计算机视觉基础9---图像模糊

参考书目：《OpenCV计算机视觉基础教程》–夏帮贵。
代码编写：Jupyter Notebook。

图像模糊处理概念

• 图像模糊(图像平滑处理)：处理图像中与周围差异较大的点，将其像素值调整为与周围点像素值近似的值；
• 目的：消除图像噪声和边缘；

均值滤波

1. 均值滤波：以当前点为中心，用其周围$N\times N$个点像素值的平均值代替当前点的像素值；
2. 用于计算平均值的$N\times N$个点称为邻域，用于滤波计算的卷积核大小与邻域相同；
3. 一个大小3×3的邻域为：
   $$\left[\begin{array}{ccc}125& 129& 130\\ 134& 253& 127\\ 125& 133& 131\end{array}\right]$$
4. 对应的卷积核为：
   $$\frac{1}{3\times 3}\left[\begin{array}{c}111\\ 111\\ 111\end{array}\right]$$
5. 中心点均值滤波值：
   $$中心滤波值=(125+129+130+134+253+127+125+133+131)÷9=143$$
6. $cv2.blur()$函数实现均值滤波；

# 1.均值滤波
# 语法格式：dst = cv2.blur(src, ksize[, anchor[, borderType]])
# 参数说明：
# a.dst：滤波结果图像；
# b.src：原图像；
# c.ksize：卷积核大小，表示为(width, height)，width和height通常设置为相同值，且为正数和奇数；
# d.anchor：锚点，默认值：(-1, -1)， 表示锚点位于卷积核中心；
# e.borderType：边界值处理方式；
import cv2 as cv

img1 = cv.imread("dog.jpg")
img2 = cv.blur(img1, (3, 3))
img3 = cv.blur(img1, (5, 5))

cv.imshow("dog", img1)
cv.imshow("dog_blur1", img2)
cv.imshow("dog_blur2", img3)

cv.waitKey(0)

# 2.高斯滤波
# 语法格式：dst = cv2.GaussianBlur(src, ksize, sigmaX[, sigmaY[, borderType]])
# 参数说明：
# a.dst：滤波结果图像；
# b.src：原图像；
# c.ksize：卷积核大小，表示为(width, height)，width和height通常设置为相同值，且为正数和奇数；
# d.sigmaX：水平方向的权重值；
# e.sigmaY：垂直方向的权重值；
# sigmaX = 0.3 × ((width - 1) × 0.5 - 1) + 0.8；
# sigmaY = 0.3 × ((height - 1) × 0.5 - 1) + 0.8；
import cv2 as cv

img1 = cv.imread("dog.jpg")
img2 = cv.GaussianBlur(img1, (3, 3), 0, 0)
img3 = cv.GaussianBlur(img1, (5, 5), 0, 0)

cv.imshow("dog", img1)
cv.imshow("dog_gauss1", img2)
cv.imshow("dog_gauss2", img3)

cv.waitKey(0)

# 3.方框滤波
# 方框滤波：以均值滤波以基础，可选择是否对滤波结果进行归一化；
# 如果进行归一化，则滤波结果为邻域内点的像素值之和的平均值；
# 如果不进行归一化，则滤波结果为像素值之和；
# 语法格式：
# dst = cv2.boxFilter(src, ddepth, ksize[, anchor[, normalize[, borderType]]])
# 参数说明：
# a.dst：滤波结果图像；
# b.src：原图像；
# c.ddepth：目标图像的深度，一般使用-1表示与原图像深度一致；
# d.ksize：卷积核大小，表示为(width, height)，width和height通常设置为相同值，且为正数和奇数；
# e.anchor：锚点，默认值：(-1, -1)， 表示锚点位于卷积核中心；
# f.normalize：True时，进行归一化；False时，不进行归一化；
# g.borderType：边界值处理方式；
import cv2 as cv

img1 = cv.imread("dog.jpg")
img2 = cv.boxFilter(img1, -1, (3, 3), normalize = False)
img3 = cv.boxFilter(img1, -1, (3, 3), normalize = True)
img4 = cv.boxFilter(img1, -1, (5, 5), normalize = False)
img5 = cv.boxFilter(img1, -1, (5, 5), normalize = True)

cv.imshow("dog", img1)
cv.imshow("dog_box_not_normal1", img2)
cv.imshow("dog_box_normal1", img3)
cv.imshow("dog_box_not_normal2", img4)
cv.imshow("dog_box_normal2", img5)

cv.waitKey(0)

# 4.中值滤波
# 中值滤波：将邻域内所有像素值排序，取中间值作为邻域中心点的像素值；
# 语法格式：dst = cv2.medianBlur(src, ksize)
# 参数说明：
# a.dst：转换后图像；
# b.src：转换前原图像；
# c.ksize：卷积核大小，大于1的奇数；
import cv2 as cv

img1 = cv.imread("dog.jpg")
img2 = cv.medianBlur(img1, 3)
img3 = cv.medianBlur(img1, 5)
img4 = cv.medianBlur(img1, 7)
img5 = cv.medianBlur(img1, 9)
img6 = cv.medianBlur(img1, 21)

cv.imshow("dog", img1)
cv.imshow("dog_median1", img2)
cv.imshow("dog_median2", img3)
cv.imshow("dog_median3", img4)
cv.imshow("dog_median4", img5)
cv.imshow("dog_median5", img6)

cv.waitKey(0)

# 5.双边滤波
# 双边滤波：在计算像素值的同时会考虑距离和色差信息，从而可在消除噪声的同时保护边缘信息；
# 在双边滤波时，如果像素点与当前点色差较小，赋予较大的权重；否则，赋予较小的权重；
# 语法格式：dst = cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace[, borderType])
# 参数说明：
# a.dst：转换后图像；
# b.src：转换前原图像；
# c.d：以当前点为中心的邻域的直径，一般为5；
# d.sigmaColor：双边滤波选择的色差范围；
# e.sigmaSpace：空间坐标中的sigma值，值越大，表示越多的像素点参与滤波计算；
# d>0时，忽略sigmaSpace，由d决定邻域大小；否则d由sigmaSpace计算得出，与sigmaSpace成比例；
import cv2 as cv

img1 = cv.imread("dog.jpg")
img2 = cv.bilateralFilter(img1, 5, 100, 100)
img3 = cv.bilateralFilter(img1, 50, 100, 100)
img4 = cv.bilateralFilter(img1, 100, 100, 100)
img5 = cv.bilateralFilter(img1, 150, 100, 100)
img6 = cv.bilateralFilter(img1, 200, 100, 100)

cv.imshow("dog", img1)
cv.imshow("dog_bilateralFilter1", img2)
cv.imshow("dog_bilateralFilter2", img3)
cv.imshow("dog_bilateralFilter3", img4)
cv.imshow("dog_bilateralFilter4", img5)
cv.imshow("dog_bilateralFilter5", img6)

cv.waitKey(0)

# 6.2D卷积
# 2D卷积：可使用自定义的卷积核来执行滤波操作；
# 语法格式：dst = cv2.filter2D(src, ddepth, kernel[, anchor[, delta[, borderType]]])
# 参数说明：
# a.dst：转换后图像；
# b.src：转换前图像；
# c.ddepth：目标图像dst的深度，一般使用-1表示与原图像src一致；
# d.kernel：单通道卷积核；
# e.anchor：图像处理的锚点；
# f.delta：修正值，未省略时，加上该值作为最终的滤波结果；
# g.borderType：边界值处理方式；
import cv2 as cv
import numpy as np

img1 = cv.imread("dog.jpg")

k1 = np.array([[3, 3, 3, 3, 3], [3, 9, 9, 9, 3], [3, 11, 12, 13, 3], [3, 8, 8, 8, 3], [3, 3, 3, 3, 3]]) / 25
k2 = np.ones((5, 5), np.float32) / 25

img2 = cv.filter2D(img1, -1, k1)
img3 = cv.filter2D(img1, -1, k2)

cv.imshow("dog", img1)
cv.imshow("dog_filter1", img2)
cv.imshow("dog_filter2", img3)

cv.waitKey(0)