opencv 31-图像平滑处理-方框滤波cv2.boxFilter()

方框滤波（Box Filtering）是一种简单的图像平滑处理方法，它主要用于去除图像中的噪声和减少细节，同时保持图像的整体亮度分布。

方框滤波的原理很简单：对于图像中的每个像素，将其周围的一个固定大小的邻域内的像素值取平均，然后将这个平均值赋值给当前像素。这个邻域通常是一个正方形，称为方框或窗口。方框滤波相当于用一个均值滤波器对图像进行滤波。

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。

我们以 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，则滤波关系如图 7-15 所示。

在这里插入图片描述

仍然以 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之和，则滤波关系
如图 7-16 所示。
在这里插入图片描述

根据上述关系，如果计算的是邻域像素值的均值，则使用的卷积核为：

在这里插入图片描述
如果计算的是邻域像素值之和，则使用的卷积核为：

在这里插入图片描述
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。

例如，滤波核的值可以为(3,3)，表示以 3×3 大小的邻域均值作为图像均值滤波处理的结果，如下式所示。

在这里插入图片描述
 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）。

 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。
 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。

通常情况下，针对方框滤波，卷积核可以表示为：
在这里插入图片描述
上述对应关系为：

在这里插入图片描述
例如，针对 5×5 邻域，当参数 normalize=1 时，要进行归一化处理，此时计算的就是均值滤波。
这种情况下，函数 cv2.boxFilter()和函数 cv2.blur()的作用是一样的。

此时，对应的卷积核为：

在这里插入图片描述
同样针对 5×5 邻域，当参数 normalize=0 时，不进行归一化处理，此时滤波计算的是邻域像素值之和，使用的卷积核是：

在这里插入图片描述
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 )

实验1: 针对噪声图像，对其进行方框滤波，显示滤波结果

代码如下:

import cv2
o=cv2.imread("lenaNoise.png")
r=cv2.boxFilter(o,-1,(5,5))
cv2.imshow("original",o)
cv2.imshow("result",r)
cv2.waitKey()
cv2.destroyAllWindows()

运行结果:
在本例中，方框滤波函数对 normalize 参数使用了默认值。在默认情况下，该值为 1，表示要进行归一化处理。也就是说，本例中使用的是 normalize 为默认值 True 的 cv2.boxFilter()函数，
此时它和函数 cv2.blur()的滤波结果是完全相同的。如图所示，左图是原始图像，右图是方框滤波结果图像
在这里插入图片描述

实验2:针对噪声图像，在方框滤波函数 cv2.boxFilter()内将参数 normalize 的值设置为 0，显示滤波处理结果。

代码如下:

import cv2
o=cv2.imread("lenaNoise.png")
r=cv2.boxFilter(o,-1,(5,5),normalize=0)
cv2.imshow("original",o)
cv2.imshow("result",r)
cv2.waitKey()
cv2.destroyAllWindows()

在本例中，没有对图像进行归一化处理。在进行滤波时，计算的是 5×5 邻域的像素值之和，图像的像素值基本都会超过当前像素值的最大值 255。因此，最后得到的图像接近纯白色，部分点处有颜色。部分点有颜色是因为这些点周边邻域的像素值均较小，邻域像素值在相加后仍然小于 255。

此时的图像滤波结果如图所示，左图是原始图像，右图是方框滤波后得到的处理结果
在这里插入图片描述

实验3:针对噪声图像，使用方框滤波函数 cv2.boxFilter()去噪，将参数 normalize 的值设置为 0，将卷积核的大小设置为 2×2，显示滤波结果

代码如下:

import cv2
o=cv2.imread("lenaNoise.png")
r=cv2.boxFilter(o,-1,(2,2),normalize=0)
cv2.imshow("original",o)
cv2.imshow("result",r)
cv2.waitKey()
cv2.destroyAllWindows()

在本例中，卷积核大小为 2×2，参数 normalize=0。因此，本例中方框滤波计算的是 2×2邻域的像素值之和，四个像素值的和不一定大于 255，因此在计算结果图像中有部分像素点不是白色。如图所示，左图是原始图像，右图是方框滤波处理结果。
在这里插入图片描述