4.2 學習目標

• 瞭解影象濾波的分類和基本概念

• 理解均值濾波/方框濾波、高斯濾波的原理

• 掌握OpenCV框架下濾波API的使用

4.4 演算法理論介紹

4.4.1 均值濾波、方框濾波

1. 濾波分類

線性濾波： 對鄰域中的畫素的計算為線性運算時，如利用視窗函式進行平滑加權求和的運算，或者某種卷積運算，都可以稱為線性濾波。常見的線性濾波有：均值濾波、高斯濾波、盒子濾波、拉普拉斯濾波等等，通常線性濾波器之間只是模版係數不同。

非線性濾波： 非線性濾波利用原始影象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。

2. 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，均值濾波就是盒子濾波歸一化的特殊情況。
應用：

3. 均值濾波

均值濾波的應用場合：
根據岡薩雷斯書中的描述，均值模糊可以模糊影象以便得到感興趣物體的粗略描述，也就是說，去除影象中的不相關細節，其中“不相關”是指與濾波器模板尺寸相比較小的畫素區域，從而對影象有一個整體的認知。即為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影象，忽略細小的細節。

均值濾波的缺陷：
均值濾波本身存在著固有的缺陷，即它不能很好地保護影象細節，在影象去噪的同時也破壞了影象的細節部分，從而使影象變得模糊，不能很好地去除噪聲點。特別是椒鹽噪聲。

均值濾波是上述方框濾波的特殊情況，均值濾波方法是：對待處理的當前畫素，選擇一個模板，該模板為其鄰近的若干個畫素組成，用模板的均值（方框濾波歸一化）來替代原畫素的值。公式表示為：

4.4.1 高斯濾波

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，我們通常會假定影象包含的噪聲為高斯白噪聲，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。

高斯濾波和均值濾波一樣，都是利用一個掩膜和影象進行卷積求解。不同之處在於：均值濾波器的模板係數都是相同的為1，而高斯濾波器的模板係數，則隨著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影象個模糊程度較小，更能夠保持影象的整體細節。

二維高斯分佈
高斯分佈公式終於要出場了！

"""
"""
原文連結 https://www.cnblogs.com/sunblingbling/p/12596051.html
"""

程式碼

import cv2
import numpy as np
from PIL import Image, ImageDraw, ImageFont

#均值濾波
def blur(source):

    img = cv2.blur(source, (10,10))

    cv2img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # cv2和PIL中顏色的hex碼的儲存順序不同
    pilimg = Image.fromarray(cv2img)
    draw = ImageDraw.Draw(pilimg) # 圖片上列印
    font = ImageFont.truetype("simhei.ttf", 20, encoding="utf-8") # 引數1：字型檔案路徑，引數2：字型大小
    draw.text((0, 0), "均值濾波", (255, 0, 0), font=font) # 引數1：列印座標，引數2：文字，引數3：字型顏色，引數4：字型

    # PIL圖片轉cv2 圖片
    cv2charimg = cv2.cvtColor(np.array(pilimg), cv2.COLOR_RGB2BGR)
    cv2.imshow("blur", cv2charimg)
#中值濾波
def medianBlur(source):
    img= cv2.medianBlur(source, 3)
    cv2img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # cv2和PIL中顏色的hex碼的儲存順序不同
    pilimg = Image.fromarray(cv2img)

    draw = ImageDraw.Draw(pilimg) # 圖片上列印
    font = ImageFont.truetype("simhei.ttf", 20, encoding="utf-8") # 引數1：字型檔案路徑，引數2：字型大小
    draw.text((0, 0), "中值濾波", (255, 0, 0), font=font) # 引數1：列印座標，引數2：文字，引數3：字型顏色，引數4：字型
    # PIL圖片轉cv2 圖片
    cv2charimg = cv2.cvtColor(np.array(pilimg), cv2.COLOR_RGB2BGR)
    cv2.imshow("medianBlur", cv2charimg)
#方框濾波
def BoxFilter(source):

    img = cv2.boxFilter(source, -1, (5,5), normalize=1)
    cv2img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # cv2和PIL中顏色的hex碼的儲存順序不同
    pilimg = Image.fromarray(cv2img)

    draw = ImageDraw.Draw(pilimg) # 圖片上列印
    font = ImageFont.truetype("simhei.ttf", 20, encoding="utf-8") # 引數1：字型檔案路徑，引數2：字型大小
    draw.text((0, 0), "方框濾波", (255, 0, 0), font=font) # 引數1：列印座標，引數2：文字，引數3：字型顏色，引數4：字型
    # PIL圖片轉cv2 圖片
    cv2charimg = cv2.cvtColor(np.array(pilimg), cv2.COLOR_RGB2BGR)
    cv2.imshow("boxFilter", cv2charimg)
#高斯濾波
def GaussianBlur(source):
    img = cv2.GaussianBlur(source, (3,3), 0)
    cv2img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # cv2和PIL中顏色的hex碼的儲存順序不同
    pilimg = Image.fromarray(cv2img)

    draw = ImageDraw.Draw(pilimg) # 圖片上列印
    font = ImageFont.truetype("simhei.ttf", 20, encoding="utf-8") # 引數1：字型檔案路徑，引數2：字型大小
    draw.text((0, 0), "高斯濾波", (255, 0, 0), font=font) # 引數1：列印座標，引數2：文字，引數3：字型顏色，引數4：字型
    # PIL圖片轉cv2 圖片
    cv2charimg = cv2.cvtColor(np.array(pilimg), cv2.COLOR_RGB2BGR)
    cv2.imshow("GaussianBlur", cv2charimg)

#高斯邊緣檢測
def GaussianSideDetect(source):
    sobelX = cv2.Sobel(source,cv2.CV_64F,1,0)#x方向的梯度
    sobelY = cv2.Sobel(source,cv2.CV_64F,0,1)#y方向的梯度

    sobelX = np.uint8(np.absolute(sobelX))#x方向梯度的絕對值
    sobelY = np.uint8(np.absolute(sobelY))#y方向梯度的絕對值

    img = cv2.bitwise_or(sobelX,sobelY)#
    cv2img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # cv2和PIL中顏色的hex碼的儲存順序不同
    pilimg = Image.fromarray(cv2img)

    draw = ImageDraw.Draw(pilimg) # 圖片上列印
    font = ImageFont.truetype("simhei.ttf", 20, encoding="utf-8") # 引數1：字型檔案路徑，引數2：字型大小
    draw.text((0, 0), "高斯邊緣檢測", "green", font=font) # 引數1：列印座標，引數2：文字，引數3：字型顏色，引數4：字型

    # PIL圖片轉cv2 圖片
    cv2charimg = cv2.cvtColor(np.array(pilimg), cv2.COLOR_RGB2BGR)
    cv2.imshow("GaussianSideDetect", cv2charimg)

if __name__ == '__main__':
    img = cv2.imread('./00_dog.jpg', cv2.IMREAD_UNCHANGED)
    cv2.imshow("img", img)
    blur(img)
    medianBlur(img)
    BoxFilter(img)
    GaussianBlur(img)
    GaussianSideDetect(img)

    cv2.waitKey(0)
    cv2.destroyAllWindows()

輸出效果