Python-OpenCV中的图像处理-图像平滑

news/2024/7/21 6:31:43 标签: python, opencv, 图像处理

Python-OpenCV中的图像处理-图像平滑

  • 图像平滑
    • 平均滤波
    • 高斯模糊
    • 中值模糊
    • 双边滤波

图像平滑

使用低通滤波器可以达到图像模糊的目的。这对与去除噪音很有帮助。其实就是去除图像中的高频成分（比如：噪音，边界）。所以边界也会被模糊一点。（当然，也有一些模糊技术不会模糊掉边界）。

平均滤波

这是由一个归一化卷积框完成的。他只是用卷积框覆盖区域所有像素的平均值来代替中心元素。可以使用函数 cv2.blur() 和 cv2.boxFilter() 来完这个任务。可以同看查看文档了解更多卷积框的细节。我们需要设定卷积框的宽和高。
一个3x3的归一化卷积框:
K = 1 9 [ 1 1 1 1 1 1 1 1 1 ] K=\frac{1}{9}\left[\begin{matrix} 1&1&1 \\1&1&1\\1&1&1\end{matrix}\right] K=91​ ​111​111​111​ ​
注意：如果不想使用归一化卷积框，你应该使用 cv2.boxFilter()，这时要传入参数 normalize=False。
dst=cv2.boxFilter（src,ddepth,ksize）

python">import numpy as np
import cv2
from matplotlib import pyplot as plt


# 在图片上生成椒盐噪声
def add_peppersalt_noise(image, n=10000):
    result = image.copy()
    # 测量图片的长和宽
    w, h, = image.shape[:2]
    # 生成n个椒盐噪声
    for i in range(n):
        x = np.random.randint(1, w)
        y=  np.random.randint(1, h)
        if np.random.randint(0, 2) == 0 :
            result[x, y] = 0
        else:
            result[x,y] = 255
    return result

# 平均
# 这是由一个归一化卷积框完成的，
# cv2.blur()和cv2.boxFiter()来实现。
img = cv2.imread('./resource/opencv/image/logo/opencv-logo-white.png', cv2.IMREAD_COLOR)

# 原图添加椒盐噪声
saltnoise_img = add_peppersalt_noise(img, 10000)

blur = cv2.blur(saltnoise_img, (5,5))
boxfilter = cv2.boxFilter(saltnoise_img, -1, (3,3))
# boxfilter = cv2.boxFilter(saltnoise_img, -1, (3,3), normalize=0)

plt.subplot(221), plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)), plt.title('origin'), plt.xticks([]), plt.yticks([])
plt.subplot(222), plt.imshow(cv2.cvtColor(saltnoise_img, cv2.COLOR_BGR2RGB)), plt.title('add noise'), plt.xticks([]), plt.yticks([])
plt.subplot(223), plt.imshow(cv2.cvtColor(blur, cv2.COLOR_BGR2RGB)), plt.title('blur'), plt.xticks([]), plt.yticks([])
plt.subplot(224), plt.imshow(cv2.cvtColor(boxfilter, cv2.COLOR_BGR2RGB)), plt.title('boxfilter'), plt.xticks([]), plt.yticks([])
plt.show()

在这里插入图片描述

高斯模糊

现在把卷积核换成高斯核（简单来说，方框不变，将原来每个方框的值是相等的，现在里面的值是符合高斯分布的，方框中心的值最大，其余方框根据距离中心元素的距离递减，构成一个高斯小山包。原来的求平均数现在变成求加权平均数，全就是方框里的值）。实现的函数是 cv2.GaussianBlur()。我们需要指定高斯核的宽和高（必须是奇数）。以及高斯函数沿 X， Y 方向的标准差。如果我们只指定了 X 方向的的标准差， Y 方向也会取相同值。如果两个标准差都是 0，那么函数会根据核函数的大小自己计算。高斯滤波可以有效的从图像中去除高斯噪音。如果你愿意的话，你也可以使用函数 cv2.getGaussianKernel() 自己构建一个高斯核。

python">import numpy as np
import cv2
from matplotlib import pyplot as plt

# 高斯模糊
# 卷积核换成高斯核，即方框不变，将原来方框相等的值，换成符合高斯分部的值，方框中心值最大，其余值递减，构成一个高斯小山包
# 高斯核的宽和高必须是奇数

# 在图片上生成椒盐噪声
def add_peppersalt_noise(image, n=10000):
    result = image.copy()
    # 测量图片的长和宽
    w, h, = image.shape[:2]
    # 生成n个椒盐噪声
    for i in range(n):
        x = np.random.randint(1, w)
        y=  np.random.randint(1, h)
        if np.random.randint(0, 2) == 0 :
            result[x, y] = 0
        else:
            result[x,y] = 255
    return result

# 获取高斯核
k1 = cv2.getGaussianKernel(3, 1)
k2 = cv2.getGaussianKernel(5,2)
print(k1)
print(k2)

# 彩色图像高斯模糊
img = cv2.imread('./resource/opencv/image/logo/opencv-logo-white.png', cv2.IMREAD_COLOR)
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGBA)
img = add_peppersalt_noise(img)
dst1 = cv2.GaussianBlur(img, (5,5), 0)

# 灰度图像高斯模糊
gray = cv2.imread('./resource/opencv/image/logo/opencv-logo-white.png', cv2.IMREAD_GRAYSCALE)
gray = add_peppersalt_noise(gray)
dst2 = cv2.GaussianBlur(gray, (5,5), 0)


plt.subplot(221), plt.imshow(img, 'gray'), plt.title('original'), plt.xticks([]), plt.yticks([])
plt.subplot(222), plt.imshow(dst1, 'gray'), plt.title('gaussianBlur'), plt.xticks([]), plt.yticks([])
plt.subplot(223), plt.imshow(gray, 'gray'), plt.title('gray'), plt.xticks([]), plt.yticks([])
plt.subplot(224), plt.imshow(dst2, 'gray'), plt.title('gaussianBlur'), plt.xticks([]), plt.yticks([])
plt.show()

在这里插入图片描述

中值模糊

顾名思义就是用与卷积框对应像素的中值来替代中心像素的值。这个滤波器经常用来去除椒盐噪声。前面的滤波器都是用计算得到的一个新值来取代中心像素的值，而中值滤波是用中心像素周围（也可以使他本身）的值来取代他。他能有效的去除噪声。卷积核的大小也应该是一个奇数。

python">import numpy as np
import cv2
from matplotlib import pyplot as plt

# 中值滤波
# 在图片上生成椒盐噪声
def add_peppersalt_noise(image, n=10000):
    result = image.copy()
    # 测量图片的长和宽
    w, h, = image.shape[:2]
    # 生成n个椒盐噪声
    for i in range(n):
        x = np.random.randint(1, w)
        y=  np.random.randint(1, h)
        if np.random.randint(0, 2) == 0 :
            result[x, y] = 0
        else:
            result[x,y] = 255
    return result

img = cv2.imread('./resource/opencv/image/logo/opencv-logo-white.png', cv2.IMREAD_COLOR)
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGBA)
img = add_peppersalt_noise(img)
median = cv2.medianBlur(img, 5)

gray = cv2.imread('./resource/opencv/image/logo/opencv-logo-white.png', cv2.IMREAD_GRAYSCALE)
gray = add_peppersalt_noise(gray)
median_gray = cv2.medianBlur(gray, 5)

plt.subplot(221), plt.imshow(img, 'gray'), plt.title('original')
plt.subplot(222), plt.imshow(median, 'gray'), plt.title('medianBlur')
plt.subplot(223), plt.imshow(gray, 'gray'), plt.title('gray')
plt.subplot(224), plt.imshow(median_gray, 'gray'), plt.title('medianBlur')
plt.show()

在这里插入图片描述

双边滤波

函数 cv2.bilateralFilter() 能在保持边界清晰的情况下有效的去除噪音。但是这种操作与其他滤波器相比会比较慢。我们已经知道高斯滤波器是求中心点邻近区域像素的高斯加权平均值。这种高斯滤波器只考虑像素之间的空间关系，而不会考虑像素值之间的关系（像素的相似度）。所以这种方法不会考虑一个像素是否位于边界。因此边界也会别模糊掉，而这正不是我们想要。双边滤波在同时使用空间高斯权重和灰度值相似性高斯权重。空间高斯函数确保只有邻近区域的像素对中心点有影响，灰度值相似性高斯函数确保只有与中心像素灰度值相近的才会被用来做模糊运算。所以这种方法会确保边界不会被模糊掉，因为边界处的灰度值变化比较大。

python">import numpy as np
import cv2
from matplotlib import pyplot as plt

# 双边滤波

img = cv2.imread('./resource/opencv/image/rubberwhale1.png', cv2.IMREAD_GRAYSCALE)

# 9：邻域直径，75:空间高斯函数标准差，75:灰度值相似性高斯函数标准差
dst1 = cv2.bilateralFilter(img, 9, 75, 75)

plt.subplot(121), plt.imshow(img, 'gray'), plt.title('origin')
plt.subplot(122), plt.imshow(dst1, 'gray'), plt.title('bilateralFiter')
plt.show()

在这里插入图片描述


http://www.niftyadmin.cn/n/4925832.html

相关文章

如何实现Excel中多级数据联动

如何实现Excel中多级数据联动

摘要：本文由葡萄城技术团队于CSDN原创并首发。转载请注明出处：葡萄城官网，葡萄城为开发者提供专业的开发工具、解决方案和服务，赋能开发者。 前言 在类Excel表格应用中，常用的需求场景是根据单元格之间的数据联动&…
阅读更多...
**文件操作：C语言中的数据持久化之道**

**文件操作：C语言中的数据持久化之道**

开始本篇文章之前先推荐一个好用的学习工具，AIRIght，借助于AI助手工具，学习事半功倍。欢迎访问：http://airight.fun/。 也把我学习过程中搜集的资料分享给大家，希望可以帮助大家少走弯路，链接：h…
阅读更多...
基于weka手工实现KNN

基于weka手工实现KNN

一、KNN模型 K最近邻（K-Nearest Neighbors，简称KNN）算法是一种常用的基于实例的监督学习算法。它可以用于分类和回归问题，并且是一种非常直观和简单的机器学习算法。 KNN算法的基本思想是：对于一个新的样本数据&…
阅读更多...
电源控制--条件稳定

电源控制--条件稳定

控制系统的条件稳定是指系统在一定条件下能够保持稳定性的特性。稳定性是控制系统设计中非常重要的概念，它涉及系统的输出在时间上是否趋向于有限值或者周期性变化，而不是无限增长或发散。 在控制系统中，条件稳定的要求通常涉及到以下几个方…
阅读更多...
pandas 笔记 date_range

pandas 笔记 date_range

返回固定频率下的datetime 1 使用方法 pandas.date_range(startNone, endNone, periodsNone, freqNone, tzNone, normalizeFalse, nameNone, inclusiveboth, *, unitNone, **kwargs) 2 基本参数 start、end、periods至少需要两个 start生成日期的左边界end生成日期的右边界…
阅读更多...
在Microsoft SQL Server 2008中，语法生成错误“并行数据仓库（PDW）功能未启用“

在Microsoft SQL Server 2008中，语法生成错误“并行数据仓库（PDW）功能未启用“

案例： 原表有两列，分别为月份、月份销售额，而需要一条 SQL 语句实现统计出每个月份以及当前月以前月份销售额和 sql 测试数据准备： DECLARE Temp Table ( monthNo INT, --- 月份 MoneyData Float --- 金额 ) insert INTO TEM…
阅读更多...
微信小程序 地图map（电子围栏圆形和多边形）

微信小程序 地图map（电子围栏圆形和多边形）

正常情况下是没有手机上画电子围栏的，公共平台上我也没找到，所以走了一个歪点子，就是给地图添加点击事件，记录点的位置，在画到电子围栏上就是添加电子围栏了，如果只是显示电子围栏就简单了 一、多边形电子…
阅读更多...
python 相关框架事务开启方式

python 相关框架事务开启方式

前言 对于框架而言，各式API接口少不了伴随着事务的场景，下面就列举常用框架的事务开启方法 一、Django import traceback from django.db import transaction from django.contrib.auth.models import User try:with transaction.atomic(): # 在with…
阅读更多...
最新文章

Copyright @ 2022~2023