[OpenCV筆記] 5. 影像平滑處理

 

1.影像平滑處理

平滑化的目的主要為去除影像中的雜訊，常見方法如下：

• 均值濾波
• 方框濾波
• 高斯濾波
• 中值濾波
• 雙邊濾波

以下將針對各種方法與效果進行說明與展示。

1.1. 均值濾波

用目前像素周圍N*N個像素的均值來取代原像素值。程式如下：

img_blur_3 = cv2.blur(img,(3,3))

img為輸入影像。(3,3)為kernel size，也就是取均值的範圍，值越大，去除雜訊效果越明顯，但影像會越模糊。

範例圖片為帶有椒鹽雜訊的Lena圖。"img_blur_3"為濾波後的效果，在本例中，和原圖相比，去雜訊的效果雖有改善但效果不明顯，且原圖也隨之模糊了。

<source：Greatway9999>

1.2. 方框濾波

可選擇對均值濾波結果進行正規化或是鄰域像素值之和。通常進行正規化後的效果較佳，而正規化為預設值。程式如下：

img_boxFilter = cv2.boxFilter(img, -1, (3,3)) 

img為輸入圖像。-1 代表與原始影像使用相同的影像深度。(3,3)為kernel size，值越大，去除雜訊效果越好，但影像會越模糊。

若將參數設定改成不進行正規化，程式會直接進行3*3鄰域的像素和，因此影像的像素值大都超過目前像素的最大值，使輸出影像會接近純白色。

範例圖片為帶有椒鹽雜訊的Lena圖。"img_boxFilter"為濾波後的效果，在本例中，效果和均值濾波相似。

<source：Greatway9999>

1.3. 高斯濾波

將kernel中心點的加權值加強，離中心點越遠，加權值越小。程式如下：

img_GaussianBlur = cv2.GaussianBlur(img, (3,3), 0, 0)

範例圖片為帶有椒鹽雜訊的Lena圖。"img_boxFilter"為濾波後的效果，在本例中，效果和均值濾波相似。

<source：Greatway9999>

1.4. 中值濾波

用鄰域內所有像素值的中間值來替代目前像素值。

img_medianBlur = cv2.medianBlur(img, 3) 

要特別注意的地方為 kernel size 要是比1大的奇數。

與前述幾種方法相比，中值濾波對於去除椒鹽雜訊而言，是效果最佳的方法。

然而，由於沒進行均值處理，因此不會有細節模糊的問題。可在不影響原有影像的情況下去除雜訊。但因要進行排序動作，運算量較大。

<source：Greatway9999>

1.5. 雙邊濾波

綜合考慮距離與色彩的加權結果，能有效去除雜訊，較好地保護邊緣資訊。色彩相近的像素點，會被給予較大的加權值。程式與參數說明如下：

dst = cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace, borderType)

• dst為輸出影像
• src為輸入影像
• d為濾波時選取的空間距離參數，表示以目前像素點為中心點的直徑。若濾波空間較大，則速度較慢。
• sigmaColor 是濾波處理時選取的顏色差值範圍，該值決定周圍哪些像素點能夠參與到濾波中。值越大，參與的像素越多。
• borderType為邊界樣式，通常採用預設值即可。

img_bilateralFilter = cv2.bilateralFilter(img, 25, 100, 100)

從結果來看，雙邊濾波對於去除椒鹽雜訊的效果並不明顯。

1.6. 自訂卷積 

自訂卷積，通常效果和均值濾波相同

kernel = np.ones((9,9), np.float32)/81

img_filter2D = cv2.filter2D(img, -1, kernel)

<source：Greatway9999>

1.7. 完整範例程式

#Blur

# Example Image：https://commons.wikimedia.org/wiki/File:Lenna_0.1_SP_Noise.png

import numpy as np

import cv2

img = cv2.imread('Lenna_Noise.png')

#均值濾波：用目前像素周圍N*N個像素的均值來取代原像素值。

img_blur_3 = cv2.blur(img,(3,3)) #img為輸入影像。(3,3)為kernel size，也就是取均值的範圍，值越大，去除雜訊效果越好，但影像會越模糊。

cv2.imshow('img', img)

cv2.imshow('img_blur_3', img_blur_3)

#img_blur_10 = cv2.blur(img,(10,10))

#cv2.imshow('img_blur_10', img_blur_10)

#方框濾波：可選擇對均值濾波結果進行正規化或是鄰域像素值之和。通常進行正規化後的效果較佳，而正規化為預設值。

img_boxFilter = cv2.boxFilter(img, -1, (3,3)) #img為輸入圖像。-1 代表與原始影像使用相同的影像深度。(3,3)為kernel size，值越大，去除雜訊效果越好，但影像會越模糊。

cv2.imshow('img_boxFilter', img_boxFilter)

#img_boxFilter_0 = cv2.boxFilter(img, -1, (3,3), normalize = 0) #未進行正規化

#未進行正規化，直接進行3*3鄰域的像素和，因此影像的像素值大都超過目前像素的最大值，使輸出影像會接近純白色

#cv2.imshow('img_boxFilter_0 ', img_boxFilter_0 )

#img_boxFilter_10 = cv2.boxFilter(img, -1, (10,10)) #kernel size，值越大，去除雜訊效果越好，但影像會越模糊。

#cv2.imshow('img_boxFilter_10', img_boxFilter_10)

#高斯濾波：將kernel中心點的加權值加強，離中心點越遠，加權值越小。

img_GaussianBlur = cv2.GaussianBlur(img, (3,3), 0, 0)

cv2.imshow('img_GaussianBlur', img_GaussianBlur)

#中值濾波：用鄰域內所有像素值的中間值來替代目前像素值。

img_medianBlur = cv2.medianBlur(img, 3) #kernel size要是比1大的奇數

cv2.imshow('img_medianBlur', img_medianBlur)

#由於沒進行均值處理，因此不會有細節模糊的問題。可在不影響原有影像的情況下去除雜訊。但因要進行排序動作，運算量較大。

#雙邊濾波：綜合考慮距離與色彩的加權結果，能有效去除雜訊，較好地保護邊緣資訊。

#色彩相近的像素點，會被給予較大的加權值。

# dst = cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace, borderType)

# dst為輸出影像

# src為輸入影像。

# d為濾波時選取的空間距離參數，表示以目前像素點為中心點的直徑。若濾波空間較大，則速度較慢。

# sigmaColor 是濾波處理時選取的顏色差值範圍，該值決定周圍哪些像素點能夠參與到濾波中。值越大，參與的像素越多。

# borderType為邊界樣式，通常採用預設值即可。

img_bilateralFilter = cv2.bilateralFilter(img, 25, 100, 100)

cv2.imshow('img_bilateralFilter', img_bilateralFilter)

#自訂卷積，通常效果和均值濾波相同

kernel = np.ones((9,9), np.float32)/81

img_filter2D = cv2.filter2D(img, -1, kernel)

cv2.imshow('img_filter2D', img_filter2D)

cv2.waitKey()

cv2.destroyAllWindows()

---