python 简单图像处理（10） 空间域图像平滑

图象平滑的主要目的是减少图像噪声

图像噪声来自多方面，常见的噪声有以下几种：

加性噪声、乘性噪声、量化噪声、椒盐噪声

减少噪声的方法可以在空间域或是在频率域

在空间域，基本方法是求像素的平均值或中值

在频率域，运用的是低通滤波技术

在这里我们只讲空间域的图象平滑。频率域以后有机会再讲

空间域的各种滤波器虽然形状不同，但在空间域实现图像滤波的方法是相似的。

都是利用模板卷积，即将图像模板下的像素与模板系数的乘积求和操作。

我们先来看3×3的模板：





我们先来看看领域平均法：

常用的平滑掩模算子有



我们写程序来实现：

import cv

def Filter(image,array):
w = image.width
h = image.height
size = (w,h)
iFilter = cv.CreateImage(size,8,1)
for i in range(h):
for j in range(w):
if i in [0,h-1] or j in [0,w-1]:
iFilter[i,j] = image[i,j]
else:
a= [0]*9
for k in range(3):
for l in range(3):
a[k*3+l] = image[i-1+k,j-1+l]
sum = 0
for m in range(9):
sum = sum+array[m]*a[m]
iFilter[i,j] = int(sum)
return iFilter

H1 = [1.0/9]*9
H2 = [1.0/10]*9
H2[4] = 0.2
H3 = [1.0/16,2.0/16,1.0/16,2.0/16,4.0/16,2.0/16,1.0/16,2.0/16,1.0/16]
H4 = [1.0/8]*9
H4[4] = 0

image = cv.LoadImage('lena.jpg',0)
iH1F = Filter(image,H1)
iH2F = Filter(image,H2)
iH3F = Filter(image,H3)
iH4F = Filter(image,H4)
cv.ShowImage('image',image)
cv.ShowImage('iH1F',iH1F)
cv.ShowImage('iH2F',iH2F)
cv.ShowImage('iH3F',iH3F)
cv.ShowImage('iH4F',iH4F)
cv.WaitKey(0)

效果如下：



不同算子间差别很小，至少这幅图是这样的

我们再来看看中值滤波器

中值滤波器不存在算子的概念，只有窗口的概念

选取以某一点为中心的窗口，对窗口中所有点灰度值取中值，将灰度值的中值付给这一点。这就是中值滤波的全部

改造一下刚才的程序：

import cv

def MFilter(image):
w = image.width
h = image.height
size = (w,h)
iMFilter = cv.CreateImage(size,8,1)
for i in range(h):
for j in range(w):
if i in [0,h-1] or j in [0,w-1]:
iMFilter[i,j] = image[i,j]
else:
a= [0]*9
for k in range(3):
for l in range(3):
a[k*3+l] = image[i-1+k,j-1+l]
a.sort()
iMFilter[i,j] = a[4]
return iMFilter

image = cv.LoadImage('lena.jpg',0)
iMF = MFilter(image)
cv.ShowImage('image',image)
cv.ShowImage('iMF',iMF)
cv.WaitKey(0)

看看效果：



中间为平均值滤波，右边是中值滤波。有没有看出差别？

我们来更直观的看看两种滤波方式对不同信号的处理效果吧



对线性信号，为了处理简单，我用的窗的长度为3

我们从效果可以看出中值平滑只对特别尖锐的信号平滑，而平均值平滑对所有的信号都平滑

所有平均值平滑不仅消除了噪声，还损失了原图中陡峭的边缘

对于含有点，线，尖角较多的图不适应采取中值滤波，他们容易被误认为噪声

好啦，简单的空域平滑滤波就讲到这里了