文章目录
- 1 图像噪声
- 1.1 椒盐噪声
- 1.2 高斯噪声
- 2 图像去噪/滤波/平滑
- 2.1 高斯滤波
- 2.2 均值滤波
- 2.3 中值滤波
1 图像噪声
噪声的产生： 图像中间某些像素发生突变，造成与周围像素之间不和谐
去噪： 用和谐的点替换掉不和谐的点。对灰度值的变化做均一化。
去噪的方法：
（1）基于卷积的方法：高斯滤波、均值滤波…
（2）基于形态学的运算：开、闭运算…
1.1 椒盐噪声
椒盐噪声：也称为脉冲噪声，是图像处理中常见的一种噪声，它是一种随机出现的白点或黑点。
1.2 高斯噪声
高斯噪声：是指噪声的(灰度值)密度函数服从高斯分布。
2 图像去噪/滤波/平滑
2.1 高斯滤波
高斯核：
越接近中心，取值越大，越远离中心，取值越小。计算高斯平滑结果时，只需要将中心点作为原点，其他点按照其在正态分布曲线上的位置，分配权重，就可以得到一个加权平均值。
高斯滤波的作用：
（1）高斯滤波对图像进行了平滑或模糊的操作，模糊的强度是由高斯的标准方差σ决定的，标准方差越大，对图像的平滑越大，方差越小，对图像的模糊程度越小。
（2）高斯滤波是一个平均操作，对高斯核覆盖的像素点的灰度值的平均，给中间的点给予更多的权重的平均。 使得中间的点具有更多的权重，周围点具有较低的权重。能够很好的保留原来图像的属性。
API： cv2.GaussianBlur（src,ksize,sigmax,sigmaY=None, borderType=None）
参数：
src：输入图像
ksize：高斯卷积核大小，注意卷积核的宽度和高度都应该为奇数，且可以不同
sigmax：水平方向的标准差
sigmay：垂直方向的标准差，默认为0，表示与sigmax相同
borderType：填充边界类型
import cv2
import matplotlib.pyplot as plt
import numpy as np
#1. 读取图像
img1=cv2.imread('blur_sp.png')#椒盐噪声的图像
img2=cv2.imread('blur_gs.png')#高斯噪声的图像
#2.高斯滤波
img_blur1=cv2.GaussianBlur(img2,(3,3),sigmaX=1)
#3.显示图像
cv2.imshow('origin',img2)
cv2.imshow('blur_jiaoyan',img_blur1)
cv2.waitKey(0)
2.2 均值滤波
均值滤波核：
均值滤波核覆盖的每个像素点或得到了相同权重。采用均值滤波模板，对图像中的噪声进行去除——卷积框覆盖区域所有像素的平均值来代替中心元素。这种平均操作不能很好保持图像本来的属性，将图像变得异常模糊。
API： cv2.blur（src，ksize,anchor=None, borderType=None）
参数：
src：输入图像
ksize：卷积核大小
anchor：默认值（-1，-1）表示核中心
borderType：边界类型
import cv2
import matplotlib.pyplot as plt
import numpy as np
#1. 读取图像
img1=cv2.imread('blur_sp.png')#椒盐噪声的图像
img2=cv2.imread('blur_gs.png')#高斯噪声的图像
#2.均值滤波
img_blur1=cv2.blur(img1,(5,5))
#3.显示图像
cv2.imshow('origin',img1)
cv2.imshow('blur_jiaoyan',img_blur1)
cv2.waitKey(0)
2.3 中值滤波
中值滤波核： 对核覆盖的像素灰度值做排序，取中值作为最终结果。中值滤波是一种典型的非线性滤波技术，基本思想是 用像素点邻域灰度值的中值来替代该像素点的灰度值。
emsp; 特点： 对椒盐噪声尤其有用，因为他不依赖邻域内那些典型值差别很大的值
API： cv2.medianBlur（src,ksize）
src：输入图像
ksize：卷积核大小
import cv2
import matplotlib.pyplot as plt
import numpy as np
#1. 读取图像
img1=cv2.imread('blur_sp.png')#椒盐噪声的图像
img2=cv2.imread('blur_gs.png')#高斯噪声的图像
#2.均值滤波
img_blur1=cv2.medianBlur(img1,3)
#3.显示图像
cv2.imshow('origin',img1)
cv2.imshow('blur_jiaoyan',img_blur1)
cv2.waitKey(0)
中值滤波的效果不如高斯滤波核均值滤波，但是运算速度快。
