方框滤波(Box Filtering)是一种简单的图像平滑处理方法,它主要用于去除图像中的噪声和减少细节,同时保持图像的整体亮度分布。
方框滤波的原理很简单:对于图像中的每个像素,将其周围的一个固定大小的邻域内的像素值取平均,然后将这个平均值赋值给当前像素。这个邻域通常是一个正方形,称为方框或窗口。方框滤波相当于用一个均值滤波器对图像进行滤波。
与均值滤波的不同在于,方框滤波不会计算像素均值。
在均值滤波中,滤波结果的像素值是任意一个点的邻域平均值,等于各邻域像素值之和除以邻域面积。
而在方框滤波中,可以自由选择是否对均值滤波的结果进行归一化,即可以自由选择滤波结果是邻域像素值之和的平均值,还是邻域像素值之和。
我们以 5×5 的邻域为例,在进行方框滤波时,如果计算的是邻域像素值的均值,则滤波关系如图 7-15 所示。
仍然以 5×5 的邻域为例,在进行方框滤波时,如果计算的是邻域像素值之和,则滤波关系
如图 7-16 所示。
根据上述关系,如果计算的是邻域像素值的均值,则使用的卷积核为:
如果计算的是邻域像素值之和,则使用的卷积核为:
在 OpenCV 中,实现方框滤波的函数是 cv2.boxFilter()
,其语法格式为:
dst = cv2.boxFilter( src, ddepth, ksize, anchor, normalize, borderType
)
式中:
dst 是返回值,表示进行方框滤波后得到的处理结果。
src 是需要处理的图像,即原始图像。它能够有任意数量的通道,并能对各个通道独立处理。图像深度应该是 CV_8U、CV_16U、CV_16S、CV_32F 或者 CV_64F 中的一种。
ddepth 是处理结果图像的图像深度,一般使用-1 表示与原始图像使用相同的图像深度。
ksize 是滤波核的大小。滤波核大小是指在滤波处理过程中所选择的邻域图像的高度和宽度。
例如,滤波核的值可以为(3,3),表示以 3×3 大小的邻域均值作为图像均值滤波处理的结果,如下式所示。
anchor 是锚点,其默认值是(-1, -1),表示当前计算均值的点位于核的中心点位置。
该值使用默认值即可,在特殊情况下可以指定不同的点作为锚点。
normalize 表示在滤波时是否进行归一化(这里指将计算结果规范化为当前像素值范围内的值)处理,该参数是一个逻辑值,可能为真(值为 1)或假(值为 0)。
当参数 normalize=1 时,表示要进行归一化处理,要用邻域像素值的和除以面积。
当参数 normalize=0 时,表示不需要进行归一化处理,直接使用邻域像素值的和。
通常情况下,针对方框滤波,卷积核可以表示为:
上述对应关系为:
例如,针对 5×5 邻域,当参数 normalize=1 时,要进行归一化处理,此时计算的就是均值滤波。
这种情况下,函数 cv2.boxFilter()和函数 cv2.blur()的作用是一样的。
此时,对应的卷积核为:
同样针对 5×5 邻域,当参数 normalize=0 时,不进行归一化处理,此时滤波计算的是邻域像素值之和,使用的卷积核是:
当 normalize=0 时,因为不进行归一化处理,因此滤波得到的值很可能超过当前像素值范围的最大值,从而被截断为最大值。
这样,就会得到一幅纯白色的图像。
borderType 是边界样式,该值决定了以何种方式处理边界。
通常情况下,在使用方框滤波函数时,对于参数 anchor、normalize 和 borderType,直接采
用其默认值即可。因此,函数 cv2.boxFilter()的常用形式为:
dst = cv2.boxFilter( src, ddepth, ksize )
实验1: 针对噪声图像,对其进行方框滤波,显示滤波结果
代码如下:文章来源:https://www.toymoban.com/news/detail-631034.html
import cv2
o=cv2.imread("lenaNoise.png")
r=cv2.boxFilter(o,-1,(5,5))
cv2.imshow("original",o)
cv2.imshow("result",r)
cv2.waitKey()
cv2.destroyAllWindows()
运行结果:
在本例中,方框滤波函数对 normalize 参数使用了默认值。在默认情况下,该值为 1,表示要进行归一化处理。也就是说,本例中使用的是 normalize 为默认值 True 的 cv2.boxFilter()函数,
此时它和函数 cv2.blur()的滤波结果是完全相同的。如图 所示,左图是原始图像,右图是方框滤波结果图像
实验2:针对噪声图像,在方框滤波函数 cv2.boxFilter()内将参数 normalize 的值设置为 0,显示滤波处理结果。
代码如下:
import cv2
o=cv2.imread("lenaNoise.png")
r=cv2.boxFilter(o,-1,(5,5),normalize=0)
cv2.imshow("original",o)
cv2.imshow("result",r)
cv2.waitKey()
cv2.destroyAllWindows()
在本例中,没有对图像进行归一化处理。在进行滤波时,计算的是 5×5 邻域的像素值之和,图像的像素值基本都会超过当前像素值的最大值 255。因此,最后得到的图像接近纯白色,部分点处有颜色。部分点有颜色是因为这些点周边邻域的像素值均较小,邻域像素值在相加后仍然小于 255。
此时的图像滤波结果如图所示,左图是原始图像,右图是方框滤波后得到的处理结果
实验3:针对噪声图像,使用方框滤波函数 cv2.boxFilter()去噪,将参数 normalize 的值设置为 0,将卷积核的大小设置为 2×2,显示滤波结果
代码如下:
import cv2
o=cv2.imread("lenaNoise.png")
r=cv2.boxFilter(o,-1,(2,2),normalize=0)
cv2.imshow("original",o)
cv2.imshow("result",r)
cv2.waitKey()
cv2.destroyAllWindows()
在本例中,卷积核大小为 2×2,参数 normalize=0。因此,本例中方框滤波计算的是 2×2邻域的像素值之和,四个像素值的和不一定大于 255,因此在计算结果图像中有部分像素点不是白色。如图 所示,左图是原始图像,右图是方框滤波处理结果。
文章来源地址https://www.toymoban.com/news/detail-631034.html
到了这里,关于opencv 31-图像平滑处理-方框滤波cv2.boxFilter()的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!