如何进行Python OpenCV图像模糊处理分析

这篇文章跟大家分析一下"如何进行Python OpenCV图像模糊处理分析"。内容详细易懂，对"如何进行Python OpenCV图像模糊处理分析"感兴趣的朋友可以跟着小编的思路慢慢深入来阅读一下，希望阅读后能够对大家有所帮助。下面跟着小编一起深入学习"如何进行Python OpenCV图像模糊处理分析"的知识吧。

其实我们平时在深度学习中所说的卷积操作，在 opencv 中也可以进行，或者说是类似操作。那么它是什么操作呢？它就是图像的模糊（滤波）处理。

均值滤波

使用 opencv 中的cv2.blur(src, ksize)函数。其参数说明是：

src: 原图像ksize: 模糊核大小

原理：它只取内核区域下所有像素的平均值并替换中心元素。3x3 标准化的盒式过滤器如下所示：

特征：核中区域贡献率相同。作用：对于椒盐噪声的滤除效果比较好。

# -*-coding:utf-8-*-"""File Name: image_deeplearning.pyProgram IDE: PyCharmDate: 2021/10/17Create File By Author: Hong"""import cv2 as cvdef image_blur(image_path: str):    """    图像卷积操作：设置卷积核大小，步距    :param image_path:    :return:    """    img = cv.imread(image_path, cv.IMREAD_COLOR)    cv.imshow('input', img)    # 模糊操作（类似卷积），第二个参数ksize是设置模糊内核大小    result = cv.blur(img, (5, 5))    cv.imshow('result', result)    cv.waitKey(0)    cv.destroyAllWindows()if __name__ == '__main__':    path = 'images/2.png'    image_blur(path)

结果展示：

高斯滤波

高斯滤波使用的是cv2.GuassianBlur(img, ksize,sigmaX,sigmaY)函数。

说明：sigmaX,sigmaY分别表示 X,Y 方向的标准偏差。如果仅指定了sigmaX，则sigmaY与sigmaX相同；如果两者都为零，则根据内核大小计算它们。

特征：核中区域贡献率与距离区域中心成正比，权重与高斯分布相关。

作用：高斯模糊在从图像中去除高斯噪声方面非常有效。

def image_conv(image_path: str):    """    高斯模糊    :param image_path:    :return:    """    img = cv.imread(image_path, cv.IMREAD_COLOR)    cv.imshow('img', img)    # 高斯卷积（高斯滤波）， 可以设置ksize，必须为奇数，不为0时，后面的步骤不起作用；也可以设置成（0，0），然后通过sigmaX和sigmaY计算标准偏差    result = cv.GaussianBlur(img, (0, 0), 15)    cv.imshow('result', result)    cv.waitKey(0)    cv.destroyAllWindows()if __name__ == '__main__':    path = 'images/2.png'    image_conv(path)

结果展示：

高斯双边滤波

双边滤波（模糊）使用的是cv2.bilateralFilter(img,d, sigmaColor, sigmaSpace)函数。

说明：d为邻域直径，sigmaColor为空间高斯函数标准差，参数越大，临近像素将会在越远的地方越小。

sigmaSpace灰度值相似性高斯函数标准差，参数越大，那些颜色足够相近的的颜色的影响越大。

双边滤波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，同时考虑空间与信息和灰度相似性，达到保边去噪的目的，具有简单、非迭代、局部处理的特点。之所以能够达到保边去噪的滤波效果是因为滤波器由两个函数构成：一个函数是由几何空间距离决定滤波器系数，另一个是由像素差值决定滤波器系数。

特征：处理耗时。作用：在滤波的同时能保证一定的边缘信息。

# 边缘保留滤波器--高斯双边模糊def image_bifilter(image_path: str):    """    高斯双边模糊    :param image_path: 图片文件    :return: 无返回值    """    img = cv.imread(image_path, cv.IMREAD_COLOR)    cv.imshow('input', img)    # 第三个参数是设置色彩、第四个参数是设置图像坐标    result = cv.bilateralFilter(img, 0, 50, 10)    cv.imshow('result', result)    cv.waitKey(0)    cv.destroyAllWindows()if __name__ == '__main__':    path = 'images/2.png'    image_bifilter(path)

结果展示：

关于如何进行Python OpenCV图像模糊处理分析就分享到这里啦，希望上述内容能够让大家有所提升。如果想要学习更多知识，请大家多多留意小编的更新。谢谢大家关注一下网站！