openCV：图像的平滑去噪

低频就是颜色缓慢变化，也就是灰度缓慢地变化，就代表着那是连续渐变的一块区域。相反高频即灰度变化快，相邻区域的灰度差别大，例如边缘，噪点都是灰度变化快的区域。

图像平滑是要突出图像的低频成分、主干部分或抑制图像噪声和干扰高频成分的图像处理方法，目的是使图像亮度平缓渐变，减小突变梯度，改善图像质量。字面意思就是让图像上颜色灰度变化更光滑。我们也称图像平滑为图像模糊，因为在平滑的时候，也失去了尖锐的特点。

现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响，称为含噪图像或噪声图像。那么除去这些噪声的过程就是图像去噪。

均值滤波也成线性滤波，其采用的主要方法为邻域平均法。线性滤波的基本原理是用原图像中某个像素临近值的均值代替原图像中的像素值。即滤波器的核（kernel）中所有的系数都相等，然后用该核去对图像做卷积。

基本和均值一样，即滤波器的核（kernel）中所有的系数都相等。但是它可以选择是否归一化，如果归一化，则和均值滤波毫无差别；若不选择归一化，则会导致像素点的值超过255，发生越界。

高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，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。

高斯模糊的卷积核里的数值是满足高斯分布，相当于更重视中间的，离得越近的像素点发挥的作用越大。

高斯核主要取决于σ。如果σ越小，高斯分布中心区域更加聚集，平滑效果越差；反之，则更离散，平滑效果越明显。

中值滤波器，使用滤波器窗口包含区域的像素值的中值来得到窗口中心的像素值。是一种非线性平滑滤波器。在去噪同时,较好的保持边缘轮廓细节，适合处理椒盐噪声，但对高斯噪声效果不好。

双边滤波器是一种可以保边去噪的滤波器，也是一种加权平均滤波器，与高斯滤波不同的是，其滤波核是由两个函数构成，一个函数是由几何空间距离决定滤波器系数，另一个由像素差值决定滤波器系数。

适合处理高斯噪声，但对椒盐噪声基本不起任何作用。

  在尽量保留图像原有信息的情况下，过滤掉图像内部的噪声，这一过程称为对图像的平滑处理，所得的图像称为平滑图像。

  图像平滑处理会对图像中与周围像素点的像素值差异较大的像素点进行处理，将其值调整为周围像素点像素值的近似值。

  例如，假设图7-3是一幅图像的像素点值。在图7-3中，大部分像素点值在[145,150]区间内，只有位于第3行第3列的像素点的值“29”不在这个范围内。

位于第3行第3列的像素点，与周围像素点值的大小存在明显差异。反映在图像上，该点周围的像素点都是灰度点，而该点的颜色较深，是一个黑色点，如图7-4所示。

从图中可以看出，位于第3行第3列的颜色较深的点可能是噪声，需要将该点的值调整为周围像素值的近似值。如图7-5所示，是针对第3行第3列的像素点进行平滑处理的结果，平滑处理后，该点的像素值由29变为148。

这些像素点对应的图像如图7-6所示，可以看到，在对第3行第3列的像素点进行平滑处理后，图像内所有像素的颜色趋于一致。

  如果针对图像内的每一个像素点都进行上述平滑处理，就能够对整幅图像完成平滑处理，有效地去除图像内的噪声信息。

  图像平滑处理的基本原理是，将噪声所在像素点的像素值处理为其周围临近像素点的值的近似值。

  取近似值的方式很多，本章主要介绍：

  图像滤波是图像处理和计算机视觉中最常用、最基本的 *** 作。图像滤波允许在图像上进行各种各样的 *** 作，因此有时我们也会把图像平滑处理称为图像滤波，图像滤波对应的英文是Images Filtering。

在图像的获取和传输过程中原始图像会受到各种噪声的干扰，使图像 质量下降。为了抑制噪声、改善图像质量，要对图像进行平滑处理。抑制或消除 这些噪声而改善图像质量的过程称为图像的平滑。 图像平滑的目的是为了消除噪 声。 噪声消除的方法又可以分为空间域或频率域，亦可以分为全局处理或局部处 理，亦可以按线性平滑、非线性平滑和自适应平滑来区别。图像的平滑是一种实 用的数字图像处理技术， 一个较好的平滑处理方法应该既能消除图像噪声，又不 使图像边缘轮廓和线条变模糊， 这就是研究数字图像平滑处理要追求的目标。一 般情况下， 减少噪声的方法可以在空间域或频率域进行处理， 主要有邻域平均法、 中值滤波法、低通滤波法等，邻域平均法即通过提高信噪比，取得较好的平滑效 果； 空间域低通滤波采用低通滤波的方法去除噪声；以及频域低通滤波法通过除 去其高频分量就能去掉噪声，从而使图像得到平滑。

---