本教程将学习如下内容：
- 学习使用各种低通滤波器模糊图像
- 学习对图像应用定制滤镜（二维卷积）
二维卷积（图像滤波）
对于一维信号，图像也可以用各种低通滤波器（LPF）、高通滤波器（HPF）等进行滤波。
LPF有助于去除噪声或模糊图像。HPF滤镜有助于在图像中找到边缘。
OpenCV提供了一个函数cv2.filter2D()，用于将内核与图像进行卷积。
作为一个例子，我们将在图像上尝试一个平均滤波器。5x5平均滤波器核可以定义如下：
$$\begin{aligned} K = \frac{1}{25} \begin{bmatrix} 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \end{bmatrix} \end{aligned}$$
使用上述内核进行滤波的结果如下：对于每个像素，一个5x5的窗口以该像素为中心， 将该窗口内的所有像素相加，将结果除以25。 这相当于计算该窗口内像素值的平均值。 对图像中的所有像素执行此操作，以产生输出滤波图像。 尝试此代码并检查结果：
import cv2
import numpy as np
from matplotlib import pyplot as plt
# img = cv2.imread('opencv_logo.png')
img = cv2.imread('/data/cvdata/opencv_logo.jpg')
kernel = np.ones((5,5),np.float32)/25
dst = cv2.filter2D(img,-1,kernel)
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(dst),plt.title('Averaging')
plt.xticks([]), plt.yticks([])
plt.show()
结果如下：
图像模糊（图像平滑）
图像模糊是通过将图像与低通滤波器核进行卷积来实现的，有助于消除噪音。 它实际上会从图像中去除高频内容（例如：噪声、边缘），从而在应用滤波器时导致边缘模糊。 （好吧，有一些模糊技术不会模糊边缘）。OpenCV主要提供四种模糊技术。
平均值
这是通过将图像与归一化框过滤器进行卷积来实现的。它只是取核区域下所有像素的平均值，并用该平均值替换中心元素。
这是通过函数cv2.blur()或cv2.boxFilter()完成的。
我们应该指定内核的宽度和高度。3x3标准化的框过滤器看起来像这样：
$$\begin{aligned} K = \frac{1}{9} \begin{bmatrix} 1 & 1 & 1 \\ 1 & 1 & 1 \\ 1 & 1 & 1 \end{bmatrix} \end{aligned}$$
注意：
如果不想使用规范化的框过滤器，请使用cv2.boxFilter()并将参数normalize=False 传递给函数。
使用5x5大小的内核查看下面的示例演示：
import cv2
import numpy as np
from matplotlib import pyplot as plt
# img = cv2.imread('opencv_logo.png')
img = cv2.imread('/data/cvdata/opencv_logo.jpg')
blur = cv2.blur(img,(5,5))
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(blur),plt.title('Blurred')
plt.xticks([]), plt.yticks([])
plt.show()
blur = cv2.GaussianBlur(img,(5,5),0)
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(blur),plt.title('Blurred')
plt.xticks([]), plt.yticks([])
plt.show()
blur = cv2.medianBlur(img,5)
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(blur),plt.title('Blurred')
plt.xticks([]), plt.yticks([])
plt.show()
结果如下：
双边过滤
正如所指出的，之前提出的过滤器往往会模糊边缘。
双边滤波器cv2.bilateralFilter()的情况并非如此，它是为定义的，在保留边缘的同时，在去除噪声方面非常有效。
但与其他过滤器相比，操作速度较慢。
我们已经看到，高斯滤波器取像素周围的a邻域，并找到其高斯加权平均值。
这种高斯滤波器仅是空间的函数，即在滤波时考虑附近的像素。 它不考虑像素的强度值是否几乎相同，也不考虑像素是否位于边缘上。 由此产生的效果是高斯滤波器倾向于模糊边缘，这是不理想的。
双边滤波器在空间域中也使用高斯滤波器，但它还使用了一个额外的（乘法）高斯滤波器分量，该分量是像素强度差的函数。 空间的高斯函数确保只考虑像素作为“空间邻居”进行滤波，而在强度域中应用的高斯分量（强度差的高斯函数）， 确保只包括强度与中心像素相似的像素（“强度邻居”）来计算模糊强度值。 因此，这种方法保留了边缘，因为对于位于边缘附近的像素，放置在边缘另一侧的相邻像素（因此与中心像素相比表现出较大的强度变化）将不包括在模糊范围内。
下面的示例演示了双边过滤的使用（有关参数的详细信息，请参阅OpenCV文档）。
blur = cv2.bilateralFilter(img,9,75,75)
plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(blur),plt.title('Blurred')
plt.xticks([]), plt.yticks([])
plt.show()
结果如下：
请注意，表面上的纹理已消失，但边缘仍保留。
扩展阅读
- 有关双边过滤的详细信息，请访问此处。
练习
- 拍摄一张图像，添加高斯噪声和椒盐噪声，比较在更改噪声水平时， 通过方框、高斯、中值和双边滤波器对两幅噪声图像的模糊效果。