參考了https://www.bilibili.com/video/av24998616/?p=9

https://www.bilibili.com/video/av24998616/?p=10和

https://opencv-python-tutroals.readthedocs.io/en/latest/py_tutorials/py_imgproc/py_filtering/py_filtering.html

給影象加噪聲

首先要知道有哪些常見的噪聲。參考了https://www.cnblogs.com/lytwajue/p/7381202.html

和https://blog.csdn.net/zh_jessica/article/details/77967650#%E5%AE%89%E8%A3%85skimage%E5%BA%93

這個也就是黑點或者白點隨機出現，一個點就是佔一個畫素咯。

這個其實很容易寫出來的。用兩個迴圈和一個random模組中的一個函式就可以寫出來。

注意是包含邊界的。

我是加了10%的噪聲，看到用了0.86，時間還是挺長的。

原圖：

加完椒鹽噪聲的圖片：

這裡要說的是我原來的1.jpg並沒有加上椒鹽噪聲，因為我們並沒有把a寫入1.jpg，只是讀進來的點陣圖資料a被改變了，但是a並不是和1.jpg關聯的。

然後是高斯噪聲：

功率譜是訊號處理相關的一個概念，和傅立葉變換有關，簡單來說就是各種頻率餘弦訊號所含能量的一個譜。

這是我自己寫出來的一個高斯噪聲的程式：

這裡先給大家倒個歉，以前好像說過cv2.add沒有廣播機制。

這裡這麼報錯了，說明是可以廣播的。

這是我寫的高斯噪聲的程式：

用了0.5s，這是我把畫素點減少到274*200個的結果，不然的話可能時間會比較長了，下面是出來的圖：

看到裡面是有一些噪聲的。

sigma是標準差。然後我們必須重新認識一下np.where函式，它的用處可不止前面學的那麼簡單：

可以說有了x,y引數的where才是完整的。x引數的意思就是如果前面的條件滿足，那麼對應的畫素替換為x,否則就替換為y。

        r1=np.where((g+a[i,j])>255,255,(g+a[i,j]))

        r2=np.where(r1<0,0,r1)

        a[i,j]=np.round(r2)

上面三行操作是為了保證亮度是0-255之間的整數。

我要提醒你們一點的是，網上有很多加高斯噪聲的程式碼都是錯的。比如：https://blog.csdn.net/kaikai______/article/details/53535909

首先這個程式碼是單通道的，這個其實博主也承認了，第二點，它的程式碼的判斷其實寫的沒有一點意義，因為NoiseImg的dtype，也就是src的dtype，也就是我們預設用cv2.imread讀進來的圖片的dtype是uint8，那麼本來就是0-255，這裡NoiseImg[i,j]=NoiseImg[i,j]+random.gauss(means,sigma)本身就會自動溢位，也就是256會被認為是0，這個我們前面的文章裡面已經見識過溢位和飽和的巨大差別，影象處理我們需要的是飽和而不是溢位。我來演示一下：

看到下面的災難性後果了嘛？顏色完全變了哎，這就是溢位的結果。

上面的[187 244 253]為什麼變成了[193 250 3]呢？看起來不就是每個元素都加了6嗎？253+6=259-256=3。這已經溢位了，在溢位後面加判斷又有什麼用處呢？所以我的處理是不要讓a[i,j]去接受a[i,j]+r.gauss(0,1)的值，不然就會溢位。

所以諸君，慎重對待網上的一些程式碼，自己要動動腦子。還有一點我們需要注意：

當然其實也不難理解，這就是python的機制嘛，如果讓a=a+5，那麼a指向的地址空間就變了，因為改變的不是某一個子陣列，也就是不是內容，這個改變的是地址指向。如果是改變內容的話，地址指向不變，改變的是地址裡面存的內容了，還有一點，[:]改變的也是內容，這也可以解釋，畢竟它指代的是所有元素，而不是地址，其實按照c語言的中陣列指標來類比，a就是a列表的首地址。參看下圖。

那麼有沒有提供給我們現成的模組的呢？也是有的。

顯示讓我們安裝scikit-image，那麼我們就安裝這個。

mode是模式，輸入是字串，，預設是'gaussian'就是高斯噪聲，'s&p'是椒鹽噪聲。image將要被轉化為浮點型，這個下面我們會看到。

seed是起始點，可以不要。clip是True的話會對模式是高斯，泊松和斑點分佈應用在影象上之後進行修正，反之不會，預設就是真。mean就是分佈的均值是浮點數，用在高斯和斑點分佈中，預設是0。var是方差，預設為0.01。有些我們沒有用到的就先不介紹了。amount是噪聲的比例，在椒鹽，鹽和胡椒噪聲中用到。salt_vs_pepper用於s&p,是鹽（白色）和胡椒（黑色）的比例，預設是相等的0.5。

來加一個椒鹽試一試。

速度挺快的，但是顏色不知道為什麼不是黑白的。而且型別是float64，出來的都是在[0,1]之間。0是白色,1是黑色。然後是高斯分佈，用預設的均值0和方差0.01：

最後一行忽略掉，那個是我後來測試其它東西打上去的。

均值濾波

這裡面是有預設的卷積核的，blur用的就是均值濾波的卷積核。

ksize是卷積核大小。anchor是錨，也就是卷積結果放置的位置，（-1，-1）是預設的，代表核中心。bordertype是邊界補充型別，參考了https://blog.csdn.net/qianqing13579/article/details/42323397

沒錯在copyMakeBorder裡面我們就見過這幾個。

可以比較明顯的看出來，均值濾波對於高斯噪聲的效果比較好，但是對於椒鹽噪聲就不太行了。這是因為我們加的高斯噪聲的方差0.01很小，而且均值為0，很大概率高斯噪聲造成畫素點的顏色變化很小，一取平均的話就可以消除。

如果我們增大方差到0.1的話，可以看到明顯消除噪聲的效果也是非常的差。

中值濾波

中值濾波是比較難寫出對應的卷積核，不過演算法還是比較好寫的，就是取對應矩形內元素的中值作為卷積的結果。

這個ksize只需要填一個大於1的奇數就可以。而blur需要填的是元組。

看到了錯誤原因是is not a tuple。下面我們試一試中值濾波：

這個原因可能是加完噪聲之後陣列元素變成小數造成的。那麼我們就用我們上面自己寫的程式碼唄。首先我覺得既然加噪聲比較常用，我們就把它封裝成一個模組。需要注意的是模組的路徑一定要在sys.path裡面。sys.path.append可以新增路徑。

好，然後我們測試中值濾波：

我們本來設想的應該是a不變的啊，這為什麼a有噪聲呢？這是因為

沒錯，a是個陣列，在函式裡面對某一個元素賦值時會牽連的。所以我們需要改幾個地方：

我選擇改imnoise模組是因為這樣時一勞永逸。

為什麼3圖加高斯噪聲的基本看不出來效果呢，是因為標準差太小了。我設的預設值是1。

改成20可以看到明顯的效果。100的效果更明顯。

如果means是正的，會增加圖片亮度。100的效果是很顯著的。

從上面我們可以看出：中值濾波對於椒鹽噪聲和sigma較小,mean=0的高斯噪聲可以很好的處理，這是因為中值濾波卷積的結果是要取中值的，而椒鹽噪聲是0或者255，基本不可能被取到，除非有很多0或者255，也就是有很多黑色和白色，但是這樣加進去的噪聲要麼是相當於沒有加進去，黑裡加黑或者白里加白，要麼是黑裡加白或者白里加黑，這種是很容易過濾掉的。

對於sigma比較大或者means比較大的，中值濾波就比較乏力了，因為噪聲影響到的畫素比較多，取一個區域中值的時候，如果有太多畫素點的亮度偏離原來的數值太多，這個中值也會偏離比較大。

中間插播一個小知識：參考了http://lib.csdn.net/article/python/64659

高斯模糊

其實上面我們也看到了，濾波處理是有模糊的功能的，因為邊界看起來真的模糊多了，這主要還是因為卷積核的選取的原因，上一講也有可以讓邊界更清晰的卷積核，這個下面會有。

下面的圖中有一個5階的高斯卷積核，這個卷積核是根據半徑和sigma=1計算出來的。

上面還有快速計算高斯卷積的一種方法，就是用先後用兩個一維的去卷積，為什麼一維的是1，2，1呢？其實這都是預設sigma=1，然後對照下面左邊的圖，1對應的函式值大概就是0.2，最中間是0.4，所以就是1，2，1。而其實[]1,2,1]*[1;2;1]就是三階的核，只不過沒有除以16。

這個可以分開的原因是兩個維度是垂直的，也就是是獨立的，也就是引數ρ等於0。

那麼

加入ρ=0，二維的邊緣概率密度就等於兩個一維的概率密度之積。這裡稍微涉及了一點概率論的知識。

ksize引數有兩種選擇，就是寬和高都是正奇數或者它們都給0，根據sigma來計算它們？這裡我懷疑是用3σ原理。

如果σx和σy都是0，那麼就按照kszie來計算，我懷疑是直接用的σ=1。不過上面有說到getGaussianKernel是給了我們一個公式的：sigma = 0.3*((ksize-1)*0.5 - 1) + 0.8。

這個公式其實還就是根據3σ來的：參考https://blog.csdn.net/kuaile20/article/details/17606235

那麼理論就先到這裡，實戰開始了。

這是我們加了sigma是50的高斯模糊，再進行高斯過濾，似乎效果不是太好，那麼我們加大高斯卷積核的大小到11。

效果明顯更好，雖然圖片的輪廓也更模糊了，為什麼圖片的輪廓更模糊了呢？因為我們用了更大的卷積核，考慮了更多邊緣周圍畫素點的情況，那麼最後的結果就是邊緣的過渡更平滑，邊緣也就更加模糊了。增大卷積核還更加細分了權值，可以想象，是會更能消除高斯噪聲的。

但是對於椒鹽噪聲的效果其實不太理想，這是因為椒鹽噪聲非0即255嘛，但是增加核數效果還是會好，這是因為椒鹽噪聲被“人海淹沒了”，雖然它們很’“偏激’，但是如果周圍很多正常人，一加權平均，就顯得整個團體沒有那麼”偏激“。

影象銳化

由於opencv似乎沒有直接提供影象銳化的API，我們需要用自定義卷積核來自己實現銳化。

用的就是filter2D函式來自定義卷積核。ddepth是資料深度，我們就照著填-1吧，kernel就是我們的卷積核，如果想各個通道的卷積核不一樣，哪那麼就先把影象用cv2.split分為三通道，然後每個通道分別用。delta是在輸出之前，卷積之後要整體加的一個數。

好的，那麼我們回顧一下之前的銳化的核是什麼。

5階的，上面已經基本上說明了原理了，如果不是邊緣，這個值一般和原來差別不大，因為周圍畫素點的顏色差別不大，差別很大說明是邊緣；如果是邊緣，那麼它周圍的畫素點的顏色肯定差別比較大了，一邊是和邊緣點的顏色相近的，還有一邊是差別較大的，那麼我覺得邊緣出來的效果就有可能是亮度比較高或者比較低。

效果還是比較明顯的，有噪聲的話，噪聲也會更加明顯。

我們最後來學一下什麼叫做depth，-1又是什麼意思？參考了https://blog.csdn.net/sz76211822/article/details/47278185

還有https://blog.csdn.net/yiyuehuan/article/details/43703067

我想-1應該是跟隨其它輸入的意思。上面我們填-1也就是跟隨a的dtype了，

改一下就會跟著變。

我們先到這裡。