Opencv之图像滤波：3.方框滤波（cv2.boxFilter）

admin • 2022-12-03 20:07 • 人工智能

OpenCV还提供了方框滤波方式，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。

3.1 原理介绍

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：

3.2 函数语法

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。

● 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）：

1.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。此时方框滤波与均值滤波效果相同。

2.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。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）

3.3 程序实例

import cv2  as cv
import numpy as np
 
def cv_show(name, img):
    cv.imshow(name, img)
    cv.waitKey(0)
    cv.destroyAllWindows()
 
# 在图片上生成椒盐噪声
def add_peppersalt_noise(image, n=10000):
    result = image.copy()
    # 测量图片的长和宽
    w, h =image.shape[:2]
    # 生成n个椒盐噪声
    for i in range(n):
        x = np.random.randint(1, w)
        y=  np.random.randint(1, h)
        if np.random.randint(0, 2) == 0 :
            result[x, y] = 0
        else:
            result[x,y] = 255
    return result
 
img = cv.imread('D:\dlam.jpg')
if img is None:
    print('Failed to read the image')
 
img1 = add_gauss_noise(img)
cv_show('img', img1)
 
# 默认为规定尺寸的1/n的全1矩阵
img2 = cv.blur(img1, (3, 3))
cv_show('img2', img2)
 

# boxfilter方框滤波效果和均值滤波效果一致,默认情况下，对方框滤波后的像素值进行归一化
img3 = cv.boxFilter(img1, -1, (3, 3))
cv_show('img3', img3)

img4 = cv.boxFilter(img1, -1, (3, 3), normalize=0)
cv_show('img4', img4)

原图如下：