图片处理-opencv-2.图像平滑
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了图片处理-opencv-2.图像平滑相关的知识,希望对你有一定的参考价值。
参考技术A
图像增强是对图像进行处理,使其比原始图像更适合于特定的应用,它需要与实际应用相结合。对于图像的某些特征如边缘、轮廓、对比度等,图像增强是进行强调或锐化,以便于显示、观察或进一步分析与处理。图像增强的方法是因应用不同而不同的,研究内容包括:
图像平滑是一种区域增强的算法,平滑算法有邻域平均法、中值滤波、边界保持类滤波等。在图像产生、传输和复制过程中,常常会因为多方面原因而被噪声干扰或出现数据丢失,降低了图像的质量(某一像素,如果它与周围像素点相比有明显的不同,则该点被噪声所感染)。这就需要对图像进行一定的增强处理以减小这些缺陷带来的影响。常用的算法 均值滤波、方框滤波、高斯滤波和中值滤波 。
均值滤波是指任意一点的像素值,都是周围N*M个像素值的均值
result = cv2.blur(原始图像,核大小)
缺点:图像模糊
方框滤波和均值滤波核基本一致,区别是需不需要均一化处理
result = cv2.boxFilter(原始图像, 目标图像深度, 核大小, normalize属性)
缺点:图像模糊
高斯平滑与简单平滑不同,它在对邻域内像素进行平均时,给予不同位置的像素不同的权值。高斯滤波让临近的像素具有更高的重要度,对周围像素计算加权平均值,较近的像素具有较大的权重值。
dst = cv2.GaussianBlur(src, ksize, sigmaX)
缺点:边界模糊
中值滤波是非线性的图像处理方法,在去噪的同时可以兼顾到边界信息的保留。选一个含有奇数点的窗口W,将这个窗口在图像上扫描,把窗口中所含的像素点按灰度级的升或降序排列,取位于中间的灰度值来代替该点的灰度值。
dst = cv2.medianBlur(src, ksize)
opencv 4 -- 图像平滑与滤波--理论解释
滤波的作用是什么?
一般可以对图像进行低通滤波、高通滤波
低通滤波:帮助我们去除噪音,模糊图像
高通滤波:帮助我们找到图像的边缘
每个输入的图片或者视频帧都会因自然震动、光照变化或者摄像头本身等原因而产生噪声
对噪声进行平滑是为了避免在运动和跟踪时将其检测出来
这就是为什么要做图像的平滑以及滤波处理
opencv提供的滤波,最主要的作用就是帮助我们做模糊处理
都是低通滤波
模糊图像的本质实际上是去除图像中的高频成分(比如:噪音,边界)
继续深层次来说说为啥要做滤波处理?
滤波,就是过滤波段或者频率的意思,是通过指定一个过滤器对图像的频率过滤,得到想得到的那部分,那就需要说说什么叫做图像的频率
过滤可以移除图像中的噪音、提取感兴趣的可视特征、允许图像重采样
图像在处理的时候都会进行灰度化,单通道的
灰度值就是颜色值,对灰度的处理方式能够是我们做图像处理,图像分类的基础
灰度分布区域的不同,可以作为图像分类的标准; 空间域
灰度变化率的不同,可以作为图像分类的标准 频域
对于灰度变化率,你可以用有蓝天背景的一幅图,灰度在大范围内都基本固定不变
对于人行街道上的一副图像,灰度变化率将是非常大的
因此,观察图像中这些变化的频率就构成了另一条分类图像的方法。这个观点称为频域。
而通过观察图像灰度分布来分类图像称为空间域
频域分析将图像分成从低频到高频的不同部分。
低频对应图像强度变化小的区域,而高频是图像强度变化非常大的区域。
目前已存在若干转换方法,如傅立叶变换或余弦变换,可以用来清晰的显示图像的频率内容。注意,由于图像是一个二维实体,所以其由水平频率(水平方向的变化)和竖直频率(竖直方向的变化)共同组成
在频率分析领域的框架中,滤波器是一个用来增强图像中某个波段或频率,并阻塞(或降低)其他频率波段的操作。
低通滤波器是消除图像中高频部分,但保留低频部分。
高通滤波器消除低频部分
以上是关于图片处理-opencv-2.图像平滑的主要内容,如果未能解决你的问题,请参考以下文章
Python 图像处理 OpenCV :图像平滑(滤波)处理
Python 图像处理 OpenCV :图像平滑(滤波)处理