平滑处理和阈值处理 OpenCV图像处理实战课件

第五章平滑处理和阈值处理第五章平滑处理和阈值处理本章主要内容包括平滑处理和阈值处理阈值处理与平滑处理都是去除图片中的“杂质”，让图片更加的干净明了。平滑处理：图像在生成、复制和传输的过程中，可能会由于噪声的干扰而出现数据丢失，降低图像质量，需要对图像进行一定的增强处理以减小这些缺陷带来的影响，平滑处理是一种区域增强的算法，主要包括均值滤波、方框滤波和高斯滤波。阈值处理：指剔除图像内像素值高于一定值或者低于一定值的像素点，是实现图像分割的一种方法，常用的阈值分割方法有简单阈值、自适应阈值、Otsu二值化5.1平滑处理图像平滑处理：图像平滑处理：在保留图像原有信息的情况下，过滤掉图像内部的噪声，所得图像为平滑图像含有噪声的图像平滑图像5.1平滑处理图像平滑处理会对图像中与周围像素的像素值差异较大的像素点进行处理，将其值调整为周围像素点像素值的近似值图中大部分的像素值都位于[145,150]区间，第3行第3列的像素值为29，不在这个范围内，反应在图像上，该点颜色较深，是一个黑点5.1平滑处理从图中可以看出，第3行第3列的颜色较深，可能是噪声，需要将该点的值调整为周围像素值的近似值，对该点进行平滑处理，该点的像素值由29变为148平滑处理后，图像内所有像素颜色趋于一致5.1平滑处理图像平滑处理的基本原理是：将噪声所在的像素点的像素值处理为周围临近像素点的值的近似值，取近似值的方式有很多，主要有：均值滤波方框滤波高斯滤波中值滤波双边滤波2D卷积图像平滑处理通常伴随图像的模糊操作，因此图像平滑处理也被称为图像模糊处理有时也会把图像平滑处理称为图像滤波5.1平滑处理1.平滑处理-均值滤波均值滤波是指以当前点为中心，用其周围N×N个点像素值的平均值来替代当前点的像素值，用于计算平均值的N×N个点称为邻域，用于滤波计算的卷积核大小与邻域大小相同。使用该方法遍历处理图像内的每个像素点，即可完成整幅图像的均值滤波卷积核为：则中心点的均值滤波值：119比223更接近周围的值5.1平滑处理1.平滑处理-均值滤波卷积核大小通常为常用3×3、5×5、7×7等卷积核越大，参与到均值运算中的像素就会越多，即当前点计算的是更多点的像素值的平均值卷积核越大，去噪效果越好，当然花费的计算时间就越长，同时图像失真越严重在实际处理中，要在失真和去噪效果之间取得平衡，选取合适大小的卷积核5.1平滑处理1.平滑处理-均值滤波方法：函数cv2.blur()语法格式：dst=cv2.blur(src,ksize[,anchor[,borderType]])参数说明：dst为滤波结果图像。src为原图像。ksize为卷积核大小，表示为(width,height)，width和height通常设置为相同值，且为正数和奇数。anchor为锚点，默认值为(-1,-1)，表示锚点位于卷积核中心。borderType为边界值处理方式。5.1平滑处理1.平滑处理-均值滤波应用案例1：进行均值滤波处理，得到去噪声图像，并显示原始图像和去噪图像5.1平滑处理1.平滑处理-方框滤波与均值滤波不同的是，方框滤波不会计算像素均值，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（此时为均值滤波）,还是邻域像素值之和。卷积核为则中心点的方框滤波值=(125*1+129*1+130*1+134*1+253*1+127*1+125*1+133*1+131*1)=1169（255）5.1平滑处理1.平滑处理-方框滤波方法：函数cv2.boxFilter()语法格式：dst=cv2.boxFilter(src,ddepth,ksize[,anchor[,normalize[,borderType]]])参数说明：ddepth为目标图像的深度，一般使用-1表示与原图像的深度一致。normalize为True（默认值）时执行归一化操作，为False时不执行归一化操作。其他参数含义和cv2.blur()函数中的一致。5.1平滑处理1.平滑处理-方框滤波应用案例2：给图像添加噪声，针对噪声图像，对其进行方框滤波，改变normalize值显示滤波结果5.1平滑处理1.平滑处理-高斯滤波高斯滤波：卷积核中心点的权重会加大，远离中心点的权重值减小，卷积核内的元素值呈现一种高斯分布，然后根据权重值计算邻域内所有像素点的和，将和作为中心点的像素值。高斯滤波中，一个3*3的卷积核可能是：则中心点的高斯滤波值为：=(125*1+129*2+130*1+134*2+253*8+127*2+125*1+133*2+131*1)÷20=1795.1平滑处理1.平滑处理-高斯滤波实际计算时：卷积核为中心点的高斯滤波值=(125*0.05+129*0.1+130*0.05+134*0.1+253*0.4+127*0.1+125*0.05+133*0.1+131*0.05)=179每一种尺寸的卷积核都可以有多种不同形式的权重比例，例如5*5的卷积核，是两种不同的权重比5.1平滑处理1.平滑处理-高斯滤波方法：函数cv2.GaussianBlur()语法格式：dst=cv2.GaussianBlur(src,ksize,sigmaX[,sigmaY[,borderType]])参数说明：sigmaX为卷积核在水平方向上的标准差，其控制的是权重比例。sigmaY为卷积核在垂直方向上的标准差。其他参数含义和cv2.blur()函数中的一致。如果sigmaY为0，则令其等于sigmaX；如果sigmaX和sigmaY均为0，则按下面的公式计算其值，其中ksize为(width,height)，卷积核大小，Width和height必须为奇数。sigmaX=0.3×((width-1)×0.5-1)+0.8sigmaY=0.3×((height-1)×0.5-1)+0.85.1平滑处理1.平滑处理-高斯滤波应用案例3：对图像添加噪声，并对噪声图像进行高斯滤波5.1平滑处理1.平滑处理-中值滤波中值滤波将邻域内的所有像素值（一共有奇数个像素点）排序，取中间值作为邻域中心点的像素值。基本原理针对图中第4行第4列的像素点，计算它的中值滤波值将其邻域大小设置为3*3，对该邻域内的像素点的像素值进行排序排序结果为[66,78,90,91,93,94,95,97,101]中间像素值为93，因此用该值来替换原来的785.1平滑处理1.平滑处理-中值滤波中值滤波属于模板排序运算的滤波器。中值滤波器将邻域内像素排序后的中位数值输出以代替原像素值。它不仅能实现降噪，而且保留了原始图像的锐度，不会修改原始图像的灰度值。中值滤波的使用非常普遍，它对椒盐噪声（salt&peppernoise）的抑制效果很好，在抑制随机噪声的同时能有效保护图像边缘信息。但中值滤波是一种非线性变化，它可能会破坏像素点的线性关系，不适用于点、线等细节较多的图像或高精度的图像。中值滤波器与均值滤波器比较的劣势：中值滤波花费的时间是均值滤波的5倍以上5.1平滑处理1.平滑处理-中值滤波方法：cv2.medianBlur()函数语法格式：dst=cv2.medianBlur(src,ksize)ksize表示卷积核大小，必须是大于1的奇数。5.1平滑处理1.平滑处理-中值滤波应用案例4：为灰度图像添加椒盐噪声，并对噪声图像进行中值滤波5.1平滑处理1.平滑处理-中值滤波应用案例5：为彩色图像添加椒盐噪声，并对噪声图像进行中值滤波5.1平滑处理1.平滑处理-双边滤波双边滤波是综合考虑空间信息和色彩信息的滤波方式，在滤波过程中能够有效地保护图像内的边缘信息。基本原理：前几种滤波方式都只考虑了空间的权重信息，但是在边缘信息的处理上存在较大的问题原因：均值滤波、方框滤波、高斯滤波，都会计算边缘上各个像素点的加权平均值，从而模糊边缘信息这几种滤波处理过程单纯的考虑了空间信息，造成了边界模糊和部分信息丢失在双边滤波中，当处在边缘时，与当前色彩相近的像素点会被赋予较大的权重值；而与当前色彩差别较大的像素点会被赋予较小的权重值（极端情况下，权重值为0，直接忽略该点），这样就保护的边缘信息5.1平滑处理1.平滑处理-双边滤波如图，计算左侧白色区域边缘点的滤波结果时：对于白色的点，给予的权重较大对于黑色的点，由于色差差异较大，颜色距离很远，因此可以将它们的权重设置为0这样在计算左侧白色边缘的滤波结果时，得到的仍然时白色，因此左侧边缘得到保留计算右侧黑色区域边缘点的滤波结果时对于黑色的点，给予的权重较大对于白色的点，由于色差差异较大，颜色距离很远，因此可以将它们的权重设置为0这样在计算右侧黑色边缘的滤波结果时，得到的仍然时黑色，因此右侧边缘得到保留注意：但是由于保存了过多的高频信息，对于彩色图像里的高频噪声，双边滤波器不能够干净的滤掉5.1平滑处理1.平滑处理-双边滤波方法：cv2.bilateralFilter()函数语法格式：dst=cv2.bilateralFilter(src,d,sigmaColor,sigmaSpace[,borderType])参数说明：d表示以当前点为中心的邻域的直径，一般为5。sigmaColor为双边滤波选择的色差范围。sigmaSpace为空间坐标中的sigma值，值越大表示越多的像素点参与滤波计算。当d>0时，忽略sigmaSpace，由d决定邻域大小；否则d由sigmaSpace计算得出，与sigmaSpace成比例。5.1平滑处理1.平滑处理-双边滤波应用案例5：对图像进行双边滤波5.1平滑处理1.平滑处理-2D卷积OpenCV提供了多种滤波方式，来实现图像平滑的效果，例如均值滤波、方框滤波、高斯滤波、中值滤波等。但有时希望能够使用特定的卷积核实现卷积操作，例如可以使用如下卷积核进行卷积操作前面的集中滤波方式都无法将卷积核确定为上述形式在OpenCV中，允许用户自定义卷积核实现卷积操作5.1平滑处理1.平滑处理-2D卷积方法：cv2.filter2D()函数语法格式：dst=cv2.filter2D(src,ddepth,kernel[,anchor[,delta[,borderType]]])参数说明：ddepth表示目标图像dst的深度，一般使用-1表示与原图像src一致。kernel为单通道卷积核（二维数组）。anchor为图像处理的锚点。delta为修正值，未省略时，将加上该值作为最终的滤波结果。borderType为边界值处理方式。5.1平滑处理1.平滑处理-2D卷积应用案例6：对图像进行2D卷积操作5.1平滑处理练习题：构建一副400*400的图像，图像一半为黑色，一半为白色，对该图像分别进行均值滤波、方框滤波、高斯滤波、中值滤波和双边滤波，比较运行的结果。5.2阈值处理阈值处理阈值处理是一种广泛应用的图像分割技术，利用图像中要提取的目标物与其背景在灰度上的差异，把图像分割为具有不同灰度值的两类区域（目标和背景）的组合，选取一个合适的阈值，来确定图像中每个像素点属于目标区域还是背景区域，从而得到相应的二值图像。例如设定阈值设为127将图像内所有像素值大于127的像素点的值设为255将图像内所有像素值小于127的像素点的值设为0阈值处理类似于分段函数处理，设定一个阈值，图像中的像素点灰度值大于阈值，对其做一类处理；图像中的像素点灰度值低于阈值，对其做另一类处理5.2阈值处理图像阈值化分割是一种传统的最常用的图像分割方法特点：实现简单、计算量小、性能稳定，是一种最基本，应用最广泛的图像分割技术是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程图像阈值化的目的是要按照灰度级，对像素集合进行一个划分，将图像分成若干区域，各个区域内部具有一致的属性，而相邻区域不具有这种一致属性可以选择选取一个或多个阈值来实现常用的阈值分割方法简单阈值、自适应阈值、Otsu二值化5.2阈值处理1、简单阈值设定一个阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群选取一个全局阈值，将图像上的像素点的灰度值设置为0或255称为图像的二值化方法：cv2.threshold()函数语法格式：retval,dst=cv2.threshold(src,thresh,maxval,type)参数说明：retval为返回的阈值。dst：输出图，阈值分割后的图像，与原图像具有相同大小和类型的图像src：输入图，要进行阈值分割的图像thresh：代表要设定的阈值5.2阈值处理1、简单阈值maxval：当type参数为cv2.THRESH_BINARY；cv2.THRESH_BINARY_INV类型时，需要设定的最大值。type：二值化操作的类型，其中type的类型如下：假定阈值设为150cv2.THRESH_BINARY表示阈值的二值化操作，大于阈值使用maxval（255）表示，小于或等于阈值使用0表示。cv2.THRESH_BINARY_INV表示阈值的二值化翻转操作，大于阈值的使用0表示，小于或等于阈值的使用最大值表示。5.2阈值处理1、简单阈值cv2.THRESH_TRUNC表示进行截断操作，大于阈值的使用阈值表示，小于或等于阈值的不变。阈值为150cv2.THRESH_TOZERO表示进行化零操作，大于阈值的保持不变，小于或等于阈值设置为0。cv2.THRESH_TOZERO_INV表示进行化零操作的翻转，大于阈值的使用0表示，小于或等于阈值的不变。5.2阈值处理1、简单阈值案例：使用cv2.threshold()函数对数组进行阈值处理5.2阈值处理1、简单阈值应用实例1：对图像进行二值化阈值处理5.2阈值处理1、简单阈值应用实例2：对图像进行反二值化阈值处理5.2阈值处理1、简单阈值应用实例3：二值化比较5.2阈值处理2、自适应阈值对于色彩均衡的图像，直接使用一个阈值就能完成对图像的阈值化处理但如果图像的色彩不均衡，就无法得到清晰有效的阈值分割图像自适应阈值是根据图像上的每个小区域自动计算与其对应的阈值同一幅图像上的不同区域采用的是不同的阈值原理：通过计算每个像素点周围临近区域的加权平均值获取阈值，并使用该阈值对当前像素点进行处理。自适应阈值能够处理更好地处理敏感差异较大的图像5.2阈值处理2、自适应阈值方法：cv2.adaptiveThreshold()函数语法格式：dst=cv2.adaptiveThreshold(src,maxValue,adaptiveMethod,thresholdType,blockSize,C)参数说明：dst为阈值处理的结果图像。src为原图像。maxValue：满足条件的像素点需要设置的灰度值。5.2阈值处理2、自适应阈值adaptiveMethod：自适应方法，取值如下：cv2.ADAPTIVE_THRESH_MEAN_C：邻域中所有像素点的权重值相同cv2.ADAPTIVE_THRESH_GAUSSIAN_C：邻域中像素点的权重值与其到中心点的距离有关，通过高斯方程可计算各个点的权重值thresholdType：阈值处理方式，取值如下：cv2.THRESH_BINARY：二值化阈