opencv HoughCircles识别椭圆 opencv findcirclesgrid

文章目录

• 滤波
• 滤波实例

• 1. 均值滤波
• 2. 方框滤波

• 设置normalize为0
• 设置normalize为1

• 3. 高斯滤波

• 高通滤波的使用

• 4. 中值滤波
• 5. 双边滤波
• 6. 2D卷积（自定义滤波）

滤波

由于可能会有中值这种操作，所以滑窗或者说卷积的大小一般是奇数。
大致有以下几种滤波：

1. 均值滤波；
2. 方框滤波；
3. 高斯滤波；
4. 中值滤波；
5. 双边滤波；
6. 2D卷积（自定义滤波）

	均值滤波	方框滤波
函数说明	def blur(src, ksize, dst=None, anchor=None, borderType=None, /) -> dst	def boxFilter(src, ddepth, ksize, dst=None, anchor=None, normalize=None, borderType=None, /) -> dst
函数使用	r=cv2.blur(o,(5,5))	r=cv2.boxFilter(o,-1,(5,5))
		ddepth为-1表示与原图像使用同样的深度 ddepth表示处理图像的深度 normalize表示是否使用归一化，归一化的话就和均值滤波一样了

滤波实例

1. 均值滤波

设置核大小即可，因为均值主要是对滑动的窗口求均值
def blur(src, ksize, dst=None, anchor=None, borderType=None, /) -> dst，对应到实际使用r=cv2.blur(o,(5,5))

• 将矩阵结果保存到excel中

#导入库文件
import cv2
import pandas as pd

o=cv2.imread("image\\lenaNoise.png",cv2.IMREAD_GRAYSCALE)
#——将读取之后的图片数据保存进文件中
dataframe = pd.DataFrame(data=o)
dataframe.to_excel("文件.xlsx",index=False,header=False)
print("*"*100)
#使用均值滤波
r=cv2.blur(o,(5,5))#实现均值滤波
#获取均值滤波之后的数据，将其保存进excel
dataframe2 = pd.DataFrame(data=r)
dataframe2.to_excel("文件2.xlsx",index=False,header=False)
#显示原始以及滤波之后的图片
cv2.imshow("original",o)
cv2.imshow("result",r)
#销毁相关数据
cv2.waitKey()
cv2.destroyAllWindows()

2. 方框滤波

在方框滤波中，可以自由选择是否对均值滤波的结果进行归一化，即可以自由选择滤波结果是邻域像素值之和的平均值，还是邻域像素值之和。
对应到参数上的不同就是normalize是0还是1，是1表示需要进行归一化，是0表示不需要进行归一化。

设置normalize为0

import cv2
o=cv2.imread("image\\lenaNoise.png")
r=cv2.boxFilter(o,-1,(5,5)) 
cv2.imshow("original",o)
cv2.imshow("result",r)
cv2.waitKey()
cv2.destroyAllWindows()

设置normalize为1

如果将归一化参数normalize设置为0，也就是不进行求平均值，那么很有可能就会超过255的值，整个就会变成纯白，如果如下图所示，result变成看纯白

3. 高斯滤波

高斯滤波里面的值是按照正态分布的，

def GaussianBlur(src, ksize, sigmaX, dst=None, sigmaY=None, borderType=None, /) -> dst在调用高斯滤波函数的时候，我们可以看到实际调用的函数是cv2.getGaussianKernel(ksize, sigma, ktype=None)：

这个虽然是二维卷积，但是其实是通过一维卷积进行实现，分别在X以及Y方向上进行卷积，其卷积核如下（并且在边缘会有默认的padding操作）：

所以其位置的公式计算$G_i= \alpha *e^{-(i-( \texttt{ksize} -1)/2)^2/(2* \texttt{sigma}^2)}$

这个位置计算

带入公式	-1	0	1
坐标位置	1	2	3
计算	0-(3-1)/2	1-(3-1)/2	2-(3-1)/2	i-(ksize-1)/2

这些坐标位置就可以直接带入正态分布（也可以叫做高通分布）中去：

并且换个角度去看，先进行X滤波，再进行Y滤波，就等于下面的滤波器，然后代入到二维正态分布：

高通滤波的使用

函数定义：def GaussianBlur(src, ksize, sigmaX, dst=None, sigmaY=None, borderType=None, /) -> dst 实际调用：r=cv2.GaussianBlur(o,(3,3),0,0) 代码使用：

import cv2
a=cv2.getGaussianKernel(3, 1)
print(a)

o=cv2.imread("image\\lenaNoise.png")
o=cv2.resize(o, (5,5))
r=cv2.GaussianBlur(o,(3,3),0,0)
cv2.imshow("original",o)
cv2.imshow("result",r)
cv2.waitKey()
cv2.destroyAllWindows()

cv2.getGaussianKernel(ksize, sigma, ktype=None)

4. 中值滤波

在一个滑窗范围内，首先进行排序，然后找到排在中间的那个数，将其替代这个位置的像素值
示例：

import cv2
o=cv2.imread("image\\lenaNoise.png")
r=cv2.medianBlur(o,3)
cv2.imshow("original",o)
cv2.imshow("result",r)
cv2.waitKey()
cv2.destroyAllWindows()

5. 双边滤波

由于前面的滤波方式容易在边缘发生模糊的情况，尤其突变的时候，而边缘信息正是突变的地方。尤其是均值滤波这种，将一个滤波范围内的像素就给平均了，于是反而都处于相近的像素，将原本的信息改变了

下面就是经过高斯处理之后的效果，会显得比较模糊：

给距离以及色彩增加权重的考虑，如下图所示，在计算左边区域的时候，给右边的权重少一点，其判断一句是左边的像素值明显比右边大很多，而计算右边的时候，就会将左边的权重给的小很多，其判断

由于参考了空间以及色彩的因素，所以需要有这两个差值的阈值。其函数定义如下：

def bilateralFilter(src, d, sigmaColor, sigmaSpace, dst=None, borderType=None, /) -> dst

1. d是在滤波时选取的空间距离参数，这里表示以当前像素点为中心点的直径。推荐为5；
2. sigmaColor是滤波处理时选取的颜色差值范围，该值决定了周围哪些像素点能够参与到滤波中来。为255表示指定直径所有的点都可以参与运算。
3. sigmaSpace是坐标空间中的sigma值。它的值越大，说明有越多的点能够参与到滤波计算中来。当d>0时，无论sigmaSpace的值如何，d都指定邻域大小；否则，d与sigmaSpace的值成比例，也就是淋雨大小通过sigmaSpace计算；

查看滤波效果：

import cv2
o=cv2.imread("image\\lenaNoise.png")
r=cv2.bilateralFilter(o,25,100,100)
cv2.imshow("original",o)
cv2.imshow("result",r)
cv2.waitKey()
cv2.destroyAllWindows()

如果将滤波设计很大：

import cv2
o=cv2.imread("image\\bilTest.bmp")
g=r=cv2.GaussianBlur(o,(55,55),0,0)
b=cv2.bilateralFilter(o,55,100,100)
cv2.imshow("original",o)
cv2.imshow("Gaussian",g)
cv2.imshow("bilateral",b)
cv2.waitKey()
cv2.destroyAllWindows()

双边滤波一般只能比较好进行低频的滤波，常见的就是边缘了。

6. 2D卷积（自定义滤波）

def filter2D(src, ddepth, kernel, dst=None, anchor=None, delta=None, borderType=None, /) -> dst

1. ddepth表示图像的深度，如果为-1就表示和原图像一样的深度；
2. kernel：为自定义的卷积核

import cv2
import numpy as np
o=cv2.imread("image\\lena.bmp")
kernel = np.ones((9,9),np.float32)/81
r = cv2.filter2D(o,-1,kernel)
cv2.imshow("original",o)
cv2.imshow("Gaussian",r)
cv2.waitKey()
cv2.destroyAllWindows()