Procesamiento de suavizado de imágenes en OpenCV

En el procesamiento de imágenes, el suavizado (también llamado desenfoque) es una operación común que se utiliza para reducir el ruido o los detalles en una imagen.

OpenCV proporciona varios métodos de suavizado. Este artículo explicará en detalle cuatro técnicas de suavizado de uso común: filtro de promedio, filtro gaussiano, filtro de mediana y filtro bilateral.

1. Filtro de promedio (cv2.blur())

El filtro de promedio es uno de los métodos de suavizado más simples.

El principio del filtro de promedio es reemplazar el valor de cada píxel en la imagen por el valor promedio de los píxeles circundantes.

El filtro de promedio puede eliminar el ruido de manera efectiva, pero puede hacer que la imagen se vuelva borrosa.

Método de uso

Ejemplo

import cv2

# Leer la imagen
image = cv2.imread('image.jpg')

# Aplicar el filtro de promedio
blurred_image = cv2.blur(image, (5, 5))

# Mostrar el resultado
cv2.imshow('Blurred Image', blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

Parámetros de cv2.blur(image, (5, 5))

  • image: La imagen de entrada.
  • (5, 5): El tamaño del núcleo del filtro, que indica el rango sobre el cual se calcula el promedio en las direcciones horizontal y vertical.

Escenarios de aplicación

El filtro de promedio es adecuado para eliminar el ruido aleatorio en las imágenes, pero puede hacer que los bordes de la imagen se vuelvan borrosos.

2. Filtro gaussiano (cv2.GaussianBlur())

El filtro gaussiano es un método de suavizado basado en la función gaussiana. A diferencia del filtro de promedio, al calcular el valor promedio de los píxeles, el filtro gaussiano asigna un mayor peso al píxel central y un menor peso a los píxeles del borde.

El filtro gaussiano puede eliminar el ruido y, al mismo tiempo, preservar mejor la información de los bordes de la imagen.

Método de uso

Ejemplo

import cv2

# Leer la imagen
image = cv2.imread('image.jpg')

# Aplicar el filtro gaussiano
blurred_image = cv2.GaussianBlur(image, (5, 5), 0)

# Mostrar el resultado
cv2.imshow('Gaussian Blurred Image', blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

Parámetros de cv2.GaussianBlur(image, (5, 5), 0)

  • image: La imagen de entrada.
  • (5, 5): El tamaño del núcleo del filtro.
  • 0: La desviación estándar del núcleo gaussiano. Si es 0, se calcula automáticamente según el tamaño del núcleo.

Escenarios de aplicación

El filtro gaussiano es adecuado para eliminar el ruido gaussiano en las imágenes y se desempeña bien en la preservación de la información de los bordes.

3. Filtro de mediana (cv2.medianBlur())

El filtro de mediana es un método de suavizado no lineal. Su principio consiste en reemplazar el valor de cada píxel en la imagen por el valor mediano de los píxeles circundantes.

El filtro de mediana es muy eficaz para eliminar el ruido de sal y pimienta (es decir, los puntos blancos y negros que aparecen aleatoriamente en la imagen).

Método de uso

Ejemplo

import cv2

# Leer la imagen
image = cv2.imread('image.jpg')

# Aplicar el filtro de mediana
blurred_image = cv2.medianBlur(image, 5)

# Mostrar el resultado
cv2.imshow('Median Blurred Image', blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

Parámetros de cv2.medianBlur(image, 5)

  • image: La imagen de entrada.
  • 5: El tamaño del núcleo del filtro, debe ser un número impar.

Escenarios de aplicación

El filtro de mediana es adecuado para eliminar el ruido de sal y pimienta en las imágenes y se desempeña bien en la preservación de la información de los bordes.

4. Filtro bilateral (cv2.bilateralFilter())

El filtro bilateral es un método de suavizado no lineal que combina la proximidad espacial y la similitud de los valores de píxel.

A diferencia del filtro gaussiano, el filtro bilateral puede preservar la información de los bordes de la imagen mientras suaviza la imagen. Esto se debe a que el filtro bilateral no solo considera la distancia espacial entre los píxeles, sino también la diferencia entre los valores de los píxeles.

Método de uso

Ejemplo

import cv2

# Leer la imagen
image = cv2.imread('image.jpg')

# Aplicar el filtro bilateral
blurred_image = cv2.bilateralFilter(image, 9, 75, 75)

# Mostrar el resultado
cv2.imshow('Bilateral Filtered Image', blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

Parámetros de cv2.bilateralFilter(image, 9, 75, 75)

  • image: La imagen de entrada.
  • 9: El tamaño del núcleo del filtro.
  • 75: La desviación estándar del espacio de color, controla el peso de la similitud de los valores de píxel.
  • 75: La desviación estándar del espacio de coordenadas, controla el peso de la distancia espacial.

Escenarios de aplicación

El filtro bilateral es adecuado para eliminar el ruido mientras se preserva la información de los bordes de la imagen. Se usa comúnmente para la mejora estética de imágenes o el preprocesamiento.

Resumen

OpenCV proporciona varios métodos de suavizado de imágenes, cada uno con sus ventajas particulares y escenarios de aplicación. El filtro de promedio es simple y fácil de usar, pero puede causar desenfoque en la imagen; el filtro gaussiano preserva bien la información de los bordes mientras elimina el ruido; el filtro de mediana es especialmente adecuado para eliminar el ruido de sal y pimienta; el filtro bilateral se destaca en la preservación de la información de los bordes. Según el escenario de aplicación específico, elegir el método de suavizado adecuado puede mejorar significativamente el efecto del procesamiento de imágenes.

Otras extensiones