传统机器视觉——图像平滑

图像模糊化

• 缩小

  • 长、宽按比例缩小后：img5 = cv.resize(img3, (w, h)) # 缩小

• 卷积

  • img2 = cv.filter2D(img1, -1, kernel) #卷积
  • 长、宽按比例缩小后：img6 = cv.resize(cv.filter2D(img4, -1, kernel), (w, h)) # 卷积并缩小
    • 可以避免高频噪声干扰模型训练
    • 同时打印时可以减少锯齿，保留平滑边缘

• 高斯模糊

  • img2 = cv.GaussianBlur(img1, ksize=(5, 5), sigmaX=2.0, sigmaY=2.0)

自定义卷积核

• 均值滤波：通过用周围像素的平均值替换每个像素值，实现图像平滑（模糊）
  • 自定义一个 kernel 核
    • kernel = np.ones((5, 5), np.float32) / 25
  • 做卷积操作，第 2 个参数为：ddepth，输出图像深度（-1 表示与输入相同）
    • dst = cv.filter2D(img, -1, kernel)
    • plt.imshow(cv.cvtColor(dst, cv.COLOR_BGR2RGB)) # 均值滤波

高斯滤波

• • 归一化：生成的权重会归一化，确保总和为 1（避免图像亮度偏移）
    • 一维高斯核：a = cv.getGaussianKernel(ksize=5, sigma=1, ktype=cv.CV_64F)
    • 二维高斯核: kernel = np.dot(a, a.T)
  • 高斯 filter 过滤器
    • dst = cv.GaussianBlur(img, ksize=(9, 9), sigmaX=2.0, sigmaY=2.0) # 标准差值越大，越模糊
    • plt.imshow(cv.cvtColor(dst, cv.COLOR_BGR2RGB)) # 高斯模糊
  • 垂直高斯核
    • kernel1 = cv.getGaussianKernel(ksize=9, sigma=2, ktype=cv.CV_64F)
  • 水平高斯核
    • kernel2 = np.transpose(kernel1)
  • 二次卷积操作
    • dst = cv.filter2D(cv.filter2D(img, -1, kernel1), -1, kernel2)

中值滤波

• • 加噪声

    • noisy_img = np.random.normal(10, 10, (img.shape[0], img.shape[1],img.shape[2])) # 均值和标准差都为 10
    • noisy_img = np.clip(noisy_img, 0, 255).astype(np.uint8) # 截取 0-255 的值
    • img = img + noisy_img # 合成原图和噪声图
  • 中值滤波
    • dst = cv.medianBlur(img, ksize=5)

双边滤波

• 双边滤波: 中间的纹理删除，保留边缘信息
  • 双边滤波
    • dst = cv.bilateralFilter(img, d=9, sigmaColor=75, sigmaSpace=75)