主要講解Python呼叫OpenCV實現影象平滑，包括四個演算法：均值濾波、方框濾波、高斯濾波和中值濾波.

給影象增加噪聲:

import cv2
import numpy as np

def test10():
  img = cv2.imread("result.jpg",cv2.IMREAD_UNCHANGED)
  rows,cols,chn = img.shape
  # 加噪聲
  for i in range(5000):
    x = np.random.randint(0,rows)
    y = np.random.randint(0,cols)
    img[x,y,:] = 255
  cv2.imshow("demo",img)
  if cv2.waitKey(0) == 27:
    cv2.destroyWindow("demo")
test10()

效果如下:

均值濾波: 均值濾波是指任意一點的畫素值，都是周圍N*M個畫素值的均值,result = cv2.blur(影象,核大小)，其中核大小是以(寬度,高度)表示的元組形式,常見的形式包括: (3,3)和(5,5)

程式碼如下:

import matplotlib.pyplot as plt
import cv2
def test11():
  img = cv2.imread("result.jpg")
  source = cv2.cvtColor(img,cv2.COLOR_BGR2BGRA)
  # 均值濾波
  result = cv2.blur(source,(5,5))

  # 顯示影象
  title = ["demo1","demo2"]
  imgs = [source,result]
  for i in range(2):
    plt.subplot(1,2,i+1)　　　　 plt.imshow(imgs[i],"gray")
    plt.title(title[i])
    plt.xticks([])
    plt.yticks([])
  plt.show()
test11()

效果如下:

將核值調大會讓影象變模糊，例如設定為(20,20),效果如下:如果設定為(1,1)處理的結果就是原圖，核中每個權重值相同,稱為均值。

方框濾波

方框濾波和均值濾波核基本一致，區別是需不需要均一化處理。OpenCV呼叫boxFilter()函式實現方框濾波。函式如下：
result = cv2.boxFilter(原始影象,目標影象深度,核大小,normalize屬性) 其中，目標影象深度是int型別，通常用“-1”表示與原始影象一致；核大小主要包括（3，3）和（5，5）;normalize屬性表示是否對目標影象進行歸一化處理。當normalize為true時需要執行均值化處理，當normalize為false時，不進行均值化處理，實際上為求周圍各畫素的和，很容易發生溢位，溢位時均為白色，對應畫素值為255。

程式碼如下:

import cv2
import matplotlib.pyplot as plt
def test12():
  img = cv2.imread("result.jpg")
  source = cv2.cvtColor(img,cv2.COLOR_BGR2BGRA)
  # 方框濾波
  result = cv2.boxFilter(source,-2,5),normalize=1)
  # 顯示影象
  title = ["demo1",i+1),plt.imshow(imgs[i],"gray")
    plt.title(title[i])
    plt.xticks([])
    plt.yticks([])
  plt.show()
test12()

效果如下:

如果省略引數normalize，則預設是進行歸一化處理。如果normalize=0則不進行歸一化處理，畫素值為周圍畫素之和，影象更多為白色。

效果如下:

上圖很多畫素為白色，因為影象求和結果幾乎都是255。如果設定的是2*2矩陣，只取四個畫素結果要好些。 result = cv2.boxFilter(source,-1,(2,2),normalize=0)

高斯濾波： 高斯濾波讓臨近的畫素具有更高的重要度，對周圍畫素計算加權平均值，較近的畫素具有較大的權重值。dst = cv2.GaussianBlur(src,ksize,sigmaX) 其中，src表示原始影象，ksize表示核大小，sigmaX表示X方向方差。注意，核大小（N,N）必須是奇數，X方向方差主要控制權重

程式碼如下:

import cv2
import matplotlib.pyplot as plt
def test12():
  img = cv2.imread("result.jpg")
  source = cv2.cvtColor(img,cv2.COLOR_BGR2BGRA)
  # 高斯濾波
  result = cv2.GaussianBlur(source,(3,3),0)
  # 顯示影象
  title = ["demo1","gray")
    plt.title(title[i])
    plt.xticks([])
    plt.yticks([])
  plt.show()
test12()

效果如下:

核數增加，影象會變模糊，例如設定為(17,17)

中值濾波: 在使用鄰域平均法去噪的同時也使得邊界變得模糊。而中值濾波是非線性的影象處理方法，在去噪的同時可以兼顧到邊界資訊的保留。選一個含有奇數點的視窗W，將這個視窗在影象上掃描，把視窗中所含的畫素點按灰度級的升或降序排列，取位於中間的灰度值來代替該點的灰度值.

OpenCV主要呼叫medianBlur()函式實現中值濾波,影象平滑裡中值濾波的效果最好。
dst = cv2.medianBlur(src,ksize)
其中，src表示原始檔，ksize表示核大小。核必須是大於1的奇數，如3、5、7等

程式碼如下：

import cv2
def test13():
  img = cv2.imread("result.jpg")
  # 高斯濾波
  result = cv2.medianBlur(img,5)
  cv2.imshow("demo1",img)
  cv2.imshow("demo2",result)
  if cv2.waitKey(0) == 27:
    cv2.destroyWindow("demo1")
    cv2.destroyWindow("demo2")
test13()

效果如下:

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支援我們。