Lissage d'images avec OpenCV
En traitement d'image, le lissage (aussi appelé flou) est une opération courante utilisée pour réduire le bruit ou les détails d'une image.
OpenCV propose diverses méthodes de lissage. Cet article expliquera en détail quatre techniques de lissage couramment utilisées : filtre moyenneur, filtre gaussien, filtre médian et filtre bilatéral.
1. Filtre moyenneur (cv2.blur())
Le filtre moyenneur est l'une des méthodes de lissage les plus simples.
Le principe du filtre moyenneur est de remplacer la valeur de chaque pixel de l'image par la valeur moyenne de ses pixels environnants.
Le filtre moyenneur peut efficacement supprimer le bruit, mais il peut rendre l'image floue.
Utilisation
Exemple
# Lire l'image
image = cv2.imread('image.jpg')
# Appliquer le filtre moyenneur
blurred_image = cv2.blur(image, (5, 5))
# Afficher le résultat
cv2.imshow('Image floutée', blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.blur(image, (5, 5)) Description des paramètres
image: Image d'entrée.(5, 5): Taille du noyau du filtre, indiquant la plage de moyennage dans les directions horizontale et verticale.
Scénarios d'application
Le filtre moyenneur est adapté pour éliminer le bruit aléatoire dans les images, mais il peut rendre les bords de l'image flous.
2. Filtre gaussien (cv2.GaussianBlur())
Le filtre gaussien est une méthode de lissage basée sur la fonction gaussienne. Contrairement au filtre moyenneur, le filtre gaussien attribue un poids plus élevé au pixel central et un poids plus faible aux pixels de bord lors du calcul de la moyenne des pixels.
Le filtre gaussien peut mieux préserver les informations de bord de l'image tout en supprimant le bruit.
Utilisation
Exemple
# Lire l'image
image = cv2.imread('image.jpg')
# Appliquer le filtre gaussien
blurred_image = cv2.GaussianBlur(image, (5, 5), 0)
# Afficher le résultat
cv2.imshow('Image avec flou gaussien', blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.GaussianBlur(image, (5, 5), 0) Description des paramètres
image: Image d'entrée.(5, 5): Taille du noyau du filtre.0: Écart-type du noyau gaussien. S'il est défini à 0, il est automatiquement calculé en fonction de la taille du noyau.
Scénarios d'application
Le filtre gaussien convient pour éliminer le bruit gaussien des images, et il est performant pour préserver les informations de contour de l'image.
3. Filtre médian (cv2.medianBlur())
Le filtre médian est une méthode de lissage non linéaire. Son principe est de remplacer la valeur de chaque pixel de l'image par la valeur médiane de ses pixels environnants.
Le filtre médian est très efficace pour éliminer le bruit poivre et sel (c.-à-d. des points noirs et blancs aléatoires dans l'image).
Utilisation
Exemple
# Lire l'image
image = cv2.imread('image.jpg')
# Appliquer le filtre médian
blurred_image = cv2.medianBlur(image, 5)
# Afficher le résultat
cv2.imshow('Image floutée par filtre médian', blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.medianBlur(image, 5) Description du paramètre
image: Image d'entrée.5: Taille du noyau de filtre, doit être un nombre impair.
Scénarios d'application
Le filtre médian convient pour éliminer le bruit poivre et sel des images, et il est performant pour préserver les informations de contour de l'image.
4. Filtre bilatéral (cv2.bilateralFilter())
Le filtre bilatéral est une méthode de lissage non linéaire qui combine la proximité spatiale et la similarité des valeurs de pixels.
Contrairement au filtre gaussien, le filtre bilatéral peut préserver les informations de contour de l'image tout en la lissant. Cela tient au fait que le filtre bilatéral prend en compte non seulement la distance spatiale entre les pixels, mais aussi la différence entre les valeurs des pixels.
Utilisation
Exemple
# Lire l'image
image = cv2.imread('image.jpg')
# Appliquer le filtre bilatéral
blurred_image = cv2.bilateralFilter(image, 9, 75, 75)
# Afficher le résultat
cv2.imshow('Image filtrée par filtre bilatéral', blurred_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
cv2.bilateralFilter(image, 9, 75, 75) Description des paramètres
image: Image d'entrée.9: Taille du noyau du filtre.75: Écart-type dans l'espace colorimétrique, contrôlant le poids de la similarité des valeurs de pixels.75: Écart-type dans l'espace des coordonnées, contrôlant le poids de la distance spatiale.
Scénarios d'application
Le filtre bilatéral convient pour préserver les informations de contour de l'image tout en supprimant le bruit, et il est souvent utilisé pour l'embellissement d'images ou le prétraitement.
Résumé
OpenCV propose une variété de méthodes de lissage d'image, chacune avec ses avantages et scénarios d'application uniques. Le filtre moyenneur est simple et facile à utiliser, mais peut provoquer un flou de l'image ; le filtre gaussien peut bien préserver les informations de contour tout en supprimant le bruit ; le filtre médian est particulièrement adapté à l'élimination du bruit poivre et sel ; le filtre bilatéral excelle dans la préservation des informations de contour. Choisir une méthode de lissage appropriée en fonction du scénario d'application spécifique peut considérablement améliorer l'efficacité du traitement d'image.
Autres extensions