python opencv 模糊文字变清晰 opencv图像模糊

一、均值模糊

均值模糊实际上是使用了典型线性滤波算法中的均值滤波算法，是一种线性平滑技术，通过将图像与归一化卷积核进行卷积来实现地。它仅获取内核区域下所有像素的平均值，并替换中心元素。所谓模糊实际上是卷积在图像处理上的一种表现，也可称之为图像的平滑处理过程。均值模糊优点在于效率高，思路简单，缺点是计算均值会将图像中的边缘信息以及特征信息“模糊”掉，会丢失很多有用特征。

在OpenCV中实现均值模糊的API函数为：

def cv.blur(src, ksize, dst=None, anchor=None, borderType=None)

src	源图像
ksize	卷积核的大小（矩阵表示，且为奇数）

注：后三个参数均为None

实例一：对图像进行均值模糊

import cv2 as cv

# 均值模糊-对随机噪声有很好的去噪效果（它仅获取内核区域下所有像素的平均值，并替换中心元素）
def blur_demo(image):
    dst = cv.blur(image, (5, 5))    # 卷积核大小为（5，5），可分别进行横向或纵向的模糊
    cv.imshow("blur_demo", dst)

src = cv.imread("lena256.tif")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)

blur_demo(src)

cv.waitKey(0)
cv.destroyAllWindows()

程序执行结果如下图所示：

左：源图像    右：均值模糊后的图像

二、中值模糊

中值模糊实际上是一种非线性平滑技术，取卷积核所覆盖像素中的中值作为中心点的像素值。中值模糊在处理脉冲噪声以及椒盐噪声时效果极佳，能够有效的保护好图像的边缘信息。

中值滤波与均值滤波比较： 　　　　

优势：在均值滤波器中，由于噪声成分被放入平均计算中，所以输出受到了噪声的影响；而在中值滤波其中，噪声成分很难选上，所以几乎不会影响到输出。 　　　　

劣势：中值滤波花费的时间是均值滤波的5倍以上。 　　

注意：中值滤波虽然可以克服线性滤波器所带来的图像细节模糊，但是在线、尖顶等细节多的图像不宜用中值滤波。

在OpenCV中实现中值模糊的API函数为：

def cv.medianBlur(src, ksize, dst=None)

src	源图像
ksize	卷积核的大小（数字表示，且为奇数）

注：blur()与medianBlur()中的ksize所表示的卷积核大小的方式不同，前者为数组，后者为数字

实例二：对图像进行中值模糊

import cv2 as cv

# 中值模糊-对椒盐噪声有很好的去噪效果（提取内核区域下所有像素的中值，并将中心元素替换为该中值。这对于消除图像中的椒盐噪声非常有效）
def median_blur_demo(image):
    dst = cv.medianBlur(image, 5)   # 内核大小应为正奇数整数
    cv.imshow("median_blur_demo", dst)

src = cv.imread("lena256.tif")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)

median_blur_demo(src)

cv.waitKey(0)
cv.destroyAllWindows()

程序执行结果如下图所示：

左：源图像     右：中值模糊后的图像

三、自定义模糊

自定义模糊可实现图像的锐化处理，锐化就是突出图像细节或者增强图像被模糊的地方，锐化原理就是细节增强，图像的导数就是图像的细节，随着导数阶数升高，能代表的东西也不同。

在OpenCV中实现中值模糊的API函数为：

def cv.filter2D(src, ddepth, kernel)

src	源图像
ddepth	图像深度
kernel	卷积核

注：ddepth输入值为-1时，目标图像和原图像深度保持一致

实例三：对图像进行自定义模糊

import cv2 as cv
import numpy as np

# 自定义模糊-2D卷积（图像过滤）
def custom_blur_demo(image):
    # kernel = np.ones([5, 5], np.float32)/25  # 5x5平均滤波器内核
    # kernel = np.array([[1, 1, 1],
    #                    [1, 1, 1],
    #                    [1, 1, 1]], np.float32) / 9
    # 锐化算子（算子之和必须为奇数，或者为0或1，其中总和为0 做边缘梯度；总和为1 做锐化增强）
    kernel = np.array([[0, -1, 0], [-1, 5, -1], [0, -1, 0]], np.float32)
    dst = cv.filter2D(image, -1, kernel=kernel)     # 当ddepth输入值为-1时，目标图像和原图像深度保持一致
    cv.imshow("custom_blur_demo", dst)

src = cv.imread("lena256.tif")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)

custom_blur_demo(src)

cv.waitKey(0)
cv.destroyAllWindows()

注：上述代码中kernel卷积核可分别用三种方式进行赋值表示

程序执行结果如下图所示：

左：源图像    右：锐化处理后的图像

参考链接：

https://www.jianshu.com/p/5844b83dd4c4