CV学习笔记（六）：均值滤波与高斯滤波
关注“深度学习冲鸭”，一起学习一起冲鸭！
设为星标，第一时间获取更多干货
过滤是信号和图像处理中基本的任务。其目的是根据应用环境的不同，选择性的提取图像中某些认为是重要的信息。过滤可以移除图像中的噪音、提取感兴趣的可视特征、允许图像重采样等等。频域分析将图像分成从低频到高频的不同部分。低频对应图像强度变化小的区域，而高频是图像强度变化非常大的区域。在频率分析领域的框架中，滤波器是一个用来增强图像中某个波段或频率并阻塞（或降低）其他频率波段的操作。低通滤波器是消除图像中高频部分，但保留低频部分。高通滤波器消除低频部分.
在这一篇文章中，我们将使用OpenCV来实现一些滤波的操作：
关于模糊与滤波的理论知识，可以去下方的链接里去学习一下
高斯模糊的原理是什么，怎样在界面中实现？- mpcv的回答 - 知乎 （https://www.zhihu.com/question/54918332/answer/142137732）
也可以找一下我之前的博客，里边也都有记录。
1：均值滤波
均值滤波是一种线性滤波器，处理思路也很简单，就是将一个窗口区域中的像素计算平均值，然后将窗口中计算得到的均值设置为锚点上的像素值。
该算法有优点在于效率高，思路简单。同样，缺点也很明显，计算均值会将图像中的边缘信息以及特征信息“模糊”掉，会丢失很多特征。
均值滤波使用简单的卷积方案来实现，既然是计算窗口区域中的像素和，即使用如下卷积核即可。图像的边界部分采用padding操作处理。另外，得到的锚点像素值要进行归一化，即除以窗口尺寸大小。在OpenCV中，我们使用cv.blur（）这个函数即可实现。
2：中值滤波
中值滤波是一种非线性滤波，在处理脉冲噪声以及椒盐噪声时效果极佳，能够有效的保护好图像的边缘信息。
中值滤波的处理思路很简单，取卷积核当中所覆盖像素中的中值作为锚点的像素值即可。
如果按照遍历所有像素，再对卷积核中的像素排序取中值，那么时间复杂度会很高，需要对中值滤波进行改进。
中值滤波的改进实际上很是很好想的，无非就是一个滑动窗口取中值的问题，每次向右滑动的过程中等于在窗口中新添加添加一列窗口像素，同时减去一列窗口像素，考虑维护这个窗口中的像素信息变化即可。
在OpenCV中，我们使用cv.medianBlur（）这个函数即可实现。
具体均值，中值的实现代码：
均值，中值滤波实现结果如下：
3：高斯滤波
高斯滤波是一种线性滤波，是常用的一种滤波算法，利用二维高斯函数的分布方式来对图像进行平滑。
高斯滤波的优点可以集中在高斯函数的特点上来看
首先，二维高斯函数是旋转对称的，在各个方向上平滑程度相同，不会改变原图像的边缘走向。
第二，高斯函数是单值函数，高斯卷积核的锚点为极值，在所有方向上单调递减，锚点像素不会受到距离锚点较远的像素影响过大，保证了特征点和边缘的特性。
第三，在频域上，滤波过程中不会被高频信号污染。
有一个地方要注意：
高斯模糊实质上就是一种均值模糊，只是高斯模糊是按照加权平均的，距离越近的点权重越大，距离越远的点权重越小。通俗的讲，高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。
在OpenCV中，我们使用 cv.GaussianBlur（）这个函数来调用高斯滤波。
具体的实现方法：
实现结果：
相关内容
微信扫码咨询专知VIP会员