图像基础17 图像滤波与除噪——高斯滤波、双边滤波

高斯滤波

本文学习资源来自《机器学习实践指南 案例应用解析》
代码：

import cv2import numpy as np fn = "test.jpg"myimg = cv2.imread(fn)img = cv2.cvtColor(myimg , cv2.COLOR_BGR2GRAY)# 加上高斯噪声param = 20# 灰阶范围grayscale = 256w = img.shape[1]h = img.shape[0]newimg = np.zeros((h,w),np.uint8)for x in range(0,h):    for y in range(0,w,2):        r1 = np.random.random_sample()        r2 = np.random.random_sample()        z1=param*np.cos(2*np.pi*r2)*np.sqrt((-2)*np.log(r1))        z2=param*np.sin(2*np.pi*r2)*np.sqrt((-2)*np.log(r1))        fxy=int(img[x,y]+z1)        fxy1 = int(img[x,y+1]+z2)        #f(x,y)        if fxy<0:            fxy_val=0        elif fxy>grayscale-1:            fxy_val=grayscale-1        else:            fxy_val=fxy        #f(x,y+1)        if fxy1<0:            fxy1_val=0        elif fxy1>grayscale-1:            fxy1_val=grayscale-1        else:            fxy1_val=fxy1        newimg[x,y]=fxy_val        newimg[x,y+1]=fxy1_val    print("-")# 滤波去噪lbimg = cv2.GaussianBlur(newimg, (3,3),1.8)cv2.imshow('src', newimg)cv2.imshow('dst',lbimg)cv2.waitKey()cv2.destroyAllWindows()

结果：

---

双边滤波

双边滤波（Bilateral Filter）是一种非线性的滤波方法，是结合图像的空间邻近度和像素值相似度的一种折衷处理方法，同时考虑空域信息和灰度相似性，达到保边去噪的目的。OpenCV的bilateralFilter：

cv2.bilateralFilter(src,d,sigmaColor,sigmaSpace[, dst[, borderType]]) ->dst

• d 滤波时像素邻域的直径，d为负时由sigaColor计算得到；d>5时不能实时处理
• sigmaColor sigmaSpace 表示颜色空间和坐标空间的滤波系数sigma可简单的赋值为相同的值，其值小于10时几乎没有效果，值大于150时为油画效果。

代码示例：

双边滤波对椒盐噪声的滤波：

# -*- coding: utf-8 -*-# coding=utf-8# 线性锐化滤波，拉普拉斯图像变换import cv2import numpy as np fn = "test.jpg"myimg = cv2.imread(fn)img=cv2.cvtColor(myimg,cv2.COLOR_BGR2GRAY)# 加上椒盐噪声# 灰阶范围w = img.shape[1]h = img.shape[0]newimg = np.array(img)# 噪声点数量noisecount = 100000for k in range(0,noisecount):    xi = int(np.random.uniform(0,newimg.shape[1]))    xj = int(np.random.uniform(0,newimg.shape[0]))    newimg[xj,xi]=255# 滤波除噪lbimg=cv2.bilateralFilter(newimg, 5, 140,140)cv2.imshow('src', newimg)cv2.imshow('dst', lbimg)cv2.waitKey()cv2.destroyAllWindows()

原图：

结果：

双边滤波对高斯噪声的滤波

# -*- coding: utf-8 -*-# coding=utf-8# 线性锐化滤波，拉普拉斯图像变换import cv2import numpy as np fn = "test.jpg"myimg = cv2.imread(fn)img=cv2.cvtColor(myimg,cv2.COLOR_BGR2GRAY)# 加上高斯噪声param=20# 灰阶范围grayscale=256w=img.shape[1]h=img.shape[0]newimg=np.zeros((h,w),np.uint8)for x in range(0,h):    for y in range(0,w-1,2):        r1 = np.random.random_sample()        r2 = np.random.random_sample()        z1=param*np.cos(2*np.pi*r2)*np.sqrt((-2)*np.log(r1))        z2=param*np.sin(2*np.pi*r2)*np.sqrt((-2)*np.log(r1))        fxy=int(img[x,y]+z1)        fxy1 = int(img[x,y+1]+z2)        #f(x,y)        if fxy<0:            fxy_val=0        elif fxy>grayscale-1:            fxy_val=grayscale-1        else:            fxy_val=fxy        #f(x,y+1)        if fxy1<0:            fxy1_val=0        elif fxy1>grayscale-1:            fxy1_val=grayscale-1        else:            fxy1_val=fxy1        newimg[x,y]=fxy_val        newimg[x,y+1]=fxy1_val# 滤波去噪lbimg=cv2.bilateralFilter(newimg,3, 140, 140)cv2.imshow('src',newimg)cv2.imshow('dst',lbimg)cv2.waitKey()cv2.destroyAllWindows()

结果：

---

卷积滤波

卷积滤波的基本思想是：将卷积核矩阵的中心依次放在图像矩阵的每一个像素的位置上，将卷积核的每一个元素分别和图像矩阵对应位置的元素相乘，最终将乘积累加起来，作为卷积结果。
python的 filter2D函数进行卷积滤波：

cv2.filter2D(src, ddepth, kernel[, dst[, anchor[, delta[, borderType]]]]) ->dst

卷积滤波对图像锐化

# -*- coding: utf-8 -*-# coding=utf-8# 线性锐化滤波，拉普拉斯图像变换import cv2import numpy as np fn = "test.jpg"myimg = cv2.imread(fn)img=cv2.cvtColor(myimg,cv2.COLOR_BGR2GRAY)myh = np.array([[0,1,0],[1,-4,1],[0,1,0]])jpimg = cv2.filter2D(img,-1,myh)cv2.imshow('src',img)cv2.imshow('dst',jpimg)cv2.waitKey()cv2.destroyAllWindows()

![这里写图片描述](http://img.blog.csdn.net/20171026082911346?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQveHVuZGg=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)

结果：

拉普拉斯算子进行二维卷积计算，对图像锐化处理

# -*- coding: utf-8 -*-# coding=utf-8# 线性锐化滤波，拉普拉斯图像变换import cv2import numpy as np from scipy import signalfn = "test.jpg"myimg = cv2.imread(fn)img=cv2.cvtColor(myimg,cv2.COLOR_BGR2GRAY)srcimg = np.array(img,np.double)myh = np.array([[0,1,0],[1,-4,1],[0,1,0]])myj = signal.convolve2d(srcimg, myh, mode="Same")jpimg = img-myjcv2.imshow('src',img)cv2.imshow('dst',jpimg)cv2.waitKey()cv2.destroyAllWindows()

python环境有问题未验证通过。