一、什么是圖像濾波

圖像濾波是一種常見的圖像處理技術(shù)，用于平滑圖像，去除噪聲和邊緣檢測等任務(wù)。其工作的原理是通過提前設(shè)定濾波器，將濾波器作用與原圖像，得到擁有需要的濾波效果的圖像。

一般圖像濾波分為平滑類：均值濾波；去噪類：中值濾波；突出邊緣：雙邊濾波；等。

二、均值濾波

1. 均值濾波原理

通過計算像素周圍鄰域內(nèi)像素值的平均值來代替該像素的值。

類似上圖，如果卷積是一個3*3的矩陣，那么矩陣濾波中每一個矩陣元素都為1/9。

（1） 一維信號

在前一篇文章**“圖像構(gòu)成與信號處理之二——濾波(信號部分)”**中，已經(jīng)介紹過“算術(shù)平均濾波法”：$output=sum(input)/len(input)$

（2）二維圖像信號

均值濾波也可以表示成類似的公式$I_{filtered}[x,y]=mean(I[x+i,y+j])$，其中I_filtered[x, y] 是濾波后的像素值，I[x+i, y+j] 是原始圖像的像素值。

2. 均值濾波實現(xiàn)

（1）OpenCV在C++與Python中的實現(xiàn)

下列代碼示例分別是C++和Python使用OpenCV模塊進行均值濾波的示例。均值濾波使用一個滑動窗口覆蓋圖像的區(qū)域，然后計算窗口內(nèi)像素的平均值，并將該平均值作為中心像素的新值。

#include <opencv2/opencv.hpp>

int main() {
    // 讀取圖像
    cv::Mat image = cv::imread("path/to/your/image.jpg", cv::IMREAD_COLOR);

    if (image.empty()) {
        std::cerr << "Could not read the image." << std::endl;
        return -1;
    }

    // 定義濾波器的大小
    int kernel_size = 11; // 奇數(shù)值，例如 3、5、7...

    // 進行均值濾波
    cv::Mat filtered_image;
    cv::blur(image, filtered_image, cv::Size(kernel_size, kernel_size));

    // 顯示原始圖像和濾波后的圖像
    cv::imshow("Original Image", image);
    cv::imshow("Filtered Image", filtered_image);

    cv::waitKey(0);

    return 0;
}

import cv2

# 讀取圖像
image = cv2.imread('path/to/your/image.jpg')

if image is None:
    print("Could not read the image.")
else:
    # 定義濾波器的大小
    kernel_size = （11, 11)  # 奇數(shù)值，例如 (3, 3)、(5, 5)、(7, 7)...

    # 進行均值濾波
    filtered_image = cv2.blur(image, kernel_size)

    # 顯示原始圖像和濾波后的圖像
    cv2.imshow('Original Image', image)
    cv2.imshow('Filtered Image', filtered_image)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

（2）實戰(zhàn)

圖像輸入

kernel=11

kernel=21

三、中值濾波

1. 中值濾波原理

中值濾波是把數(shù)字圖像或數(shù)字序列中一點的值用該點的一個鄰域中各點值的中值代替（因此鄰域的大小必須為奇奇*），讓周圍的像素值接近真實值，從而消除孤立的噪聲點。（類似下圖的例子）

類似上圖，如果卷積是一個3*3的矩陣，那么矩陣濾波中每一個矩陣元素分別為對應(yīng)矩陣中的中位數(shù)值。

（1） 一維信號

在前一篇文章**“圖像構(gòu)成與信號處理之二——濾波(信號部分)”**中，已經(jīng)介紹過“中位值濾波法”：$output=median(input)$

（2）二維圖像信號

均值濾波也可以表示成類似的公式$I_{filtered}[x,y]=median(I[x+i,y+j])$，其中I_filtered[x, y] 是濾波后的像素值，I[x+i, y+j] 是原始圖像的像素值。

2. 中值濾波實現(xiàn)

（1）OpenCV在C++與Python中的實現(xiàn)

下列代碼示例分別是C++和Python使用OpenCV模塊進行中值濾波的示例。中值濾波使用一個滑動窗口覆蓋圖像的區(qū)域，然后計算窗口內(nèi)像素的中位數(shù)值，并將該值作為中心像素的新值。

#include <iostream>
#include <opencv2/opencv.hpp>

int main() {
    cv::Mat image = cv::imread("path/to/your/image.jpg", cv::IMREAD_GRAYSCALE);

    if (image.empty()) {
        std::cout << "Failed to read image." << std::endl;
        return -1;
    }

    cv::Mat filteredImage;
    cv::medianBlur(image, filteredImage, 11);  // 11表示濾波窗口大小，可以根據(jù)需要調(diào)整

    cv::imshow("Original Image", image);
    cv::imshow("Filtered Image", filteredImage);
    cv::waitKey(0);

    return 0;
}

import cv2

# 讀取圖像
image = cv2.imread('path/to/your/image.jpg')

if image is None:
    print("Could not read the image.")
else:
    # 定義濾波器的大?。ū仨殲槠鏀?shù)）
    kernel_size = 5  # 例如 3、5、7...

    # 進行中值濾波
    median_filtered_image = cv2.medianBlur(image, kernel_size)

    # 顯示原始圖像和中值濾波后的圖像
    cv2.imshow('Original Image', image)
    cv2.imshow('Median Filtered Image', median_filtered_image)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

（2）實戰(zhàn)（輸入圖片與上述實驗一樣）

kernel=11

kernel=21

四、高斯濾波

1. 高斯濾波原理

通過應(yīng)用高斯函數(shù)來計算像素周圍鄰域內(nèi)像素值的加權(quán)平均值，以此來代替該像素的值。詳細(xì)原理可以參考以下博客。

(63條消息) 高斯濾波_MingChaoSun的博客-CSDN博客

2. 高斯濾波實現(xiàn)

（1）OpenCV在C++與Python中的實現(xiàn)

下列代碼示例分別是C++和Python使用OpenCV模塊進行高斯濾波的示例。高斯濾波使用一個滑動窗口覆蓋圖像的區(qū)域，然后計算窗口內(nèi)像素的高斯函數(shù)數(shù)值，并將該值作為窗口的新值。

#include <iostream>
#include <opencv2/opencv.hpp>
usingnamespace cv;
usingnamespace std;

intmain()
{
    Mat src= imread("lena.jpg");
if (src.empty())
    {
        cout<< "Could not open or find the image"<< endl;
return-1;
    }

    Mat dst1, dst2;
// 均值濾波
    blur(src, dst1, Size(3, 3));
// 高斯濾波
    GaussianBlur(src, dst2, Size(11, 11), 0);

    imshow("Source Image", src);
    imshow("Mean Filtered Image", dst1);
    imshow("Gaussian Filtered Image", dst2);

    waitKey();
return 0;
}

import cv2

# 讀取圖像
image = cv2.imread('path/to/your/image.jpg')

if image is None:
    print("Could not read the image.")
else:
    # 定義濾波器的大?。ū仨殲槠鏀?shù)）
    kernel_size = (5, 5)  # 例如 (3, 3)、(5, 5)、(7, 7)...

    # 定義高斯核的標(biāo)準(zhǔn)差
    sigma_x = 0  # 標(biāo)準(zhǔn)差值，0表示根據(jù)核的大小自動計算

    # 進行高斯濾波
    gaussian_filtered_image = cv2.GaussianBlur(image, kernel_size, sigma_x)

    # 顯示原始圖像和高斯濾波后的圖像
    cv2.imshow('Original Image', image)
    cv2.imshow('Gaussian Filtered Image', gaussian_filtered_image)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

（2）實戰(zhàn)（輸入與上述濾波算法相同）

kernel=11

kernel=21

五、結(jié)論

通常情況下，濾波核越大，濾波效果會越平滑，但也可能導(dǎo)致圖像細(xì)節(jié)喪失或模糊。這是因為較大的核會考慮更多的像素，從而導(dǎo)致局部變化被更加平均化。

同時，較大的濾波核也可能導(dǎo)致處理時間增加，因為計算需要考慮更多的像素。因此，在選擇濾波核的大小時，需要權(quán)衡平滑效果、細(xì)節(jié)保留和計算效率。

以下是不同濾波核大小可能產(chǎn)生的效果：文章來源地址http://www.zghlxwxcb.cn/news/detail-840870.html

• 小核 (3x3 或 5x5)：較小的核可以保留更多的細(xì)節(jié)，但噪聲也可能被保留。適用于一些需要保留邊緣和細(xì)節(jié)的情況。
• 中等核 (7x7 或 9x9)：這種大小的核可以在平滑和細(xì)節(jié)保留之間取得平衡，但可能會對某些細(xì)節(jié)造成一定程度的模糊。
• 大核 (11x11 或更大)：較大的核會更強烈地平滑圖像，可能會使圖像看起來更加模糊。這在噪聲較多或需要強烈平滑的情況下可能很有用。

到了這里，關(guān)于圖像構(gòu)成與信號處理之三——圖像濾波的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY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)！