Open CV系列学习笔记（六）模糊操作

什么是模糊操作？

模糊操作的作用是在图片时减低噪声。
模糊操作有均值模糊，中值模糊，高斯模糊和自定义模糊
模糊操作的基本原理：
1、基于离散卷积
2、定义好每一个卷积核
3、不同的卷积核得到不同的卷积效果
4、模糊是卷积的一种表象

卷积原理：
在这里插入图片描述

一、均值模糊

CV2.BLUR
原型：blur(src, ksize, dst=None, anchor=None, borderType=None)

作用：对图像进行算术平均值模糊

参数：ksize：卷积核的大小。dst，若填入dst，则将图像写入到dst矩阵。borderType：填充方式

假设我们传入的kszie=(ksize_h, ksize_w)，那么均值模糊的卷积核就是：
在这里插入图片描述

代码：

def blur_demo(image):#均值模糊
    dst = cv.blur(image,(5,5))
    cv.imshow("blur_demo",dst)

运行结果：
在这里插入图片描述

二、中值模糊

CV2.MEDIANBLUR
原型：mediaBlur(src, ksize, dst=None)

作用：对图像进行中值模糊

参数：ksize：卷积核的大小。dst，若填入dst，则将图像写入到dst矩阵。

（其实只是用了类似卷积核的这个矩阵，计算方式就是取中间位置的数）

medianBlur函数，输入的ksize是一个int型整数，不同于blur中的size。它的卷积核是个ksize*ksize的矩阵。

medianBlur中值模糊就是以滑动的方式从原矩阵取出ksize*ksize个数，然后进行排序，结果就是中间位置的数。
代码：


def median_blur_demo(image):#中值模糊（去除椒盐噪声）
    dst = cv.medianBlur(image,5)
    cv.imshow("median_blur_demo",dst)

结果：
在这里插入图片描述

三、自定义模糊

代码：

def custom_blur_demo(image):#自定义模糊
    #kernel = np.ones([5,5],np.float32)/25
    kernel = np.array([[0,-1,0],[-1,5,-1],[0,-1,0]], np.float32)#图像锐化
    dst = cv.filter2D(image,-1,kernel=kernel)
    cv.imshow("custom_blur_demo",dst)

运行结果：（图像锐化）
在这里插入图片描述
完整代码；

import cv2 as cv
import numpy as np


def blur_demo(image):#均值模糊(去除随机噪声)
    dst = cv.blur(image,(5,5))
    cv.imshow("blur_demo",dst)


def median_blur_demo(image):#中值模糊（去除椒盐噪声）
    dst = cv.medianBlur(image,5)
    cv.imshow("median_blur_demo",dst)


def custom_blur_demo(image):#自定义模糊
    #kernel = np.ones([5,5],np.float32)/25
    kernel = np.array([[0,-1,0],[-1,5,-1],[0,-1,0]], np.float32)#图像锐化
    dst = cv.filter2D(image,-1,kernel=kernel)
    cv.imshow("custom_blur_demo",dst)


print("--------- Python OpenCV Tutorial ---------")
src = cv.imread("E:/picture/3.bmp")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)
custom_blur_demo(src)

cv.waitKey(0)

cv.destroyAllWindows()

四、自定义模糊

正态分布
在这里插入图片描述
正态分布中，越接近中心点，取值越大，越远离中心，取值越小。
计算平均值的时候，我们只需要将"中心点"作为原点，其他点按照其在正态曲线上的位置，分配权重，就可以得到一个加权平均值。正态分布显然是一种可取的权重分配模式。
高斯函数
如何反映出正态分布？则需要使用高函数来实现。
上面的正态分布是一维的，而对于图像都是二维的，所以我们需要二维的正态分布。
在这里插入图片描述
正态分布的密度函数叫做"高斯函数"（Gaussian function）。它的一维形式是：

其中，μ是x的均值，σ是x的方差。因为计算平均值的时候，中心点就是原点，所以μ等于0。
在这里插入图片描述

根据一维高斯函数，可以推导得到二维高斯函数：

在这里插入图片描述

有了这个函数，就可以计算每个点的权重了。
在这里插入图片描述

代码：

import cv2 as cv
import numpy as np

def clamp(pv):
    if pv > 255:
        return 255
    if pv < 0:
        return 0
    else:
        return pv


def gaussian_noise(image):#加入高斯噪声
    h,w,c = image.shape
    for row in range(h):
        for col in range(w):
            s = np.random.normal(0,20,3)
            b = image[row,col,0]   #blue
            g = image[row,col,1]   #green
            r = image[row,col,2]   #red
            image[row,col,0] = clamp(b+s[0])
            image[row,col,1] = clamp(g+s[1])
            image[row,col,2] = clamp(r+s[2])
    cv.imshow("noise image",image)


print("--------HEllow Python-------")
src = cv.imread("E:/picture/IM_0000.jpg")
cv.namedWindow("input image",cv.WINDOW_AUTOSIZE)
cv.imshow("input image",src)

t1 = cv.getTickCount()
gaussian_noise(src)
t2 = cv.getTickCount()
time = (t2-t1)/cv.getTickFrequency()
print("用时 : %s"%(time*1000))
dst = cv.GaussianBlur(src, (5, 5), 0)#高斯滤波
cv.imshow("Gaussian Blur", dst)
cv.waitKey(0)

cv.destroyAllWindows()