当前位置：首页 > backend >正文

【opencv-Python学习笔记（7）：图像平滑处理】

backend 2025/8/26 0:12:01

目标：
1. 知道图像平滑的作用及应用场景
2. 这点知识也是很简单的
## 为什么需要图像平滑？
像素与周围像素差距很大，显得格格不入，就需要把这些像素点进行校正和剔除，从而让图像好看。

（1）均值滤波

含义：均值滤波是指用当前像素点周围N*M个像素值的均值来替代当像

原理：首先，我们对周围多少个像素取平均值，一般情况下，以当前单个像素为中心，对周围相同的行数和列数进行曲平均值。

计算方式：

卷积核：

函数：dst = cv2.blur(src, ksize, anchor, borderType)

dst 是返回值，为进行均值滤波后得到的结果
src：输入图像（单通道或多通道），图像深度应该为CV_8U、CV_16U、CV_16S、CV_32F、CV_64F等等
ksize：卷积核大小（如(3,3)、(5,5)，需为正奇数）
anchor：锚点，默认值为（-1，-1），表示当前计算均值的点位于核的中心位置
borderType：边界填充方式，决定以何种方式处理边界
实例：

import  cv2img1 = cv2.imread("1.JPG")
img2 = cv2.blur(img1,(3,3))
cv2.namedWindow("11",cv2.WINDOW_NORMAL)
cv2.namedWindow("12",cv2.WINDOW_NORMAL)
cv2.imshow("11",img2)
cv2.imshow("12",img1)
cv2.waitKey()
cv2.destroyAllWindows()

结果：本次采用卷积核为3，因为图片是相机拍摄，本身就很高清。

（2）盒子滤波

解释：自由选择滤波结果是领域像素值之和的平均值，还是领域像素之和

函数：dst = cv2.boxFilter(src, ddepth, ksize, anchor, normalize, borderType）

参数：

dst：结果图像
src：输入图像，具有任意数量的通道数
ddepth：处理结果图像的图像深度，用-1来表示与输入图像具有相同的图像深度
anchor：锚点
normalize：是否是否进行归一化

注意：一般情况下，只需设置src, ddepth, ksize三个参数即可，其他的默认就行

实例：

import  cv2img1 = cv2.imread("1.JPG")
img2 = cv2.boxFilter(img1,-1,(3,3))
cv2.namedWindow("11",cv2.WINDOW_NORMAL)
cv2.namedWindow("12",cv2.WINDOW_NORMAL)
cv2.imshow("11",img2)
cv2.imshow("12",img1)
cv2.waitKey()
cv2.destroyAllWindows()

结果：

（3）高斯滤波

原理：用高斯函数生成的卷积核进行滤波，权重随距离中心像素的距离增大而减小（符合正态分布），更贴合人眼对 “近邻像素影响更大” 的认知
效果：平滑效果比均值滤波更自然，对高斯噪声的抑制效果更好，边缘模糊程度较轻

函数：dst = cv2.GaussianBlur(src, ksize, sigmaX, sigmaY, borderType)

参数：

dst：滤波后图像
src：原始图像
ksize：滤波核大小，滤波核的值为基数
sigmaX：水平方向（X轴）标准差，其控制是权重的比例
sigmaY：是卷积核在垂直方向上（Y轴方向）的标准差。

但是高斯滤波的一般形式：dst = cv2.GaussianBlur(src, ksize, 0,0)

实例：

import  cv2img1 = cv2.imread("1.JPG")
img2 = cv2.GaussianBlur(img1,(3,3),0)
cv2.namedWindow("11",cv2.WINDOW_NORMAL)
cv2.namedWindow("12",cv2.WINDOW_NORMAL)
cv2.imshow("11",img2)
cv2.imshow("12",img1)
cv2.waitKey()
cv2.destroyAllWindows()

结果：

（4）中值滤波

含义：它是用邻域内所有像素值得中间来替代当前像素点的像素值

函数：dst = cv2.medianBlur(src, ksize)

参数：

dst：滤波处理后图像
src：输入图像
ksize：是滤波核大小，为一个整值，表示核的宽度和高度

实例：

import  cv2img1 = cv2.imread("1.JPG")
img2 = cv2.medianBlur(img1,3)
cv2.namedWindow("11",cv2.WINDOW_NORMAL)
cv2.namedWindow("12",cv2.WINDOW_NORMAL)
cv2.imshow("11",img2)
cv2.imshow("12",img1)
cv2.waitKey()
cv2.destroyAllWindows()

结果：

（5）双边滤波

解释：双边滤波是综合考虑空间信息和色彩信息的滤波方式，在过程中能有效的保护图像内的边缘信息

函数：dst = cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace, borderType)

参数：

dst：返回值
src：原始图像
d：空间距离参数
sigmaColor：滤波时选取颜色差值范围，决定哪些像素点可以参与滤波中来
sigmaSpace：空间距离标准差（越大，影响范围越广）
borderType：边界样式

实例：

import  cv2img1 = cv2.imread("1.JPG")
img2 = cv2.bilateralFilter(img1,25,100,100)
cv2.namedWindow("11",cv2.WINDOW_NORMAL)
cv2.namedWindow("12",cv2.WINDOW_NORMAL)
cv2.imshow("11",img2)
cv2.imshow("12",img1)
cv2.waitKey()
cv2.destroyAllWindows()

结果：