簡介
圖像的實質是一種二維信號,濾波是信號處理中的一個重要概念。在圖像處理中,濾波是一種非常常見的技術,它們的原理非常簡單,但是其思想卻十分值得借鑑,濾波是很多圖像算法的前置步驟或基礎,掌握圖像濾波對理解卷積神經網絡也有一定幫助。
學習目標
- 瞭解圖像濾波的分類和基本概念
- 理解均值濾波/方框濾波、高斯濾波的原理
- 掌握OpenCV框架下濾波API的使用
內容
- 均值濾波/方框濾波、高斯濾波的原理
- OpenCV代碼實踐
算法理論介紹
均值濾波、方框濾波
1. 濾波分類
線性濾波: 對鄰域中的像素的計算爲線性運算時,如利用窗口函數進行平滑加權求和的運算,或者某種卷積運算,都可以稱爲線性濾波。常見的線性濾波有:均值濾波、高斯濾波、盒子濾波、拉普拉斯濾波等等,通常線性濾波器之間只是模版係數不同。
非線性濾波: 非線性濾波利用原始圖像跟模版之間的一種邏輯關係得到結果,如最值濾波器,中值濾波器。比較常用的有中值濾波器和雙邊濾波器。
2. 方框(盒子)濾波
方框濾波是一種非常有用的線性濾波,也叫盒子濾波,均值濾波就是盒子濾波歸一化的特殊情況。 應用:均值濾波、引導濾波、計算Haar特徵等等。
優勢: 快!它可以使複雜度爲O(MN)的求和,求方差等運算降低到O(1)或近似於O(1)的複雜度,也就是說與鄰域尺寸無關了,有點類似積分圖吧,但是比積分圖更快(與它的實現方式有關)。
在原理上,是採用一個卷積核與圖像進行卷積:
其中:
可見,歸一化了就是均值濾波;不歸一化則可以計算每個像素鄰域上的各種積分特性,方差、協方差,平方和等等。
3. 均值濾波
應用場合: 根據岡薩雷斯書中的描述,均值模糊可以模糊圖像以便得到感興趣物體的粗略描述,也就是說,去除圖像中的不相關細節,其中“不相關”是指與濾波器模板尺寸相比較小的像素區域,從而對圖像有一個整體的認知。即爲了對感興趣的物體得到一個大致的整體的描述而模糊一幅圖像,忽略細節。
均值濾波的缺陷: 均值濾波本身存在着固有的缺陷,即它不能很好地保護圖像細節,在圖像去噪的同時也破壞了圖像的細節部分,從而使圖像變得模糊,不能很好地去除噪聲點。特別是椒鹽噪聲。
均值濾波是上述方框濾波的特殊情況,均值濾波方法是:對待處理的當前像素,選擇一個模板,該模板爲其鄰近的若干個像素組成,用模板的均值(方框濾波歸一化)來替代原像素的值。公式表示爲:
g(x,y)爲該鄰域的中心像素,n跟係數模版大小有關,一般3*3鄰域的模板,n取爲9,如:
這裏模板是可變的,一般取奇數,如5 * 5 , 7 * 7等等。
注:在實際處理過程中可對圖像邊界進行擴充,擴充爲0或擴充爲鄰近的像素值。
高斯濾波
應用: 高斯濾波是一種線性平滑濾波器,對於服從正態分佈的噪聲有很好的抑制作用。在實際場景中,我們通常會假定圖像包含的噪聲爲高斯白噪聲,所以在許多實際應用的預處理部分,都會採用高斯濾波抑制噪聲,如傳統車牌識別等。
高斯濾波和均值濾波一樣,都是利用一個掩膜和圖像進行卷積求解。不同之處在於:均值濾波器的模板係數都是相同的爲1,而高斯濾波器的模板係數,則隨着距離模板中心的增大而係數減小(服從二維高斯分佈)。所以,高斯濾波器相比於均值濾波器對圖像個模糊程度較小,更能夠保持圖像的整體細節。
二維高斯分佈公式
其中不必糾結於係數,因爲它只是一個常數!並不會影響互相之間的比例關係,並且最終都要進行歸一化,所以在實際計算時我們是忽略它而只計算後半部分:
其中(x,y)爲掩膜內任一點的座標,(ux,uy)爲掩膜內中心點的座標,在圖像處理中可認爲是整數;σ是標準差。
例如:要產生一個3×3的高斯濾波器模板,以模板的中心位置爲座標原點進行取樣。模板在各個位置的座標,如下所示(x軸水平向右,y軸豎直向下)。
這樣,將各個位置的座標帶入到高斯函數中,得到的值就是模板的係數。 對於窗口模板的大小爲 (2k+1)×(2k+1),模板中各個元素值的計算公式如下:
這樣計算出來的模板有兩種形式:小數和整數。
- 小數形式的模板,就是直接計算得到的值,沒有經過任何的處理;
- 整數形式的,則需要進行歸一化處理,將模板左上角的值歸一化爲1,具體介紹請看這篇博文。使用整數的模板時,需要在模板的前面加一個係數,係數爲模板係數和的倒數。
生成高斯掩膜(小數形式)
首先要確定生產掩模的尺寸wsize,然後設定高斯分佈的標準差。生成的過程,先根據模板的大小,找到模板的中心位置center。 然後遍歷,根據高斯分佈的函數,計算模板中每個係數的值。
最後模板的每個係數要除以所有係數的和。這樣就得到了小數形式的模板。
python 生成高斯模板
3×3,σ=0.8的小數型模板:
# 通過一維高斯核相乘生成二維高斯核
import cv2
import numpy as np
kx = cv2.getGaussianKernel(3,0.8)
ky = cv2.getGaussianKernel(3,0.8)
kernal = np.multiply(kx,np.transpose(ky))
print (kernal)
[[0.05711826 0.12475775 0.05711826]
[0.12475775 0.27249597 0.12475775]
[0.05711826 0.12475775 0.05711826]]
σ的意義及選取
高斯濾波器模板的生成最重要的參數就是高斯分佈的標準差σ。標準差代表着數據的離散程度,如果σ較小,那麼生成的模板的中心繫數較大,而周圍的係數較小,這樣對圖像的平滑效果就不是很明顯;反之,σ較大,則生成的模板的各個係數相差就不是很大,比較類似均值模板,對圖像的平滑效果比較明顯。
- σ越大,分佈越分散,各部分比重差別不大,於是生成的模板各元素值差別不大,類似於平均模板;
- σ越小,分佈越集中,中間部分所佔比重遠遠高於其他部分,反映到高斯模板上就是中心元素值遠遠大於其他元素值,於是自然而然就相當於中間值得點運算。
一維高斯分佈的概率分佈密度圖:
結論:σ越小分佈越瘦高,σ越大分佈越矮胖。
基於OpenCV的實現
1.方框(平均)濾波
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('./keji.jpg')
cv2.imshow("kejiorigin",img)
cv2.waitKey()
blur = cv2.blur(img,(5,5))
cv2.imshow("kejifilter",blur)
cv2.waitKey()
原圖
模糊
2.高斯濾波
blur = cv2.GaussianBlur(img,(5,5),0)
cv2.imshow("kejigaussfilter",blur)
cv2.waitKey()
3.中位模糊
median = cv2.medianBlur(img,5)
cv2.imshow("kejimediumfilter",median)
cv2.waitKey()
相關文檔
opencv 中文文檔