图像滤波：从基础到实践
学习目标
通过本课程，学员们将掌握图像滤波的基本概念，了解如何使用OpenCV实现图像的平滑滤波和锐化滤波，从而能够有效地改善图像质量。
相关知识点
- Python OpenCV图像滤波
学习内容
1 Python OpenCV图像滤波
1.1 图像滤波的基本概念
图像滤波是数字图像处理中的一个基本操作，主要用于去除图像中的噪声、增强图像的某些特征或改善图像的整体质量。滤波器通过修改图像中的像素值来实现这些目标。滤波器可以是线性的，也可以是非线性的，具体取决于滤波器的数学模型。
在数字图像处理中，滤波通常通过卷积操作实现。卷积是一种数学运算，它将一个函数（滤波器或核）与另一个函数（图像）相乘并求和，以生成一个新的函数（滤波后的图像）。滤波器的大小和形状决定了滤波的效果。例如，一个3x3的滤波器会考虑每个像素及其周围的8个邻居像素，而一个5x5的滤波器则会考虑更多的邻居像素。
滤波器可以分为两大类：平滑滤波器和锐化滤波器。平滑滤波器用于减少图像中的噪声，使图像看起来更加平滑。常见的平滑滤波器包括均值滤波器和高斯滤波器。锐化滤波器则用于增强图像的边缘和细节，使图像看起来更加清晰。常见的锐化滤波器包括拉普拉斯滤波器和高斯拉普拉斯滤波器。
1.2 使用OpenCV实现平滑滤波
OpenCV是一个强大的计算机视觉库，提供了多种图像处理功能，包括滤波。在本课程中，学员们将学习如何使用OpenCV实现图像的平滑滤波。
1.2.1 均值滤波
执行以下指令获取测试图片。
wget https://model-community-picture.obs.cn-north-4.myhuaweicloud.com/ascend-zone/notebook_datasets/a9049fc42fa911f0bad1fa163edcddae/example.jpg
均值滤波是一种简单的平滑滤波器，它通过计算每个像素及其周围像素的平均值来平滑图像。均值滤波可以有效地减少图像中的噪声，但可能会使图像的边缘变得模糊。
import cv2
import numpy as np
import matplotlib.pyplot as plt
# 读取图像
image = cv2.imread('example.jpg')
# 应用均值滤波
blurred = cv2.blur(image, (5, 5))
# 显示原始图像和滤波后的图像
# 将 BGR 格式转换为 RGB 格式，以适配 matplotlib 的显示
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
blurred = cv2.cvtColor(blurred, cv2.COLOR_BGR2RGB)
# 创建画布和子图（1行2列）
# 显示第一张图像
plt.subplot(1, 2, 1) # 1行2列，第1个位置
plt.imshow(image)
plt.title('Original Image')
plt.axis('off')
# 显示第二张图像
plt.subplot(1, 2, 2) # 1行2列，第2个位置
plt.imshow(blurred)
plt.title('Blurred Image')
plt.axis('off')
plt.tight_layout() # 自动调整布局
plt.show()
在上述代码中，cv2.blur函数用于应用均值滤波。参数(5, 5)表示滤波器的大小为5x5。可以根据需要调整滤波器的大小，以获得不同的平滑效果。
1.2.2 高斯滤波
高斯滤波是一种更高级的平滑滤波器，它使用高斯函数作为滤波器的权重。高斯滤波可以更好地保留图像的边缘信息，同时减少噪声。
# 读取图像
image = cv2.imread('example.jpg')
# 应用高斯滤波
gaussian_blurred = cv2.GaussianBlur(image, (5, 5), 0)
# 显示原始图像和滤波后的图像
# 将 BGR 格式转换为 RGB 格式，以适配 matplotlib 的显示
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
gaussian_blurred = cv2.cvtColor(gaussian_blurred, cv2.COLOR_BGR2RGB)
# 创建画布和子图（1行2列）
# 显示第一张图像
plt.subplot(1, 2, 1) # 1行2列，第1个位置
plt.imshow(image)
plt.title('Original Image')
plt.axis('off')
# 显示第二张图像
plt.subplot(1, 2, 2) # 1行2列，第2个位置
plt.imshow(gaussian_blurred)
plt.title('Gaussian Blurred Image')
plt.axis('off')
plt.tight_layout() # 自动调整布局
plt.show()
在上述代码中，cv2.GaussianBlur函数用于应用高斯滤波。参数(5, 5)表示滤波器的大小为5x5，参数0表示标准差由系统自动计算。也可以手动指定标准差，以获得不同的平滑效果。
1.3 使用OpenCV实现锐化滤波
锐化滤波器用于增强图像的边缘和细节，使图像看起来更加清晰。在本课程中，学员们将学习如何使用OpenCV实现图像的锐化滤波。
1.3.1 拉普拉斯滤波
拉普拉斯滤波是一种常用的锐化滤波器，它通过检测图像中的边缘来增强图像的细节。拉普拉斯滤波器是一个二阶导数滤波器，可以有效地增强图像的边缘。
# 转换为灰度图像
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 应用拉普拉斯滤波
laplacian = cv2.Laplacian(gray_image, cv2.CV_64F)
# 将结果转换回8位图像
laplacian = np.uint8(np.absolute(laplacian))
# 显示原始图像和滤波后的图像
# 将 BGR 格式转换为 RGB 格式，以适配 matplotlib 的显示
gray_image = cv2.cvtColor(gray_image, cv2.COLOR_BGR2RGB)
laplacian = cv2.cvtColor(laplacian, cv2.COLOR_BGR2RGB)
# 创建画布和子图（1行2列）
# 显示第一张图像
plt.subplot(1, 2, 1) # 1行2列，第1个位置
plt.imshow(gray_image)
plt.title('Original Image')
plt.axis('off')
# 显示第二张图像
plt.subplot(1, 2, 2) # 1行2列，第2个位置
plt.imshow(laplacian)
plt.title('Laplacian Image')
plt.axis('off')
plt.tight_layout() # 自动调整布局
plt.show()
在上述代码中，cv2.Laplacian函数用于应用拉普拉斯滤波。参数cv2.CV_64F表示输出图像的数据类型为64位浮点数。np.uint8(np.absolute(laplacian))用于将结果转换回8位图像，以便显示。
1.3.2 高斯拉普拉斯滤波
高斯拉普拉斯滤波（LoG）是一种结合了高斯滤波和拉普拉斯滤波的锐化滤波器。首先，它使用高斯滤波器平滑图像，然后应用拉普拉斯滤波器来增强图像的边缘。这种方法可以有效地减少噪声，同时增强图像的细节。
# 应用高斯滤波
gaussian_blurred = cv2.GaussianBlur(gray_image, (5, 5), 0)
# 应用拉普拉斯滤波
laplacian = cv2.Laplacian(gaussian_blurred, cv2.CV_64F)
# 将结果转换回8位图像
laplacian = np.uint8(np.absolute(laplacian))
# 显示原始图像和滤波后的图像
# 将 BGR 格式转换为 RGB 格式，以适配 matplotlib 的显示
gray_image = cv2.cvtColor(gray_image, cv2.COLOR_BGR2RGB)
laplacian = cv2.cvtColor(laplacian, cv2.COLOR_BGR2RGB)
# 创建画布和子图（1行2列）
# 显示第一张图像
plt.subplot(1, 2, 1) # 1行2列，第1个位置
plt.imshow(gray_image)
plt.title('Original Image')
plt.axis('off')
# 显示第二张图像
plt.subplot(1, 2, 2) # 1行2列，第2个位置
plt.imshow(laplacian)
plt.title('Laplacian Image')
plt.axis('off')
plt.tight_layout() # 自动调整布局
plt.show()
(为什么那么黑？锐化，平滑，增强细节的结果？…)
在上述代码中，首先使用cv2.GaussianBlur函数对图像进行高斯滤波，然后使用cv2.Laplacian函数应用拉普拉斯滤波。这样可以有效地减少噪声，同时增强图像的边缘。