1、学习目标

如何使用OpenCV平滑图像或模糊图像OpenCV。

学习不同的形态学操作，如2D卷积（图像滤波）和图像模糊（图像平滑），使用平均，高斯模糊，中值模糊，双边滤波等。

2、使用函数方法

2D卷积 ： cv.filter2D（）

图像模糊：cv .blur（）

高斯模糊：cv.GaussianBlur（）

中值模糊：cv.medianBlur（）

双边滤波：cv.bilateralFilter（）

3、程序

opencv模糊图片变清晰 opencv图像模糊_opencv模糊图片变清晰


结果

opencv模糊图片变清晰 opencv图像模糊_邻域_02


函数讲解：

（1）2D卷积（图像过滤）

该函数实际上计算相关性，而不是卷积：

opencv模糊图片变清晰 opencv图像模糊_权重_03

cv2.filter2D(src, ddepth, kernel[, dst[, anchor[, delta[, borderType]]]]) → dst
 参数：
src        - 输入图像。
dst        - 输出与src相同大小和相同通道数的图像。
ddepth     -所需的目标图像深度;ddepth = -1时，输出图像将具有与源相同的深度。
kernel     - 卷积内核（或称相关内核），单通道浮点矩阵; 如果要将不同的内核应用于不同的通道，请使用split（）将图像拆分为单独的颜色平面 ，然后单独处理它们。
anchor     - 内核的锚点，指示内核中过滤点的相对位置; 锚应位于内核中; 默认值（-1，-1）表示锚点位于内核中心。
delta      - 在将过滤像素存储在dst中之前添加到过滤像素的可选值。
borderType - 像素外推方法

函数执行过程实例：

5x5平均滤波器内核可以定义如下：

opencv模糊图片变清晰 opencv图像模糊_邻域_04


对于每个像素，5x5窗口以此像素为中心，将落在此窗口内的所有像素相加，然后将结果除以25。

（这相当于计算该窗口内的像素值平均值）

对图像中的所有像素执行该操作以产生输出滤波图像。

（2）

模糊

低通滤波器

目的：降低图像的变化率

方法：将每个像素替换为该像素周围像素的均值，这样可以平滑并替代那些强度变化明显的区域。

滤波器中每个像素的权重是相同的

该函数使用内核平滑图像：

opencv模糊图片变清晰 opencv图像模糊_卷积_05

cv2.blur(src, ksize[, dst[, anchor[, borderType]]]) → dst

src        - 输入图像; 它可以有任意数量的通道，这些通道是独立处理的，
             但深度应该是CV_8U，CV_16U，CV_16S，CV_32F或CV_64F。
dst        - 输出与src相同大小和类型的图像。
ksize      - 模糊内核大小。
anchor     - 默认值Point（-1，-1）表示锚点位于内核中心。
borderType - 用于外推图像外部像素的边框模式。

（3）
高斯模糊
目的：对一个像素的周围像素给予更多的重视
方法：用分配权重来重新计算这些周围点的值，可以通过高斯函数的权重方案来解决

像素的权重与其距中心像素的距离成比例

该函数将源图像与指定的高斯内核进行卷积

cv2.GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]]) → dst
src        - 输入图像; 图像可以有任意数量的通道，这些通道是独立处理的，
             但深度应该是CV_8U，CV_16U，CV_16S，CV_32F或CV_64F。
dst        - 输出与src相同大小和类型的图像。
ksize      - 高斯内核大小。 ksize.width 和 ksize.height 可以不同，但它们都必须是正数和奇数。或者，它们可以为零，然后根据sigma *计算 。
sigmaX     - X方向的高斯核标准偏差。
sigmaY     - Y方向的高斯核标准差; 如果 sigmaY 为零，则将其设置为等于 sigmaX，如果两个sigma均为零，则分别从ksize.width 和 ksize.height计算  ;  sigmaX和sigmaY。
borderType - 像素外推方法

我们应该指定内核的宽度和高度，它应该是正数和奇数。我们还应该分别指定X和Y方向的标准偏差，sigmaX和sigmaY。如果仅指定了sigmaX，则sigmaY等于sigmaX。如果两者都为零，则根据内核大小计算它们。高斯滤波在从图像中去除高斯噪声方面非常有效。
（4）
中值滤波

计算内核窗口下所有像素的中值，并用该中值替换中心像素。

中心元素总是被图像中的某个像素值替换。这有效地降低了噪音。内核大小必须是正奇数。

对于消除椒盐现象很有用

使用带

opencv模糊图片变清晰 opencv图像模糊_邻域_06

孔径的中值滤波器平滑图像

cv2.medianBlur(src, ksize[, dst]) → dst
src   - 输入1通道，3通道或4通道图像; 
        当 ksize 为3或5时，图像深度应为CV_8U，CV_16U或CV_32F，
        对于较大的光圈尺寸，它只能是CV_8U。
dst   - 与src具有相同大小和类型的目标数组。
ksize - 孔径线性尺寸; 它必须是奇数且大于1，例如：3,5,7 ......

（5）
双边滤波

cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace[, dst[, borderType]])→ dst
参数：

src         - 源8位或浮点，1通道或3通道图像。
dst         - 与src具有相同大小和类型的目标映像。
d           - 过滤期间使用的每个像素邻域的直径。如果它是非正数，则从sigmaSpace计算。
sigmaColor  - 在颜色空间中过滤sigma。参数的值越大意味着像素邻域内的更远的颜色（参见sigmaSpace）将混合在一起，从而产生更大的半等颜色区域。
sigmaSpace  - 在坐标空间中过滤sigma。较大的参数值意味着只要它们的颜色足够接近，更远的像素就会相互影响 。当d> 0时，无论sigmaSpace如何，它都指定邻域大小。否则，d与sigmaSpace成比例。

Sigma值     ：为简单起见，您可以将2 sigma值设置为相同。如果它们很小（<10），过滤器将没有太大的影响，而如果它们很大（> 150），它们将具有非常强烈的效果，使图像看起来“卡通”。

滤波器大小   ：大滤波器（d> 5）非常慢，因此建议对实时应用使用d = 5，对于需要大量噪声滤波的离线应用，可能需要d = 9。

bilateralFilter可以很好地减少不需要的噪声，同时保持边缘相当清晰。但是，与大多数过滤器相比，它非常慢。