????????前面我們介紹的濾波方法都會(huì)對(duì)圖像造成模糊，使得邊緣信息變?nèi)趸蛘呦В虼诵枰环N能夠?qū)D像邊緣信息進(jìn)行保留的濾波算法，雙邊濾波是綜合考慮空間信息和色彩信息的濾波方式，在濾波過程中能夠有效地保護(hù) 圖像內(nèi)的邊緣信息。

6.1 原理介紹

????????之前介紹的濾波處理過程單純地考慮空間信息，造成了邊界模糊和部分信息的丟失。 雙邊濾波在計(jì)算某一個(gè)像素點(diǎn)的新值時(shí)，不僅考慮距離信息（距離越遠(yuǎn)，權(quán)重越?。?，還考慮色彩信息（色彩差別越大，權(quán)重越?。?。

????????雙邊濾波綜合考慮距離和色彩的權(quán)重結(jié)果，既能夠有效地去除噪聲，又能夠較好地保護(hù)邊緣信息。 在雙邊濾波中，當(dāng)處在邊緣時(shí)，與當(dāng)前點(diǎn)色彩相近的像素點(diǎn)（顏色距離很近）會(huì)被給予較大的權(quán)重值；而與當(dāng)前色彩差別較大的像素點(diǎn)（顏色距離很遠(yuǎn)）會(huì)被給予較小的權(quán)重值（極端情況下權(quán)重可能為0，直接忽略該點(diǎn)），這樣就保護(hù)了邊緣信息。

6.2 函數(shù)語(yǔ)法

????????在OpenCV中，實(shí)現(xiàn)雙邊濾波的函數(shù)是cv2.bilateralFilter（），該函數(shù)的語(yǔ)法是： ????????dst=cv2.bilateralFilter（src,d,sigmaColor,sigmaSpace,borderType）

????????式中：

????????● dst是返回值，表示進(jìn)行雙邊濾波后得到的處理結(jié)果。

????????● src 是需要處理的圖像，即原始圖像。它能夠有任意數(shù)量的通道，并能對(duì)各通道獨(dú)立處理。圖像深度應(yīng)該是CV_8U、CV_16U、CV_16S、CV_32F或者CV_64F中的一 種。????????????????????????

????????● d是在濾波時(shí)選取的空間距離參數(shù)，這里表示以當(dāng)前像素點(diǎn)為中心點(diǎn)的直徑。如果該值為非正數(shù)，則會(huì)自動(dòng)從參數(shù) sigmaSpace 計(jì)算得到。如果濾波空間較大（d>5），則速度較慢。因此，在實(shí)時(shí)應(yīng)用中，推薦d=5。對(duì)于較大噪聲的離線濾波，可以選擇d=9。

????????● sigmaColor是濾波處理時(shí)選取的顏色差值范圍，該值決定了周圍哪些像素點(diǎn)能夠參與到濾波中來。與當(dāng)前像素點(diǎn)的像素值差值小于 sigmaColor 的像素點(diǎn)，能夠參與到當(dāng)前的濾波中。該值越大，就說明周圍有越多的像素點(diǎn)可以參與到運(yùn)算中。該值為0時(shí)，濾波失去意義；該值為255時(shí)，指定直徑內(nèi)的所有點(diǎn)都能夠參與運(yùn)算。

????????● sigmaSpace是坐標(biāo)空間中的sigma值。它的值越大，說明有越多的點(diǎn)能夠參與到濾波計(jì)算中來。當(dāng)d>0時(shí)，無論sigmaSpace的值如何，d都指定鄰域大??；否則，d與 sigmaSpace的值成比例。

????????● borderType是邊界樣式，該值決定了以何種方式處理邊界。一般情況下，不需要考慮該值，直接采用默認(rèn)值即可。

????????為了簡(jiǎn)單起見，可以將兩個(gè)sigma（sigmaColor和sigmaSpace）值設(shè)置為相同的。如果它們的值比較?。ɡ缧∮?0），濾波的效果將不太明顯；如果它們的值較大（例如大于150），則濾波效果會(huì)比較明顯，會(huì)產(chǎn)卡通效果。

????????在函數(shù)cv2.bilateralFilter（）中，參數(shù)borderType是可選參數(shù)，其余參數(shù)全部為必選參數(shù)。

6.3 程序示例

import cv2  as cv


def cv_show(name, img):
    cv.imshow(name, img)
    cv.waitKey(0)
    cv.destroyAllWindows()


def add_peppersalt_noise(image, n=10000):
    result = image.copy()
    # 測(cè)量圖片的長(zhǎng)和寬
    w, h =image.shape[:2]
    # 生成n個(gè)椒鹽噪聲
    for i in range(n):
        x = np.random.randint(1, w)
        y=  np.random.randint(1, h)
        if np.random.randint(0, 2) == 0 :
            result[x, y] = 0
        else:
            result[x,y] = 255
    return result


img = cv.imread('D:\\dlam.jpg')
if img is None:
    print('Failed to read the image')

img1 = add_peppersalt_noise(img)
cv_show('img1', img1)

img2 = cv.bilateralFilter(img1, 9, 150, 150)
cv_show('img2', img2)

原圖如下：

?添加椒鹽噪聲后：

?雙邊濾波效果：

? ? ? ? ?可以看到，雙邊濾波對(duì)邊緣信息有較好的保留，但是不能較好的消除噪聲。（也試過中值濾波與雙邊濾波一起使用，但是邊緣的像素還是會(huì)缺失，濾波效果不是很好）文章來源地址http://www.zghlxwxcb.cn/news/detail-454088.html

到了這里，關(guān)于Opencv之圖像濾波：6.雙邊濾波(cv2.bilateralFilter)的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！