机器视觉初步5-1:图像平滑专题-Toy模板网

这篇具有很好参考价值的文章主要介绍了机器视觉初步5-1:图像平滑专题。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

在计算机视觉领域，图像平滑处理是一个重要的任务，用于降低噪声，提高图像质量。常见的图像平滑算法有均值滤波、中值滤波、高斯滤波等。本文将介绍这些算法的原理，并分别给出使用Python与Halcon实现的代码。（当前版本：python3.9、halcon19）

1. 均值滤波

均值滤波是最简单的图像平滑方法，将每个像素替换为其周围像素的平均值。
中值滤波是一种非线性滤波，在处理脉冲噪声以及椒盐噪声时效果极佳，能够有效的保护好图像的边缘信息。

均值滤波，也就是计算每一个像素点周围像素点（包括该点）的平均值，作为该像素点滤波之后的值，通常取以该像素点为中心的矩形窗口内的所有像素点来计算平均值，矩形窗口的大小一般为33，55，99，…，(2n+1)(2n+1)。
窗口越大，滤波效果越好，但是图像也变得更加模糊，所以需要根据实际情况设置矩形窗口的大小。比如3*3窗口的均值滤波如下图所示，点(x,y)的滤波值由其周围9个点（包括其自身）计算平均值得到。机器视觉初步5-1:图像平滑专题

在Python中，可以使用NumPy库实现均值滤波。以下是Python代码示例：

import numpy as np
import cv2
def blur(image):
    return np.mean(image, axis=0)

# 读取图像
image = cv2.imread('path/to/your/image.jpg')

# 应用均值滤波
blurred_image = blur(image)

# 显示原始图像与均值滤波后的图像
cv2.imshow('Original Image', image)
cv2.imshow('Blurred Image', blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

在Halcon中，可以使用mean_image算子实现均值滤波。以下是Halcon代码示例：

* 定义图像
read_image (Image, 'path/to/your/image.jpg')

* 转换为灰度图像
rgb1_to_gray (Image, GrayImage)

* 应用均值滤波
mean_image (GrayImage, Image, 6,6)

* 显示原图像与均值滤波后的图像
dev_display (Image)
dev_display (Image)

2.中值滤波

中值滤波是一种非线性滤波方法，将每个像素替换为其邻域内像素值的中值，如下图，红色方块中央是方块内9个字排序后的中值。
机器视觉初步5-1:图像平滑专题

在Python中，可以使用NumPy库实现中值滤波。以下是Python代码示例：

import numpy as np
import cv2

def median_filter(image, kernel_size):
    return np.median(image, axis=0)

# 读取图像
image = cv2.imread('yourpic.jpg')

# 应用中值滤波
median_filtered_image = median_filter(image, kernel_size=(3, 3))

# 显示原始图像与中值滤波后的图像
cv2.imshow('Original Image', image)
cv2.imshow('Median Filtered Image', median_filtered_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

在Halcon中，可以使用MedianBlur算子实现中值滤波。以下是Halcon代码示例：

* 定义图像
read_image(Image,'youimage.jpg')

* 转换为灰度图像
rgb1_to_gray (Image, GrayImage)

* 应用中值滤波
median_image(Image,ImageMedian,'square',3,3)
* 显示原图像与中值滤波后的图像
dev_display (Image)
dev_display (Image)

3.高斯滤波

高斯滤波是一种线性滤波方法，将每个像素替换为其邻域内像素值的加权平均。
要模糊一张图像，可以这么做：对于每个像素点，以它为中心，取其3x3区域内所有像素灰度值的平均作为中心点的灰度值。可是，如果仅使用简单平均，显然不是很合理，因为图像都是连续的，越靠近的点关系越密切，越远离的点关系越疏远。

因此，加权平均更合理，距离越近的点权重越大，距离越远的点权重越小。而正态分布显然是一种可取的权重分配模式。由于图像是二维的，所以需要使用二维的高斯函数。
高斯模糊本质上就是利用高斯函数生成的高斯核(高斯模板) 对图像进行卷积操作。
机器视觉初步5-1:图像平滑专题

将这9个值加起来，就是中心点25进行高斯滤波后的值。对所有点重复这个过程，就得到了高斯模糊后的图像。

在Python中，可以使用NumPy库实现高斯滤波。以下是Python代码示例：

import numpy as np

def gaussian_filter(image, sigma):
    filtered_image = np.gaussian_filter(image, sigma=sigma, axis=0)
    return filtered_image

# 读取图像
image = cv2.imread('path/to/your/image.jpg')

# 应用高斯滤波
gaussian_filtered_image = gaussian_filter(image, sigma=3)

# 显示原始图像与高斯滤波后的图像
cv2.imshow('Original Image', image)
cv2.imshow('Gaussian Filtered Image', gaussian_filtered_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

在Halcon中，可以使用gauss_filter算子实现高斯滤波。以下是Halcon代码示例：

* 定义图像
read_image (Image, 'path/to/your/image.jpg')

* 转换为灰度图像
rgb1_to_gray (Image, GrayImage)

* 应用高斯滤波
gauss_filter(Image,ImageGauss,3)

* 显示原图像与高斯滤波后的图像
dev_display (Image)
dev_display (Image)

这些基本的图像平滑算法在实际应用中非常有用。根据特定需求，还可以使用其他高级滤波方法，如双边滤波、Sobel算子等。

4.双边滤波

双边滤波结合了空间滤波（比如均值滤波）和高斯滤波的优点，同时考虑了像素之间的空间距离和像素值的相似性。
机器视觉初步5-1:图像平滑专题

在Python中，可以使用NumPy库实现双边滤波。以下是Python代码示例：

import numpy as np

def bilateral_filter(image, sigma_r, sigma_g, sigma_b, filter_size):
    """
    bilateral_filter(image, sigma_r, sigma_g, sigma_b, filter_size)
    :param image: 要进行滤波的图像
    :param sigma_r: 半径为 r 的邻域内像素值的方差
    :param sigma_g: 半径为 g 的邻域内像素值的方差
    :param sigma_b: 半径为 b 的邻域内像素值的方差
    :param filter_size: 滤波核大小
    :return: 处理后的图像
    """
    filtered_image = np.zeros((image.shape[0], image.shape[1], 3), np.uint8)

    for r in range(filter_size - 1):
        for g in range(filter_size - 1):
            for b in range(filter_size - 1):
                # 计算加权系数
                weights = np.exp(np.log(sigma_r) * (r - filter_size / 2)) * np.exp(np.log(sigma_g) * (g - filter_size / 2)) * np.exp(np.log(sigma_b) * (b - filter_size / 2))
                # 应用双边滤波
                filtered_image[r + (filter_size - 1) * (r + g + b):r + (filter_size - 1) * (r + g + b) + image.shape[0],
                               g + (filter_size - 1) * (r + g + b):g + (filter_size - 1) * (r + g + b) + image.shape[1],
                               b + (filter_size - 1) * (r + g + b):b + (filter_size - 1) * (r + g + b) + image.shape[1],
                               cv2.INTER_LINEAR + cv2.WARP_INVERSE_MAP] + image[r + (filter_size - 1) * (r + g + b):r + (filter_size - 1) * (r + g + b) + image.shape[0],
                                                                       g + (filter_size - 1) * (r + g + b):g + (filter_size - 1) * (r + g + b) + image.shape[1],
                                                                       b + (filter_size - 1) * (r + g + b):b + (filter_size - 1) * (r + g + b) + image.shape[1],
                                                                       cv2.INTER_LINEAR + weights]
    return filtered_image

# 读取图像
image = cv2.imread('path/to/your/image.jpg')

# 应用双边滤波
bilateral_filtered_image = bilateral_filter(image, 5, 5, 5, (5, 5))

# 显示原图像与双边滤波后的图像
cv2.imshow('Original Image', image)
cv2.imshow('Bilateral Filtered Image', bilateral_filtered_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

在Halcon中，可以使用bilateral_filter算子实现双边滤波。以下是Halcon代码示例：

* 图像双边滤波

* 读取图像
read_image(src,'fabrik')

* 添加噪声
add_noise_white(src,src_noise,20)

* 双边滤波
bilateral_filter(src_noise,src_noise,result,5,20,[],[])

dev_display(result)