圖像平滑（濾波）處理
這裡先介紹一下圖像的一些問題
每一幅圖像都包含某種程度的噪聲，噪聲可以了解為由一種或者多種原因造成的灰階值的随機變化，如由光子通量的随機性造成的噪聲等等。
而圖像平滑技術或者是圖像濾波技術就是用來處理圖像上的噪聲，其中，能夠具備邊緣保持作用的圖像平滑處理，成為了大家關注的重點。
本文會介紹 OpenCV 中提供的圖像平滑的 4 個算法：
- 均值濾波
- 方框濾波
- 高斯濾波
- 中值濾波
先給之前的小姐姐做一個噪聲處理吧
代碼如下：
import cv2 as cv
import numpy as np
# 讀取圖檔
img = cv.imread("data.jpg", cv.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
cv.imshow("noise", img)
# 圖像儲存
cv.imwrite("maliao_noise.jpg", img)
# 等待顯示
cv.waitKey()
cv.destroyAllWindows() 在這裡随機将一些像素值改問255，白色
2D圖像卷積
在介紹濾波之前先簡單介紹下 2D 圖像卷積，圖像卷積其實就是圖像過濾。
圖像過濾的時候可以使用各種低通濾波器（ LPF ），高通濾波器（ HPF ）等對圖像進行過濾。
低通濾波器（ LPF ）有助于消除噪聲，但是會使圖像模糊。
高通濾波器（ HPF ）有助于在圖像中找到邊緣。
OpenCV 為我們提供了一個函數 filter2D() 來将核心與圖像進行卷積。
我們嘗試對圖像進行平均濾波， 5 x 5 平均濾波器核心如下：
具體操作如下：
我們保持這個核心在一個像素上，将所有低于這個核心的 25 個像素相加，取其平均值，然後用新的平均值替換中心像素。它将對圖像中的所有像素繼續此操作，完整的示例代碼如下：
import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
# 讀取圖檔
img = cv.imread("data.jpg", cv.IMREAD_UNCHANGED)
rgb_img = cv.cvtColor(img, cv.COLOR_BGR2RGB)
kernel = np.ones((5,5),np.float32)/25
dst = cv.filter2D(rgb_img, -1, kernel)
titles = ['Source Image', 'filter2D Image']
images = [rgb_img, dst]
for i in range(2):
plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')
plt.title(titles[i])
plt.xticks([]), plt.yticks([])
plt.show() 均值濾波
均值濾波是指任意一點的像素值，都是周圍 N * M 個像素值的均值。
其實均值濾波和上面的那個圖像卷積的示例，做了同樣的事情，我隻是用 filter2D() 這個方法手動完成了均值濾波，實際上 OpenCV 為我們提供了專門的均值濾波的方法，前面圖像卷積沒有看明白的同學，可以再一遍均值濾波，我盡量把這個事情整的明白的。
還是來畫個圖吧：
中間那個紅色的方框裡面的值，是周圍 25 個格子區域中的像素的和去除以 25 ，這個公式是下面這樣的：
上面這個 5 * 5 的矩陣稱為核，針對原始圖像内的像素點，采用核進行處理，得到結果圖像。
這個核我們可以自定義大小，比如 5 * 5 ，3 * 3 ， 10 * 10 等等，具體定義多大完全看療效。
OpenCV 為我提供了 blur() 方法用作實作均值濾波，原函數如下：
def blur(src, ksize, dst=None, anchor=None, borderType=None) - kSize:核心參數，其實就是圖檔進行卷積的時候相乘的那個矩陣，具體的卷積是如何算的，網上有很多，我這裡就不介紹了，所得到的圖像是模糊的，而且圖像其實是按照原來的比例缺少了（原圖像-核心參數+1)^2個單元格。
- anchor: Point 類型，即錨點，有預設值 Point(-1, -1) ，當坐标為負值，就表示取核的中心。
- borderType: Int 類型，用于推斷圖像外部像素的某種邊界模式，有預設值 BORDER_DEFAULT 。
接下來是均值濾波的示例代碼：
import cv2 as cv
import matplotlib.pyplot as plt
# 讀取圖檔
img = cv.imread("data.jpg", cv.IMREAD_UNCHANGED)
rgb_img = cv.cvtColor(img, cv.COLOR_BGR2RGB)
# 均值濾波
blur_img = cv.blur(rgb_img, (3, 3))
# blur_img = cv.blur(img, (5, 5))
# blur_img = cv.blur(img, (10, 10))
# blur_img = cv.blur(img, (20, 20))
titles = ['Source Image', 'Blur Image']
images = [rgb_img, blur_img]
for i in range(2):
plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')
plt.title(titles[i])
plt.xticks([]), plt.yticks([])
plt.show() 這個降噪的效果好像沒有前面 2D 卷積的那個降噪效果好，但是圖像更為清晰，因為我在這個示例中使用了更小的核 3 3 的核，順便我也試了下大核，比如代碼中注釋掉的 10 10 的核或者 20 * 20 的核，實時證明，核越大降噪效果越好，但是相反的是圖像會越模糊。
方框濾波
方框濾波和均值濾波核基本一緻，其中的差別是需不需要進行歸一化處理。
什麼是歸一化處理等下再說，我們先看方框濾波的原函數：
def boxFilter(src, ddepth, ksize, dst=None, anchor=None, normalize=None, borderType=None) - src: 原始圖像。
- ddepth: Int 類型，目标圖像深度，通常用 -1 表示與原始圖像一緻。 kSize: 核心參數。
- dst:輸出與 src 大小和類型相同的圖像。
- anchor: Point 類型，即錨點，有預設值 Point(-1, -1) 。
- normalize: Int 類型，表示是否對目标圖像進行歸一化處理。
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，實際上是求周圍各像素的和，很容易發生溢出，溢出時均為白色，對應像素值為 255 。
完整示例代碼如下：
import cv2 as cv
import matplotlib.pyplot as plt
# 讀取圖檔
img = cv.imread('data.jpg')
source = cv.cvtColor(img, cv.COLOR_BGR2RGB)
# 方框濾波
result = cv.boxFilter(source, -1, (5, 5), normalize = 1)
# 顯示圖形
titles = ['Source Image', 'BoxFilter Image']
images = [source, result]
for i in range(2):
plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')
plt.title(titles[i])
plt.xticks([]), plt.yticks([])
plt.show() 高斯濾波
為了克服簡單局部平均法的弊端(圖像模糊)，目前已提出許多保持邊緣、細節的局部平滑算法。它們的出發點都集中在如何選擇鄰域的大小、形狀和方向、參數加平均及鄰域各店的權重系數等。
在高斯濾波的方法中，實際上是把卷積核換成了高斯核，那麼什麼是高斯核呢？
簡單來講就是方框還是那個方框，原來每個方框裡面的權是相等的，大家最後取平均，現在變成了高斯分布的，方框中心的那個權值最大，其餘方框根據距離中心元素的距離遞減，構成一個高斯小山包，這樣取到的值就變成了權重平均。
下圖是所示的是 3 3 和 5 5 領域的高斯核。
高斯濾波是在 OpenCV 中是由 GaussianBlur() 方法進行實作的，它的原函數如下：
def GaussianBlur(src, ksize, sigmaX, dst=None, sigmaY=None, borderType=None) - sigmaX: 表示 X 方向方差。
這裡需要注意的是 ksize 核大小，在高斯核當中，核 （N, N） 必須是奇數， X 方向方差主要控制權重。
完整的示例代碼如下
import cv2 as cv
import matplotlib.pyplot as plt
# 讀取圖檔
img = cv.imread('data.jpg')
source = cv.cvtColor(img, cv.COLOR_BGR2RGB)
# 方框濾波
result = cv.GaussianBlur(source, (3, 3), 0)
# 顯示圖形
titles = ['Source Image', 'GaussianBlur Image']
images = [source, result]
for i in range(2):
plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')
plt.title(titles[i])
plt.xticks([]), plt.yticks([])
plt.show() 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圖像處理方法，在去噪的同時可以兼顧到邊界資訊的保留。
中值濾波具體的做法是選一個含有奇數點的視窗 W ，将這個視窗在圖像上掃描，把視窗中所含的像素點按灰階級的升或降序排列，取位于中間的灰階值來代替該點的灰階值。
下圖是一個一維的視窗的濾波過程：
在 OpenCV 中，主要是通過調用 medianBlur() 來實作中值濾波，它的原函數如下：
def medianBlur(src, ksize, dst=None) 示例代碼如下：
import cv2 as cv
import matplotlib.pyplot as plt
# 讀取圖檔
img = cv.imread('data.jpg')
source = cv.cvtColor(img, cv.COLOR_BGR2RGB)
# 方框濾波
result = cv.medianBlur(source, 3)
# 顯示圖形
titles = ['Source Image', 'medianBlur Image']
images = [source, result]
for i in range(2):
plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')
plt.title(titles[i])
plt.xticks([]), plt.yticks([])
plt.show()