图像滤波和图像锐化原理和代码-动手学计算机视觉3.1

图像滤波基础概念

滤波的核心作用

• 去噪（Image Denoising）：通过抑制高频信息（如高斯滤波）平滑图像，减少噪声。

• 锐化（Image Sharpening）：通过增强高频信息（如拉普拉斯滤波）突出边缘和细节。

• 滤波器是实现特定频域操作的函数，通常通过卷积运算作用于图像。

典型图像噪声类型

椒盐噪声（Salt-and-Pepper

• 特征：随机出现的黑白像素点（类似椒盐颗粒）。

• 成因：传感器故障或传输错误。

• 代码:

import cv2,skimage
import numpy as np

# 原图
srcImg = cv2.imread("lenna.jpg")
cv2.imshow("src image", srcImg)

# 给图像增加高斯噪声
noiseImg = skimage.util.random_noise(srcImg, mode='s&p')
cv2.imshow("image with noise", noiseImg)
# 0 表示无限等待，直到用户按下任意键,不等待图片会一瞬间消失
cv2.waitKey(0)
cv2.destroyAllWindows()  # 关闭所有 OpenCV 窗口

高斯噪声（Gaussian Noise）

• 特征：像素值添加符合高斯分布的随机扰动。

• 成因：光照不足或电子干扰。

• 代码:

import cv2,skimage
import numpy as np

# 原图
srcImg = cv2.imread("lenna.jpg")
cv2.imshow("src image", srcImg)

# 给图像增加高斯噪声
noiseImg = skimage.util.random_noise(srcImg, mode='gaussian')
cv2.imshow("image with noise", noiseImg)
# 0 表示无限等待，直到用户按下任意键,不等待图片会一瞬间消失
cv2.waitKey(0)
cv2.destroyAllWindows()  # 关闭所有 OpenCV 窗口

- gaussian：高斯加性噪声

- localvar：高斯加性噪声，每点具有特定局部方差

- poisson： 泊松分布噪声

- salt：盐噪声，随机用1替换像素

- pepper：胡椒噪声，随机用0或-1替换像素

- s&p：椒盐噪声，呈现出黑白杂点

实际上，椒盐噪声和高斯噪声随时随地会出现在我们的生活中。图像的美颜处理中，人脸“祛痘”、人脸“磨皮”等就是通过滤波去除椒盐噪声和高斯噪声。接下来，我们将从实际的例子出发，介绍几种不同的滤波技术。

典型

线性

• 均值滤波：实现人脸磨皮，对像素进行平均，去除高频噪声，邻域像素平均值平滑噪声，但模糊边缘。

• 核函数示例（3×3）：

• 代码

import cv2,skimage
import numpy as np
from matplotlib import pyplot as plt
import seaborn as sns
class conv_2d():
def __init__(self, a, b):
# 输入图像
self.a = a
# 卷积核
self.b = b
# 输入图像的坐标
self.ax = [i for i in range(self.a.shape[0])]
self.ay = [i for i in range(self.a.shape[1])]
# 卷积核的坐标
self.bx = [i for i in range(self.b.shape[0])]
self.by = [i for i in range(self.b.shape[1])]

def conv(self):
# 对输入图像a和卷积核b进行数学上的卷积操作
c = cv2.filter2D(self.a, -1, self.b)
return c

def plot(self):
a = self.a
b = self.b
c = self.conv()
plt.figure(figsize=(12, 4))
# 输入图像
plt.subplot(1, 3, 1)
plt.title('Input')
# 灰度图
plt.imshow(a, cmap='gray')
plt.axis('off')
# 卷积核
plt.subplot(1, 3, 2)
plt.title('Kernel')
sns.heatmap(b, annot=False, cmap='Greens', cbar=False)
plt.axis('off')
# 输出图像
plt.subplot(1, 3, 3)
plt.title('Output')
plt.imshow(c, cmap='gray')
plt.axis('off')
plt.tight_layout()
plt.show()
# 原图
srcImg = cv2.imread("lenna.jpg",0)
size=5
k=np.ones((size,size))/size** 2
cov = conv_2d(srcImg , k)
cov.plot()

# 无法显示img如果你是linux系统，可以尝试安装以下包无 GUI 模式）：
# pip uninstall opencv-python opencv-contrib-python
# pip install opencv-python-headless

• 高斯滤波：加权平均，权重服从高斯分布，保留更多边缘信息。解决了均值滤波的缺点：块状效应

• 代码

• ```python

1. import cv2,skimage

2. import numpy as np

3. from matplotlib import pyplot as plt

4. import seaborn as sns

5. # 原图

6. srcImg = cv2.imread("lenna.jpg",0)

7. # 高斯核大小为5，标准差为1.0

8. blurred_img = cv2.GaussianBlur(srcImg, (5, 5), sigmaX=1.0)

9. plt.imshow(blurred_img, cmap='gray')

10. plt.title("OpenCV Gaussian Blur")

11. plt.axis('off')

12. plt.show()AI代码解释python运行

 通过对比输入图像和输出图像，可以很明显地看出，高斯噪声被有效地抑制了。我们改变
 高斯核的大小，并再次测试。

##### 非线性滤波器

- **中值滤波**：“祛痘”也是美颜修图时的一个常用操作。人脸上的“痘”其实就是一种椒盐噪声。我们先试试高斯滤波器对椒盐噪声进行处理的效果，观察高斯滤波器能否有效“祛痘”。取邻域像素中值，有效去除椒盐噪声且保留边缘。
- ```python

	1. import cv2
	2. import numpy as np
	3. from matplotlib import pyplot as plt
	4.
	5. # 读取图像（灰度模式）
	6. srcImg = cv2.imread("lenna.jpg", 0)
	7. if srcImg is None:
	8. raise ValueError("Image not found or unable to load.")
	9.
	10. # 添加椒盐噪声（模拟噪声）
	11. def add_salt_pepper_noise(image, salt_prob=0.05, pepper_prob=0.05):
	12. noisy = np.copy(image)
	13. total_pixels = image.size
	14. # 添加盐噪声（白色点）
	15. salt_pixels = int(total_pixels * salt_prob)
	16. salt_coords = [np.random.randint(0, i-1, salt_pixels) for i in image.shape]
	17. noisy[salt_coords[0], salt_coords[1]] = 255
	18. # 添加胡椒噪声（黑色点）
	19. pepper_pixels = int(total_pixels * pepper_prob)
	20. pepper_coords = [np.random.randint(0, i-1, pepper_pixels) for i in image.shape]
	21. noisy[pepper_coords[0], pepper_coords[1]] = 0
	22. return noisy
	23.
	24. # 添加噪声
	25. noisy_img = add_salt_pepper_noise(srcImg)
	26.
	27. # 中值滤波
	28. median_filtered = cv2.medianBlur(noisy_img, 5)  # 5x5 邻域
	29.
	30. # 显示结果
	31. plt.figure(figsize=(15, 5))
	32. plt.subplot(1, 3, 1)
	33. plt.imshow(srcImg, cmap='gray')
	34. plt.title("Original Image")
	35. plt.axis('off')
	36.
	37. plt.subplot(1, 3, 2)
	38. plt.imshow(noisy_img, cmap='gray')
	39. plt.title("Noisy Image (Salt & Pepper)")
	40. plt.axis('off')
	41.
	42. plt.subplot(1, 3, 3)
	43. plt.imshow(median_filtered, cmap='gray')
	44. plt.title("Median Filtered (5x5)")
	45. plt.axis('off')
	46.
	47. plt.show()

• 双边滤波：结合空间距离和像素值相似性，平滑噪声同时保护边缘。

• 高斯滤波器虽然能得到很好的去噪效果，但是由结果可知，图像的内容也被模糊

• ```python

1. import cv2

2. from matplotlib import pyplot as plt

3. # 原图

4. srcImg = cv2.imread("lenna.jpg",0)

5. # 5：滤波器的直径（邻域大小

6. # 100：颜色空间的标准差（控制颜色相似性）

7. # 100：坐标空间的标准差（控制空间相似性

8. blurred_img = cv2.bilateralFilter(srcImg, 5, 100, 100)

9. plt.imshow(blurred_img, cmap='gray')

10. plt.title("OpenCV Bilateral Filter")

11. plt.axis('off')

12. plt.show()AI代码解释python运行

---

## 图像锐化（
 Image
  Sharpening）是一种增强图像边缘和细节的技术，通常通过高通滤波器（如拉普拉斯算子、Sobel算子等）或反锐化掩模（Unsharp Masking）实现。以下是几种常见的图像锐化方法及其实现代码。

---

### **1\. 拉普拉斯锐化（Laplacian Sharpening）**

拉普拉斯算子是一种二阶微分算子，可以突出图像中的边缘和细节。

#### **代码实现**

1. import cv2

2. import numpy as np

3. from matplotlib import pyplot as plt

1. # 读取图像（灰度模式）

2. srcImg = cv2.imread("lenna.jpg", 0)

3. if srcImg is None:

4. raise ValueError("Image not found or unable to load.")

1. # 拉普拉斯算子

2. laplacian = cv2.Laplacian(srcImg, cv2.CV_64F)

1. # 锐化图像（原图 + 拉普拉斯结果）

2. sharpened = srcImg - 0.5 * laplacian # 系数可调整

1. # 显示结果

2. plt.figure(figsize=(15, 5))

3. plt.subplot(1, 3, 1)

4. plt.imshow(srcImg, cmap='gray')

5. plt.title("Original Image")

6. plt.axis('off')

1. plt.subplot(1, 3, 2)

2. plt.imshow(laplacian, cmap='gray')

3. plt.title("Laplacian Filter")

4. plt.axis('off')

1. plt.subplot(1, 3, 3)

2. plt.imshow(sharpened, cmap='gray')

3. plt.title("Sharpened Image")

4. plt.axis('off')

1. plt.show()

#### **说明**

- `cv2.Laplacian` 计算图像的拉普拉斯结果。
- 锐化公式：`sharpened = original + k * laplacian`，其中 `k` 是锐化强度（通常为负数，如 `-0.5`）。

---

### **2\. Sobel 锐化（Sobel Sharpening）**

Sobel 算子是一种一阶微分算子，可以检测水平和垂直方向的边缘。

#### **代码实现**

1. # Sobel 算子（水平和垂直方向）

2. sobel_x = cv2.Sobel(srcImg, cv2.CV_64F, 1, 0, ksize=3)

3. sobel_y = cv2.Sobel(srcImg, cv2.CV_64F, 0, 1, ksize=3)

1. # 合并 Sobel 结果

2. sobel = np.sqrt(sobel_x2 + sobel_y2)

1. # 锐化图像

2. sharpened_sobel = srcImg + 0.1 * sobel # 系数可调整

1. # 显示结果

2. plt.figure(figsize=(15, 5))

3. plt.subplot(1, 3, 1)

4. plt.imshow(srcImg, cmap='gray')

5. plt.title("Original Image")

6. plt.axis('off')

1. plt.subplot(1, 3, 2)

2. plt.imshow(sobel, cmap='gray')

3. plt.title("Sobel Filter")

4. plt.axis('off')

1. plt.subplot(1, 3, 3)

2. plt.imshow(sharpened_sobel, cmap='gray')

3. plt.title("Sharpened Image (Sobel)")

4. plt.axis('off')

1. plt.show()

#### **说明**

- `cv2.Sobel` 分别计算水平和垂直方向的梯度。
- 锐化公式：`sharpened = original + k * sobel`，其中 `k` 控制锐化强度。

---

### **3\. 反锐化掩模（Unsharp Masking）**

反锐化掩模通过从原图中减去模糊后的图像来增强边缘。

#### **代码实现**

1. # 高斯模糊

2. blurred = cv2.GaussianBlur(srcImg, (5, 5), 0)

1. # 反锐化掩模

2. unsharp_mask = srcImg - blurred

3. sharpened_unsharp = srcImg + 0.5 * unsharp_mask # 系数可调整

1. # 显示结果

2. plt.figure(figsize=(15, 5))

3. plt.subplot(1, 3, 1)

4. plt.imshow(srcImg, cmap='gray')

5. plt.title("Original Image")

6. plt.axis('off')

1. plt.subplot(1, 3, 2)

2. plt.imshow(unsharp_mask, cmap='gray')

3. plt.title("Unsharp Mask")

4. plt.axis('off')

1. plt.subplot(1, 3, 3)

2. plt.imshow(sharpened_unsharp, cmap='gray')

3. plt.title("Sharpened Image (Unsharp Mask)")

4. plt.axis('off')

1. plt.show()

#### **说明**

- `cv2.GaussianBlur` 对图像进行模糊处理。
- 反锐化掩模公式：`sharpened = original + k * (original - blurred)`，其中 `k` 控制锐化强度。

---

### **4\. 自定义锐化核（Custom Sharpening Kernel）**

可以通过自定义卷积核实现锐化，例如：

1. [ 0, -1, 0]

2. [-1, 5, -1]

3. [ 0, -1, 0]

#### **代码实现**

1. # 自定义锐化核

2. kernel = np.array([[0, -1, 0],

3. [-1, 5, -1],

4. [0, -1, 0]])

1. # 应用卷积

2. sharpened_custom = cv2.filter2D(srcImg, -1, kernel)

1. # 显示结果

2. plt.figure(figsize=(10, 5))

3. plt.subplot(1, 2, 1)

4. plt.imshow(srcImg, cmap='gray')

5. plt.title("Original Image")

6. plt.axis('off')

1. plt.subplot(1, 2, 2)

2. plt.imshow(sharpened_custom, cmap='gray')

3. plt.title("Sharpened Image (Custom Kernel)")

4. plt.axis('off')

1. plt.show()

#### **说明**

- `cv2.filter2D` 应用自定义卷积核。
- 核的中心值较大（如 `5`），周围为负值（如 `-1`），以增强边缘。

| 方法 | 特点 |
| --- | --- |
| **拉普拉斯锐化** | 二阶微分，适合突出细节，但对噪声敏感。 |
| **Sobel 锐化** | 一阶微分，适合检测边缘，锐化效果较柔和。 |
| **反锐化掩模** | 通过模糊图像提取高频信息，锐化效果自然。 |
| **自定义锐化核** | 灵活调整核参数，适合特定场景。 |

你可以根据需求选择合适的方法，并通过调整参数（如锐化强度、核大小）优化效果。

### 小结：

本文介绍了图像滤波的基础概念、典型噪声类型和常用滤波技术。图像滤波通过修改
 频谱
来改变图像特性，分为去噪（抑制高频）和锐化（增强高频）两种核心作用。文章详细分析了椒盐噪声和高斯噪声的特征及成因，并提供了Python实现代码。在滤波方法上，重点讲解了线性滤波器（均值、高斯滤波）和非线性滤波器（中值、双边滤波）的原理及应用场景，通过代码演示了它们在图像处理中的实际效果。最后，文章介绍了四种图像锐化技术（拉普拉斯、Sobel、反锐化掩模和自定义核），对比了各自特点和使用方法，为图像处理任务提供了全面的技术参考。