聲爲高斯白噪聲，所以在許多實際應用的預處理部分，都會採用高斯濾波抑制噪聲，如傳統車牌識別等。

中值濾波

中值濾波不再採用加權求和的方式計算濾波結果，它用鄰域內所有像素值的中間值來代替當前像素點的像素值。

中值濾波會取當前像素點及其周圍臨近像素點的像素值，一般有奇數個像素點，將這些像素值排序，將排序後位於中間位置的像素值作爲當前像素點的像素值。

中值濾波對於斑點噪聲（speckle noise）和椒鹽噪聲（salt-and-pepper noise）來說尤其有用，因爲它不依賴於鄰域內那些與典型值差別很大的值，而且噪聲成分很難被選上，所以可以在幾乎不影響原有圖像的情況下去除全部噪聲。但是由於需要進行排序操作，中值濾波的計算量較大。

中值濾波器在處理連續圖像窗函數時與線性濾波器的工作方式類似，但濾波過程卻不再是加權運算。

如下圖：濾波核大小爲3，鄰域內的像素值排序後爲[56,66,90,91,93,94,95,97,101]，中值爲93，所以用93替換中心點原來的像素值56。

雙邊濾波

雙邊濾波是綜合考慮空間信息和色彩信息的濾波方式，在濾波過程中能有效的保護圖像內的邊緣信息。

雙邊濾波在計算某一個像素點的像素值時，同時考慮距離信息（距離越遠，權重越小)和色彩信息（色彩差別越大，權重越小）。既能去除噪聲，又能較好的保護邊緣信息。

如下圖：左邊爲原圖，中間爲均值濾波可能的結果，右邊爲雙邊濾波的結果

在雙邊濾波中，計算左側白色區域的濾波結果時：

對於白色的點，權重較大
對於黑色的點，與白色的色彩差別較大（0和255），所以可以將他們的權重設置爲0。

計算右側黑色區域的濾波結果時：

對於黑色的點，權重較大
對於白色的點，與黑色的色彩差別較大（255和0），所以可以將他們的權重設置爲0。

這樣，左側白色的濾波結果仍是白色，黑色的像素點權重爲0，對它不會有影響；右側黑色的濾波結果仍是黑色，白色的像素點權重爲0，對它不會有影響。所以，雙邊濾波會將邊緣信息保留。

邊界處理

對於圖像的邊界點，不存在n×n的鄰域區域，例如左上角第一行第一列的像素點，如果以其爲中心取3×3的領域，則部分區域位於圖像外部，圖像外部是沒有像素點和像素值的，所以無法計算像素和。在實際處理過程中需要對圖像邊界進行擴充，如下圖。

擴充後的點需要填充像素值，常見的幾種方式：

BORDER_DEFAULT：以邊界像素點爲軸，填充對稱的像素點處的像素值。也是OpenCV的默認方式。
BORDER_CONSTANT：使用常數填充，可以是0或其他常數。
BORDER_REPLICATE：複製最近的一行或一列像素並一直延伸至添加邊緣的寬度或高度；
BORDER_REFLECT：以邊界爲軸，填充對稱的像素點處的像素值。
BORDER_WRAP：將對面的像素進行映射。

爲了更直觀的體現填充情況，這裏設卷積核爲5×5的，填充情況如下：

基於OpenCV的實現

c++實現

1、方框濾波

void boxFilter( InputArray src, OutputArray dst, 
                int ddepth,
                Size ksize,  
                Point anchor = Point(-1,-1),
                bool normalize = true,
                int borderType = BORDER_DEFAULT );

參數：

src 輸入圖像
dst 輸出圖像，和輸入圖像有相同尺寸和類型
ddepth 輸出圖像的深度，-1代表使用原圖深度
ksize 濾波核的大小，一般寫成Size(w,h)，w表示寬度，h表示高度。Size(3,3)就表示3x3的核大小，Size(5,5)就表示5x5的核大小
anchor 表示錨點（即被平滑的那個點），默認值爲Point(-1,-1)，表示當前計算的點位於核中心的位置。如果這個點座標是負值，就表示取核的中心爲錨點。在特殊情況下可以指定不同的點作爲錨點
normalize – 表示在濾波時是否進行歸一化。
當normalize=1或true時，表示要進行歸一化處理；計算的就是均值濾波。
當normalize=0或false時，表示不進行歸一化處理。
borderType – 邊界樣式，決定了以何種方式處理邊界，一般採用默認值即可。

關於是否歸一化：

如果沒有進行歸一化處理，鄰域內的像素值和基本都會超過像素的最大值255，最後得到的圖像接近純白色，部分點處有顏色。有顏色的點是因爲這些點周圍鄰域的像素值均較小，相加後仍小於255。如下圖：

2、均值濾波

void blur( InputArray src,
           OutputArray dst,
           Size ksize,
           Point anchor = Point(-1,-1),
           int borderType = BORDER_DEFAULT);

參數：

src 輸入圖像
dst 輸出圖像，和輸入圖像有相同尺寸和類型
ddepth 輸出圖像的深度，-1代表使用原圖深度
ksize 濾波核的大小，一般寫成Size(w,h)，w表示寬度，h表示高度。Size(3,3)就表示3x3的核大小，Size(5,5)就表示5x5的核大小
anchor 表示錨點（即被平滑的那個點），默認值爲Point(-1,-1)，表示當前計算的點位於核中心的位置。如果這個點座標是負值，就表示取核的中心爲錨點。在特殊情況下可以指定不同的點作爲錨點
borderType – 邊界樣式，決定了以何種方式處理邊界，一般採用默認值即可。

3、高斯濾波

void GaussianBlur(InputArray src, OutputArray dst, 
                  Size ksize, 
                  double sigmaX, double sigmaY=0,
                  int borderType=BORDER_DEFAULT )

參數：

src 輸入圖像
dst 輸出圖像，和輸入圖像有相同尺寸和類型
ddepth 輸出圖像的深度，-1代表使用原圖深度
ksize 濾波核的大小，一般寫成Size(w,h)，w表示寬度，h表示高度。Size(3,3)就表示3x3的核大小，Size(5,5)就表示5x5的核大小
sigmaX 表示卷積核在X方向的的標準偏差。
sigmaY 表示卷積核在Y方向的的標準偏差。若sigmaY爲零，就將它設爲sigmaX，如果sigmaX和sigmaY都是0，那麼就由ksize.width和ksize.height計算出來。
sigmaX=0.3×[(ksize.width-1)×0.5-1]+0.8
sigmaY=0.3×[(ksize.height-1)×0.5-1]+0.8
borderType – 邊界樣式，決定了以何種方式處理邊界，一般採用默認值即可。

4、中值濾波

void medianBlur(InputArray src, OutputArray dst, int ksize);

參數：

src 輸入圖像
dst 輸出圖像，和輸入圖像有相同尺寸和類型
ksize 濾波核的大小，注意這裏是int形式的ksize，輸入一個整數即可，3就表示3x3的核大小，5就表示5x5的核大小

5、雙邊濾波

void bilateralFilter(InputArray src, OutputArray dst, 
     int d,
     double sigmaColor, double sigmaSpace,
     int borderType=BORDER_DEFAULT )

參數：

src 輸入圖像
dst 輸出圖像，和輸入圖像有相同尺寸和類型
d 濾波時選取的空間距離參數，這裏表示以當前像素點爲中心點的直徑。如果d爲非正數，自動從sigmaSpace計算得到。如果濾波空間較大，速度會較慢。實際應用中，推薦d=5。
sigmaColor 濾波時選取的顏色範圍，該值決定了哪些像素點可以參與到濾波中。該值爲0時，濾波失去意義；該值爲255時，指定直徑內的所有點都能參與運算。
sigmaSpace 表示濾波時選取的顏色範圍。它的值越大，有越多的點能夠參與到濾波計算中。當d>0時，無論sigmaSpace的值爲多少，d都指定鄰域大小。否則，d與sigmaSpace與成比例。
borderType – 邊界樣式，決定了以何種方式處理邊界，一般採用默認值即可。

c++代碼

1、方框濾波、均值濾波、高斯濾波

#include <opencv2/opencv.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <iostream>
using namespace cv;
using namespace std;
int main()
{
   //載入圖像
   Mat img1 = imread("D:\\yt\\picture\\blur\\gs_noise5.jpg");
   Mat dst1,dst2,dst3,dst4;


   //方框濾波
   boxFilter(img1, dst1, -1, Size(5, 5), Point(-1, -1), true, BORDER_CONSTANT);
   //均值濾波
   blur(img1, dst2, Size(5, 5));
   //高斯濾波
   GaussianBlur(img3, dst4, Size(5, 5), 0.8);


//顯示圖像
imshow("方框濾波效果圖", dst1);
   imshow("均值濾波效果圖", dst2);
   imshow("高斯濾波效果圖", dst3);


//儲存圖像
   imwrite("D:\\yt\\picture\\blur\\boxFilter_jay.jpg", dst1);
   imwrite("D:\\yt\\picture\\blur\\blur_jay.jpg", dst2);
   imwrite("D:\\yt\\picture\\blur\\gs_blur_jay.jpg", dst3);
   waitKey(0);
   return 0;
}

效果：可以看出，均值濾波與方框濾波歸一化後的結果是一樣的

2、中值濾波

#include <opencv2/opencv.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <iostream>
using namespace cv;
using namespace std;
int main()
{
   //載入圖像
   Mat img1 = imread("D:\\yt\\picture\\blur\\sp_noise5.jpg");
   Mat dst1,dst2;
   //高斯濾波
   GaussianBlur(img1, dst1, Size(5, 5), 0.8);
   //中值濾波
   medianBlur(img1,dst2, 5);


   //顯示圖像
   imshow("高斯濾波效果圖", dst1);
   imshow("中值濾波效果圖", dst2);
   //儲存圖像
   imwrite("D:\\yt\\picture\\blur\\gs_blur_jay3.jpg", dst1);
   imwrite("D:\\yt\\picture\\blur\\medianblur_jay2.jpg", dst2);


   waitKey(0);
   return 0;
}

效果：可以看出，中值濾波消除椒鹽噪聲的效果比高斯濾波好

3、雙邊濾波

#include <iostream>
using namespace cv;
using namespace std;
int main()
{
   //載入圖像
   Mat img1 = imread("D:\\yt\\picture\\blur\\the_eight_dimensions.jpg");
   Mat dst1,dst2;
   //高斯濾波
   GaussianBlur(img1, dst1, Size(5, 5), 0.8);
   //雙邊濾波
   bilateralFilter(img2,dst2,5,100,100);


   //顯示圖像
   imshow("高斯濾波效果圖", dst1);
   imshow("雙邊濾波效果圖", dst2);
   //儲存圖像
   imwrite("D:\\yt\\picture\\blur\\medianblur_jay2.jpg", dst1);
   imwrite("D:\\yt\\picture\\blur\\bilateralFilter_jay2.jpg", dst2);


   waitKey(0);
   return 0;
}

效果：可以看出，雙邊濾波後的邊緣保留的比高斯濾波好

python實現

1、方框濾波、均值濾波、高斯濾波

import cv2
import numpy as np
if __name__ == "__main__":
    img = cv2.imread('D:/yt/picture/blur/gs_tiger.jpg', cv2.IMREAD_COLOR)
    #方框濾波
    dst1 = cv2.boxFilter(img, -1,(5,5),normalize=1)
    #均值濾波
    dst2 = cv2.blur(img,(5,5))
    #高斯濾波
    dst3 = cv2.GaussianBlur(img,(5,5),0,0)
   # 顯示圖像
    cv2.imshow("origin image", img)
    cv2.imshow("boxFilter image", dst1)
    cv2.imshow("blur image", dst2)
    cv2.imshow("gsBlur image", dst3)
    # 保存圖像
    cv2.imwrite("D:/yt/picture/blur/boxFilter_tiger.jpg", dst1)
    cv2.imwrite("D:/yt/picture/blur/blur_tiger.jpg", dst2)
    cv2.imwrite("D:/yt/picture/blur/gsBlur_tiger.jpg", dst3)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

效果：

2、中值濾波

import cv2
import numpy as np
if __name__ == "__main__":
    img = cv2.imread('D:/yt/picture/blur/harbin.jpg', cv2.IMREAD_COLOR)


    #高斯濾波
    dst4 = cv2.GaussianBlur(img,(5,5),0,0)
    #中值濾波
    dst5 = cv2.medianBlur(img,5)
    # 顯示圖像
    cv2.imshow("origin image", img)
    cv2.imshow("gaussian",dst4)
    cv2.imshow("median",dst5)


    # 保存圖像
    cv2.imwrite("D:/yt/picture/blur/gsBlur_img.jpg",dst4)
    cv2.imwrite("D:/yt/picture/blur/medianBlur_img.jpg",dst5)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

效果：左邊爲原圖，右邊是中值濾波處理後

下圖左邊爲原圖，右邊是高斯濾波處理後。可以看出高斯濾波對椒鹽噪聲的效果不如中值濾波。

3、雙邊濾波

import cv2
import numpy as np
if __name__ == "__main__":
    img = cv2.imread('D:/yt/picture/blur/white_black.jpg', cv2.IMREAD_COLOR)


    #高斯濾波
    dst4 = cv2.GaussianBlur(img,(25,25),0,0)
    #雙邊濾波
    dst6 = cv2.bilateralFilter(img,25,100,100)


    # 顯示圖像
    cv2.imshow("origin image", img)
    cv2.imshow("gaussian", dst4)
    cv2.imshow("bilateral",dst6)


    # 保存圖像
    cv2.imwrite("D:/yt/picture/blur/gsblur_wb.jpg",dst4)
    cv2.imwrite("D:/yt/picture/blur/bilateral_wb.jpg",dst6)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

效果：左邊爲原圖，中間爲中值濾波處理，右邊爲高斯濾波處理。可以看出，經過高斯濾波的邊緣被模糊虛化了，經過雙邊濾波的邊緣得到了較好的保留。

本文電子版 後臺回覆 圖像濾波 獲取


“在看，爲CV學習點贊↓

詳解圖像濾波原理及實現！

學習目標：

算法理論介紹

濾波器分類

卷積核

兩種常見噪聲

1、椒鹽噪聲（脈衝噪聲）

效果：左邊爲原圖，右邊加入了高斯噪聲

幾種圖像濾波

均值濾波、方框濾波

1、方框（盒子）濾波

高斯濾波

高斯濾波卷積核：

中值濾波

基於OpenCV的實現

python實現

數據分析之Pandas合併操作總結

機器學習模型評估與超參數調優詳解

180萬獎金！數據挖掘，NLP，CV等23個賽道，2020 科大訊飛AI大賽正式發佈！

常用數據分析方法：方差分析及實現！

數據分析之Pandas缺失數據處理

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結