文章目录
学习目标
了解图像中的噪声类型
了解平均滤波，高斯滤波，中值滤波等的内容
能使用滤波器对图像进行处理
一、图像中的噪声
由于图像采集、处理、传输等过程不可避免的会受到噪声的污染，妨碍人们对图像理解及分析处理。常见的图像噪声有高斯噪声、椒盐噪声等。
1、椒盐噪声
椒盐噪声也被称为脉冲噪声，是图像中经常见到的一种噪声，它是一种随机出现的白点或者黑点，
可能是亮的区域有黑色像素 或是 在暗的区域有白色像素（或是两者都有）。
椒盐噪声的成因可能是影像讯号受到突如其来的强烈干扰而产生、类比数位转换器或位元传输错误等。例如失效的感应器导致像素值为最小值，饱和的感应器导致像素值而最大值。
2、高斯噪声
高斯噪声是指噪声密度函数服从高斯分布的一类噪声。由于高斯噪声在空间和频域中数学上的易处理性，这种噪声（也称为正态噪声）模型经常被用于实践中。高斯随机变量z的概率密度函数由下式给出：
其中z表示灰度值，μ表示z的平均值或期望值吗，δ表示z的标准差。标注差的平方δ2称为z的方差。高斯函数的曲线如图所示。
二、图像平滑操作
图像平滑从信号处理的角度看就是去除其中的高频信息，保留低频信息。因此我们可以对图像实施低通滤波。低通滤波可以去除图像中的噪声，对图像进行平滑。
根据滤波的不同可分为均值滤波、高斯滤波、中值滤波、双边滤波
1、均值滤波
采用均值滤波对图像噪声进行滤除。另
表示中心在（x, y）点，尺寸为mxn的矩阵子图像窗口的坐标组。均值滤波器可表示为：
由一个归一化卷积框完成的。它知识用卷积框覆盖区域所有像素的平均值来替代中心元素。
例如，3X3标准化的平均滤波器如下所示：
均值滤波的优点是算法简单，计算速度较快。缺点是在去噪的同时去除了很多细节部分，将图像变得很模糊。
（1）API
cv.blur(src, ksize, anchor, borderType)
参数:
src：输入图像
ksize：卷积核的大小
anchor：默认值 (-1,-1) ，表示核中心
borderType：边界类型
（2）代码示例
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
# 1 图像读取
img = cv.imread('./image/dogsp.jpeg')
# 2 均值滤波
blur = cv.blur(img,(5,5))
# 3 图像显示
plt.figure(figsize=(10,8),dpi=100)
plt.subplot(121),plt.imshow(img[:,:,::-1]),plt.title('原图')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(blur[:,:,::-1]),plt.title('均值滤波后结果')
plt.xticks([]), plt.yticks([])
plt.show()
2、高斯滤波
二维高斯是构建高斯滤波器的基础，其概率分布函数如下所示：
G(x, y)的分布式一个凸起的帽子得形状，这里的δ可以看做是两个值，一个x方向的标准差δx，另一个是y方向的标注差δy.
当δx和δy取值越大，整个形状趋近于扁平；当δx和δy ，整个形状越突起。
正态分布是一种钟形曲线，越接近中心，取值越大，越远离中心，取值越小。计算平滑结果时，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。
高斯平滑在从图像中去除高斯噪声方面非常有效。<\font>
（1）高斯平滑的流程
1）首先确定权重矩阵
假定中心点的坐标是（0， 0），那么距离它最近的8个点的坐标如下：
更远的点以此类推。
为了计算权重矩阵，需要设定δ的值，假定δ=1.5，则模糊半径为1的权重矩阵如下：
这9个点的权重总和等于0.4787147，如果只计算这9个点的加权平均，还必须让它们的权重之和等于1，因此上面9个值还要分别除以0.4787147，得到最终的权重矩阵。
2）计算高斯模糊
有了权重矩阵，就可以计算高斯模糊的值了。
假设现在有9个像素点，灰度值（0-255）如下：
每个点乘以对应的权重值：
最终得到矩阵如：
将这9个值相加，就是中心点的高斯模糊值。
对所有点重复这个过程，就得到了高斯模糊后的图像。如果原图是彩色图片，可以对RGB三个通道分别做高斯平滑。
（2）API
cv2.GaussianBlur(src,ksize,sigmaX,sigmay,borderType)
参数：
src: 输入图像
ksize:高斯卷积核的大小，注意 ： 卷积核的宽度和高度都应为奇数，且可以不同
sigmaX: 水平方向的标准差
sigmaY: 垂直方向的标准差，默认值为0，表示与sigmaX相同
borderType:填充边界类型
（3）代码示例
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
# 1 图像读取
img = cv.imread('./image/dogGasuss.jpeg')
# 2 高斯滤波
blur = cv.GaussianBlur(img,(3,3),1)
# 3 图像显示
plt.figure(figsize=(10,8),dpi=100)
plt.subplot(121),plt.imshow(img[:,:,::-1]),plt.title('原图')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(blur[:,:,::-1]),plt.title('高斯滤波后结果')
plt.xticks([]), plt.yticks([])
plt.show()
3、中值滤波
中值滤波是一种典型的非线性滤波技术，基本思想是用像素点邻域灰度值的中值来代替像素点的灰度值。
中值滤波对椒盐噪声（salt-and-pepper noise）来说尤为有用，因为它不依赖与邻域内哪些与典型值差别很大的值。
（1）API
cv.medianBlur(src, ksize )
参数：
src：输入图像
ksize：卷积核的大小
（2）代码示例
import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
# 1 图像读取
img = cv.imread('./image/dogsp.jpeg')
# 2 中值滤波
blur = cv.medianBlur(img,5)
# 3 图像展示
plt.figure(figsize=(10,8),dpi=100)
plt.subplot(121),plt.imshow(img[:,:,::-1]),plt.title('原图')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(blur[:,:,::-1]),plt.title('中值滤波后结果')
plt.xticks([]), plt.yticks([])
plt.show()
总结
图像噪声
椒盐噪声
高斯噪声
图像平滑
均值滤波
算法简单，计算速度快，但是在去噪的过程中会去除很多有用信息，将图像变得很模糊
高斯滤波
可以去除高斯噪声，计算量大，过程较复杂。
中值滤波
去除椒盐噪声比较好用。