Python数字图像处理实战——基于OpenCV实现多种滤波器（附完整代码和结果图）

关于作者

作者：小白熊

作者简介：精通python、matlab、c#语言，擅长机器学习，深度学习，机器视觉，目标检测，图像分类，姿态识别，语义分割，路径规划，智能优化算法，数据分析，各类创新融合等等。

联系邮箱：xbx3144@163.com

科研辅导、知识付费答疑、个性化定制以及其他合作需求请联系作者~

1 前言

图像处理是计算机视觉中非常重要的一部分，而滤波器是用于增强图像、减少噪声、检测边缘等的核心工具。通过不同的滤波器，我们可以处理图像中的噪声、模糊和细节，从而让图像在后续的处理步骤中更加清晰和准确。在本文中，我们将基于OpenCV展示如何实现多种常见的滤波操作，包括：

均值滤波
高斯滤波
中值滤波
双边滤波
自适应滤波
Sobel 边缘检测
Scharr 滤波

2 代码实现

2.1 导入所需库

首先我们导入一些常用的库，如 OpenCV 用于图像处理，Matplotlib 用于结果可视化。

import cv2
import numpy as np
import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings("ignore")

# 配置Matplotlib显示中文
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

2.2 均值滤波

均值滤波是一种简单的平滑滤波，它通过取周围像素的平均值来减小图像中的噪声。均值滤波的效果较为温和，适合用于去除随机噪声。

mean_filter = cv2.blur(img, (5, 5))

2.3 高斯滤波

高斯滤波是一种常用的平滑滤波器，它使用高斯函数对邻域内的像素进行加权平均，能够较好地去除图像中的高斯噪声，同时保持图像边缘的细节。

gaussian_filter = cv2.GaussianBlur(img, (5, 5), 0)

2.4 中值滤波

中值滤波是非线性滤波的一种，特别适用于去除椒盐噪声。它通过选取邻域中的中值代替中心像素，能够在保留边缘的同时去除噪声。

median_filter = cv2.medianBlur(img, 5)

2.5 双边滤波

双边滤波在去除噪声的同时能够很好地保留边缘细节。它根据像素间的空间距离和颜色差异进行加权平均，是一种非常适合图像增强的滤波方法。

bilateral_filter = cv2.bilateralFilter(img, 9, 75, 75)

2.6 自适应滤波

自适应滤波是一种根据图像局部特征动态调整滤波方式的滤波器。在本例中，我们使用自适应阈值滤波对图像进行二值化处理，适合处理光照不均匀的图像。

adaptive_filter = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)

2.7 Sobel 边缘检测滤波

Sobel 滤波是经典的边缘检测方法，通过计算图像的梯度来提取边缘信息。Sobel 滤波器可以分别检测水平和垂直方向的边缘，最终将它们结合，得到完整的边缘图。

sobelx = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=5)
sobely = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=5)
sobel_filter = np.hypot(sobelx, sobely)

2.8 Scharr 滤波

Scharr 滤波是一种增强版的Sobel滤波器，在边缘检测时有更高的精度和更好的效果，尤其是在检测细微的边缘时表现更出色。

scharrx = cv2.Scharr(img, cv2.CV_64F, 1, 0)
scharry = cv2.Scharr(img, cv2.CV_64F, 0, 1)
scharr_filter = np.hypot(scharrx, scharry)

3 完整代码

import cv2
import numpy as np
import matplotlib.pyplot as plt
from scipy.signal import wiener
from skimage import restoration
import warnings
warnings.filterwarnings("ignore")

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

# 读取原始图像
img = cv2.imread('messi.jpg', cv2.IMREAD_GRAYSCALE)


# 均值滤波
mean_filter = cv2.blur(img, (5, 5))

# 高斯滤波
gaussian_filter = cv2.GaussianBlur(img, (5, 5), 0)

# 中值滤波
median_filter = cv2.medianBlur(img, 5)

# 双边滤波
bilateral_filter = cv2.bilateralFilter(img, 9, 75, 75)

# 自适应滤波（自适应阈值滤波）
adaptive_filter = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)

# Sobel 边缘检测滤波
sobelx = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=5)
sobely = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=5)
sobel_filter = np.hypot(sobelx, sobely)  # 计算梯度幅度

# Scharr 滤波
scharrx = cv2.Scharr(img, cv2.CV_64F, 1, 0)
scharry = cv2.Scharr(img, cv2.CV_64F, 0, 1)
scharr_filter = np.hypot(scharrx, scharry)

# 创建子图来显示结果
plt.figure(figsize=(15, 15))

# 显示原始图像
plt.subplot(3, 3, 1)
plt.imshow(img, cmap='gray')
plt.title('原始图片')
plt.axis('off')

# 均值滤波
plt.subplot(3, 3, 2)
plt.imshow(mean_filter, cmap='gray')
plt.title('均值滤波')
plt.axis('off')

# 高斯滤波
plt.subplot(3, 3, 3)
plt.imshow(gaussian_filter, cmap='gray')
plt.title('高斯滤波')
plt.axis('off')

# 中值滤波
plt.subplot(3, 3, 4)
plt.imshow(median_filter, cmap='gray')
plt.title('中值滤波')
plt.axis('off')

# 双边滤波
plt.subplot(3, 3, 5)
plt.imshow(bilateral_filter, cmap='gray')
plt.title('双边滤波')
plt.axis('off')


# 自适应滤波
plt.subplot(3, 3, 6)
plt.imshow(adaptive_filter, cmap='gray')
plt.title('自适应滤波')
plt.axis('off')

# Sobel 滤波
plt.subplot(3, 3, 7)
plt.imshow(sobel_filter, cmap='gray')
plt.title('Sobel 滤波')
plt.axis('off')

# Scharr 滤波
plt.subplot(3, 3, 8)
plt.imshow(scharr_filter, cmap='gray')
plt.title('Scharr 滤波')
plt.axis('off')

plt.tight_layout()
# 保存图像
plt.savefig('results.png')

# 显示结果
plt.show()