主要講解Python調用OpenCV實現圖像平滑，包括四個算法：均值濾波、方框濾波、高斯濾波和中值濾波.

給圖像增加噪聲:

import cv2import numpy as npdef test10(): img = cv2.imread('result.jpg', cv2.IMREAD_UNCHANGED) rows, cols, chn = img.shape # 加噪聲 for i in range(5000): x = np.random.randint(0, rows) y = np.random.randint(0, cols) img[x, y, :] = 255 cv2.imshow('demo', img) if cv2.waitKey(0) == 27: cv2.destroyWindow('demo')test10()

效果如下:

均值濾波: 均值濾波是指任意一點的像素值，都是周圍N*M個像素值的均值, result = cv2.blur(圖像, 核大小)，其中核大小是以(寬度, 高度)表示的元組形式,常見的形式包括: (3, 3)和(5, 5)

代碼如下:

import matplotlib.pyplot as pltimport cv2def test11(): img = cv2.imread('result.jpg') source = cv2.cvtColor(img, cv2.COLOR_BGR2BGRA) # 均值濾波 result = cv2.blur(source, (5, 5)) # 顯示圖像 title = ['demo1', 'demo2'] imgs = [source, result] for i in range(2): plt.subplot(1, 2, i+1) plt.imshow(imgs[i], 'gray') plt.title(title[i]) plt.xticks([]) plt.yticks([]) plt.show()test11()

效果如下:

將核值調大會讓圖像變模糊，例如設置為(20, 20),效果如下:如果設置為(1, 1)處理的結果就是原圖，核中每個權重值相同,稱為均值。

方框濾波

方框濾波和均值濾波核基本一致，區別是需不需要均一化處理。OpenCV調用boxFilter()函數實現方框濾波。函數如下：result = cv2.boxFilter(原始圖像, 目標圖像深度, 核大小, normalize屬性) 其中，目標圖像深度是int類型，通常用“-1”表示與原始圖像一致；核大小主要包括（3，3）和（5，5）;normalize屬性表示是否對目標圖像進行歸一化處理。當normalize為true時需要執行均值化處理，當normalize為false時，不進行均值化處理，實際上為求周圍各像素的和，很容易發生溢出，溢出時均為白色，對應像素值為255。

代碼如下:

import cv2import matplotlib.pyplot as pltdef test12(): img = cv2.imread('result.jpg') source = cv2.cvtColor(img, cv2.COLOR_BGR2BGRA) # 方框濾波 result = cv2.boxFilter(source, -2, (5, 5), normalize=1) # 顯示圖像 title = ['demo1', 'demo2'] imgs = [source, result] for i in range(2): plt.subplot(1, 2, i+1), plt.imshow(imgs[i], 'gray') plt.title(title[i]) plt.xticks([]) plt.yticks([]) plt.show()test12()

效果如下:

如果省略參數normalize，則默認是進行歸一化處理。如果normalize=0則不進行歸一化處理，像素值為周圍像素之和，圖像更多為白色。

效果如下:

上圖很多像素為白色，因為圖像求和結果幾乎都是255。如果設置的是2*2矩陣，只取四個像素結果要好些。 result = cv2.boxFilter(source, -1, (2,2), normalize=0)

高斯濾波： 高斯濾波讓臨近的像素具有更高的重要度，對周圍像素計算加權平均值，較近的像素具有較大的權重值。dst = cv2.GaussianBlur(src, ksize, sigmaX) 其中，src表示原始圖像，ksize表示核大小，sigmaX表示X方向方差。注意，核大小（N, N）必須是奇數，X方向方差主要控制權重

代碼如下:

import cv2import matplotlib.pyplot as pltdef test12(): img = cv2.imread('result.jpg') source = cv2.cvtColor(img, cv2.COLOR_BGR2BGRA) # 高斯濾波 result = cv2.GaussianBlur(source, (3, 3), 0) # 顯示圖像 title = ['demo1', 'demo2'] imgs = [source, result] for i in range(2): plt.subplot(1, 2, i+1), plt.imshow(imgs[i], 'gray') plt.title(title[i]) plt.xticks([]) plt.yticks([]) plt.show()test12()

效果如下:

核數增加，圖像會變模糊，例如設置為(17, 17)

中值濾波: 在使用鄰域平均法去噪的同時也使得邊界變得模糊。而中值濾波是非線性的圖像處理方法，在去噪的同時可以兼顧到邊界信息的保留。選一個含有奇數點的窗口W，將這個窗口在圖像上掃描，把窗口中所含的像素點按灰度級的升或降序排列，取位于中間的灰度值來代替該點的灰度值.

OpenCV主要調用medianBlur()函數實現中值濾波,圖像平滑里中值濾波的效果最好。dst = cv2.medianBlur(src, ksize)其中，src表示源文件，ksize表示核大小。核必須是大于1的奇數，如3、5、7等

代碼如下：

import cv2def test13(): img = cv2.imread('result.jpg') # 高斯濾波 result = cv2.medianBlur(img, 5) cv2.imshow('demo1', img) cv2.imshow('demo2', result) if cv2.waitKey(0) == 27: cv2.destroyWindow('demo1') cv2.destroyWindow('demo2')test13()

效果如下:

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支持好吧啦網。