python-opencv 中值濾波{cv2.medianBlur(src, ksize)}的用法

python-opencv 中值濾波{cv2.medianBlur(src, ksize)}

中值濾波將圖像的每個像素用鄰域 (以當前像素為中心的正方形區域)像素的 中值 代替 。與鄰域平均法類似,但計算的是中值

#用中值法
for y in xrange(1,myh-1):
    for x in xrange(1,myw-1):
        lbimg[y,x]=np.median(tmpimg[y-1:y+2,x-1:x+2]

下面調用opencv的函數

# -*- coding: utf-8 -*-   
#code:[email protected]
#中值濾波
import cv2
import numpy as np
fn="test3.jpg"
myimg=cv2.imread(fn)
img=cv2.cvtColor(myimg,cv2.COLOR_BGR2GRAY)
#加上椒鹽噪聲
#灰階范圍
w=img.shape[1]
h=img.shape[0]
newimg=np.array(img)
#噪聲點數量
noisecount=50000
for k in xrange(0,noisecount):
    xi=int(np.random.uniform(0,newimg.shape[1]))
    xj=int(np.random.uniform(0,newimg.shape[0]))
    newimg[xj,xi]=255
#濾波去噪
lbimg=cv2.medianBlur(newimg,3)
cv2.imshow('src',newimg)
cv2.imshow('dst',lbimg)
cv2.waitKey()
cv2.destroyAllWindows()       

中值濾波忽略瞭較高階灰度和較低階灰度,直接取中值,因此有效得過濾椒鹽噪聲。

這裡寫圖片描述

對高斯噪聲的濾波

這裡寫圖片描述

用scipy.signal中值濾波

中值濾波技術能有效抑制噪聲,通過把數字圖像中一點的值用該點周圍的各點值的中位數來代替,讓這些值接近,以消除原圖像中的噪聲。

*模擬中值濾波

>>> import random
>>> import numpy as np
>>> import scipy.signal as signal
>>> x=np.arange(0,100,10)
>>> random.shuffle(x)
>>> x
array([70, 80, 30, 20, 10, 90,  0, 60, 40, 50])
>>> signal.medfilt(x,3) #一維中值濾波
array([ 70.,  70.,  30.,  20.,  20.,  10.,  60.,  40.,  50.,  40.])

signal的medfilt()方法傳入兩個參數,第一個參數是要作中值濾波的信號,第二個參數是鄰域的大小(奇數)。如鄰域為3即是每個點自己和左右各一個點成為一個鄰域。在每個位置的鄰域中選取中位數替換這個位置的數,也就是該函數的返回值數組。如果鄰域中出現沒有元素的位置,那麼以0補齊。

>>> x=np.random.randint(1,1000,(4,4))
>>> x
array([[ 31,  33, 745, 483],
       [331, 469, 804, 479],
       [235, 487, 244, 982],
       [857, 114, 167, 174]])
>>> signal.medfilt(x,(3,3)) #二維中值濾波
array([[   0.,   33.,  469.,    0.],
       [  33.,  331.,  483.,  479.],
       [ 235.,  331.,  469.,  174.],
       [   0.,  167.,  167.,    0.]])

二維中值濾波還可以用signal.medfilt2d(),速度較快,但隻支持int8,float32和float64。

*對圖像中值濾波 (這個代碼我還沒試,如果出現問題可以懷疑是代碼的問題)

import numpy as np
from PIL import Image
import scipy.signal as signal
im=Image.open('test.jpg') #讀入圖片並建立Image對象im
data=[] #存儲圖像中所有像素值的list(二維)
width,height=im.size #將圖片尺寸記錄下來
#讀取圖像像素的值
for h in range(height): #對每個行號h
    row=[] #記錄每一行像素
    for w in range(width): #對每行的每個像素列位置w
        value=im.getpixel((h,w)) #用getpixel讀取這一點像素值
        row.append(value)#把它加到這一行的list中去
    data.append(row) #把記錄好的每一行加到data的子list中去,就建立瞭模擬的二維list
data=signal.medfilt(data,kernel_size=3) #二維中值濾波
data=np.int32(data) #轉換為int類型,以使用快速二維濾波
#創建並保存結果
for h in range(height): #對每一行
    for w in range(width): #對該行的每一個列號
        im.putpixel((h,w),tuple(data[h][w])) #將data中該位置的值存進圖像,要求參數為tuple
im.save('result.jpg')#存儲

opencv中值濾波medianBlur

中值濾波是一種典型的非線性濾波,是基於排序統計理論的一種能夠有效抑制噪聲的非線性信號處理技術,基本思想是用像素點鄰域灰度值的中值來代替該像素點的灰度值,讓周圍的像素值接近真實的值從而消除孤立的噪聲點。該方法在取出脈沖噪聲、椒鹽噪聲的同時能保留圖像的邊緣細節。這些優良特性是線性濾波所不具備的。

中值濾波首先也得生成一個濾波模板,將該模板內的各像素值進行排序,生成單調上升或單調下降的二維數據序列,二維中值濾波輸出為g(x, y)=medf{f(x-k, y-1),(k, l∈w)},其中f(x,y)和g(x,y)分別是原圖像和處理後圖像, w為輸入的二維模板,能夠在整幅圖像上滑動,通常尺寸為3*3或5*5區域,也可以是不同的形狀如線狀、圓形、十字形、圓環形等。通過從圖像中的二維模板取出奇數個數據進行排序,用排序後的中值取代要處理的數據即可。

中值濾波對消除椒鹽噪聲非常有效,能夠克服線性濾波器帶來的圖像細節模糊等弊端,能夠有效保護圖像邊緣信息,是非常經典的平滑噪聲處理方法。在光學測量條紋圖像的香味分析處理方法中有特殊作用,但在條紋中心分析方法中作用不大。

中值濾波相較於線性濾波中的均值濾波優點在前面已經提到,取得良好濾波效果的代價就是耗時的提升,可能達到均值濾波的數倍,而且對於細節較多的圖像也不太適用。

opencv中提供瞭medianBlur()函數實現瞭中值濾波操作,其原型如下:

C++: void medianBlur(InputArray src, OutputArray dst, int ksize)

參數解釋:

. InputArray src: 輸入圖像,圖像為1、3、4通道的圖像,當模板尺寸為3或5時,圖像深度隻能為CV_8U、CV_16U、CV_32F中的一個,如而對於較大孔徑尺寸的圖片,圖像深度隻能是CV_8U。

. OutputArray dst: 輸出圖像,尺寸和類型與輸入圖像一致,可以使用Mat::Clone以原圖像為模板來初始化輸出圖像dst

. int ksize: 濾波模板的尺寸大小,必須是大於1的奇數,如3、5、7……

示例程序:

#include <iostream>
#include <opencv2/core.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>
using namespace std;
using namespace cv;
//定義全局變量
Mat g_mSrcImage;
Mat g_mDstImage;
const int g_nMedianBlurMaxValue = 5;
int g_nMedianBlurValue;
int g_nkernelSize;
//定義回調函數
void on_medianBlurTrackBar(int, void*);
int main()
{
    g_mSrcImage = imread("lena.jpg");
    //判斷文件是否加載成功
    if(g_mSrcImage.empty())
    {
        cout << "圖像加載失敗!" << endl;
        return -1;
    }
    else
        cout << "圖像加載成功!" << endl;
    //判斷圖像是否是CV_8U圖像
    if(0 <= g_mSrcImage.depth() <= 255)
        cout << "加載圖像符合處理要求!" << endl;
    else
    {
        cout << "圖像深度不是CV_8U,程序即將退出..." << endl;
        return -1;
    }
    namedWindow("原圖像", WINDOW_AUTOSIZE);
    imshow("原圖像", g_mSrcImage);
    //輸出圖像窗口屬性及軌跡條名稱
    namedWindow("中值濾波圖像", WINDOW_AUTOSIZE);
    char medianBlurName[20];
    sprintf(medianBlurName, "核函數尺寸 %d", g_nMedianBlurMaxValue);
    g_nMedianBlurValue = 1;
    //創建軌跡條
    createTrackbar(medianBlurName, "中值濾波圖像", &g_nMedianBlurValue,
                    g_nMedianBlurMaxValue, on_medianBlurTrackBar);
    on_medianBlurTrackBar(g_nMedianBlurValue, 0);
    waitKey(0);
    return 0;
}
void on_medianBlurTrackBar(int, void*)
{
    //重新計算尺寸值,尺寸值應為大於1的奇數
    g_nkernelSize = g_nMedianBlurValue * 2 + 1;
    medianBlur(g_mSrcImage, g_mDstImage, g_nkernelSize);
    imshow("中值濾波圖像", g_mDstImage);
}

運行結果:

這裡寫圖片描述

程序說明:

對於程序中對圖像深度的判斷根據如下標準:

    CV_8U - 8-bit unsigned integers ( 0..255 )
    CV_8S - 8-bit signed integers ( -128..127 )
    CV_16U - 16-bit unsigned integers ( 0..65535 )
    CV_16S - 16-bit signed integers ( -32768..32767 )
    CV_32S - 32-bit signed integers ( -2147483648..2147483647 )
    CV_32F - 32-bit floating-point numbers ( -FLT_MAX..FLT_MAX, INF, NAN )
    CV_64F - 64-bit floating-point numbers ( -DBL_MAX..DBL_MAX, INF, NAN )

以上為個人經驗,希望能給大傢一個參考,也希望大傢多多支持WalkonNet。