《Python人脸识别：从入门到工程实践》 ——3.4　图像滤波

3.4　图像滤波

前面提到了噪声，噪声是我们不想要的一类数据。但是在实际操作中往往会引入噪声，例如图片经过低质量的信道传输，引入了信道中存在的噪声；图像采集设备由于某些电子学原因而引入了噪声等。

噪声的存在必然会对我们正常的图像处理造成干扰，尽可能多地滤除噪声是我们进行图像预处理的一个重要步骤。本节将给大家介绍常见的滤除噪声的方法。

3.4.1　均值滤波

这里提到的均值滤波器更确切地说是算数均值滤波器，这是最简单的一种图像滤波方法，可以滤除均匀噪声和高斯噪声，但是会对图像造成一定程度的模糊。它是将图片中指定区域内的像素点进行平均滤波的方法，如图3-6所示。

这个过程与前面我们所说的卷积的计算过程是类似的。以图3-6过程为例，这个卷积核可以表示为：

图3-6　均值滤波过程演示

图3-6中，对左图中左上角的9个点进行均值滤波，得到右图中左上角9个点的中心值3的计算过程为：

依次滑动这个滤波器，即可得到图3-6中右图所示阴影区域中的结果。

均值滤波器的缺点是会使图像变得模糊，这是因为它将所有的点都进行了均值处理。而实际上，在绝大多数情况下，噪声的占比是少数，将所有的点都以同样的权值进行处理，势必会导致图像的模糊。而且，这个滤波器的宽度越大，滤波后的图片就会越模糊，也就是丢失图像的细节部分，使图像变得更加“中庸”。

当然，根据这个特点，也可以将这个滤波器的权值更改一下，以便达到有所侧重的效果。例如，在对图片进行滤波操作时，不应该全部按照系数为1进行加权求和，从而进行滤波。我们知道，　图3-7　二维高斯分布示例图像的像素是连续的，距离越近的像素点间的联系越大，那么，滤波器的参数越靠近中心位置的权值越大，越靠近边缘位置的权值越小，根据这个思路来修改滤波器的权值的方法是否可行呢？一种可行的实现方法便是将这个滤波器的参数按照高斯分布形式进行修改，那么这个滤波器就称为高斯滤波器。如图3-7所示是二维高斯分布曲面图及其投影，我们选择的滤波器权值就是高斯曲面的投影。读者可以理解为何选择高斯分布作为滤波器的权值参数。