Python 图像处理 | 图像平滑之均值滤波、方框滤波、高斯滤波及中值滤波
作者 | 杨秀璋,责编 | 夕颜
题图 | 视觉中国
出品 | CSDN博客
本篇文章主要讲解Python调用OpenCV实现图像平滑,包括四个算法:均值滤波、方框滤波、高斯滤波和中值滤波。全文均是基础知识,希望对您有所帮助。知识点如下:
1.图像平滑
2.均值滤波
3.方框滤波
4.高斯滤波
5.中值滤波
PS:本文介绍图像平滑,想让大家先看看图像处理的效果,后面还会补充一些基础知识供大家学习。文章参考自己的博客及网易云课堂李大洋老师的讲解,强烈推荐大家学习。
图像平滑
1.图像增强
图像增强是对图像进行处理,使其比原始图像更适合于特定的应用,它需要与实际应用相结合。对于图像的某些特征如边缘、轮廓、对比度等,图像增强是进行强调或锐化,以便于显示、观察或进一步分析与处理。图像增强的方法是因应用不同而不同的,研究内容包括:(参考课件和左飞的《数字图像处理》)
2.图像平滑
图像平滑是一种区域增强的算法,平滑算法有邻域平均法、中指滤波、边界保持类滤波等。在图像产生、传输和复制过程中,常常会因为多方面原因而被噪声干扰或出现数据丢失,降低了图像的质量(某一像素,如果它与周围像素点相比有明显的不同,则该点被噪声所感染)。这就需要对图像进行一定的增强处理以减小这些缺陷带来的影响。
简单平滑-邻域平均法
3.邻域平均法
图像简单平滑是指通过邻域简单平均对图像进行平滑处理的方法,用这种方法在一定程度上消除原始图像中的噪声、降低原始图像对比度的作用。它利用卷积运算对图像邻域的像素灰度进行平均,从而达到减小图像中噪声影响、降低图像对比度的目的。
但邻域平均值主要缺点是在降低噪声的同时使图像变得模糊,特别在边缘和细节处,而且邻域越大,在去噪能力增强的同时模糊程度越严重。
首先给出为图像增加噪声的代码。
# -*- coding:utf-8 -*-
import cv2
import numpy as np#读取图片
img = cv2.imread("test.jpg", cv2.IMREAD_UNCHANGED)
rows, cols, chn = img.shape#加噪声
for i in range(5000): x = np.random.randint(0, rows) y = np.random.randint(0, cols) img[x,y,:] = 255cv2.imshow("noise", img)#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()
输出结果如下所示:
均值滤波
1.原理
均值滤波是指任意一点的像素值,都是周围N*M个像素值的均值。例如下图中,红色点的像素值为蓝色背景区域像素值之和除25。
其中红色区域的像素值均值滤波处理过程为:((197+25+106+156+159)+ (149+40+107+5+71)+ (163+198+**226**+223+156)+ (222+37+68+193+157)+ (42+72+250+41+75)) / 25
其中5*5的矩阵称为核,针对原始图像内的像素点,采用核进行处理,得到结果图像。
提取1/25可以将核转换为如下形式:
2.代码
Python调用OpenCV实现均值滤波的核心函数如下:
result = cv2.blur(原始图像,核大小)
其中,核大小是以(宽度,高度)表示的元祖形式。常见的形式包括:核大小(3,3)和(5,5)。
代码如下所示:
#encoding:utf-8
import cv2
import numpy as np
import matplotlib.pyplot as plt#读取图片
img = cv2.imread('test01.png')
source = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)#均值滤波
result = cv2.blur(source, (5,5))#显示图形
titles = ['Source Image', 'Blur Image']
images = [source, result]
for i in xrange(2): plt.subplot(1,2,i+1), plt.imshow(images[i], 'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([])
plt.show()
输出结果如下图所示:
核设置为(10,10)和(20,20)会让图像变得更加模糊。
如果设置为(1,1)处理结果就是原图,核中每个权重值相同,称为均值。
方框滤波
方框滤波和均值滤波核基本一致,区别是需不需要均一化处理。OpenCV调用boxFilter()函数实现方框滤波。函数如下:
result = cv2.boxFilter(原始图像, 目标图像深度, 核大小, normalize属性)
其中,目标图像深度是int类型,通常用“-1”表示与原始图像一致;核大小主要包括(3,3)和(5,5),如下所示。
normalize属性表示是否对目标图像进行归一化处理。当normalize为true时需要执行均值化处理,当normalize为false时,不进行均值化处理,实际上为求周围各像素的和,很容易发生溢出,溢出时均为白色,对应像素值为255。
在图像简单平滑中,算法利用卷积模板逐一处理图像中每个像素,这一过程可以形象地比作对原始图像的像素一一进行过滤整理,在图像处理中把邻域像素逐一处理的算法过程称为滤波器。平滑线性滤波器的工作原理是利用模板对邻域内像素灰度进行加权平均,也称为均值滤波器。
代码如下所示:
#encoding:utf-8
import cv2
import numpy as np
import matplotlib.pyplot as plt#读取图片
img = cv2.imread('test01.png')
source = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)#方框滤波
result = cv2.boxFilter(source, -1, (5,5), normalize=1)#显示图形
titles = ['Source Image', 'BoxFilter Image']
images = [source, result]
for i in xrange(2): plt.subplot(1,2,i+1), plt.imshow(images[i], 'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([])
plt.show()
代码中使用5*5的核,normalize=1表示进行归一化处理,此时与均值滤波相同,输出结果如下图所示:
下面是图像左上角处理前后的像素结果:
print(source[0:3, 0:3, 0])
#[[115 180 106]
# [ 83 152 72]
# [ 55 58 55]]
print(result[0:3, 0:3, 0])
#[[92 90 78]
# [92 89 77]
# [82 80 72]]
如果省略参数normalize,则默认是进行归一化处理。如果normalize=0则不进行归一化处理,像素值为周围像素之和,图像更多为白色。
#encoding:utf-8
import cv2
import numpy as np
import matplotlib.pyplot as plt#读取图片
img = cv2.imread('test01.png')
source = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)#方框滤波
result = cv2.boxFilter(source, -1, (5,5), normalize=0)#显示图形
titles = ['Source Image', 'BoxFilter Image']
images = [source, result]
for i in xrange(2): plt.subplot(1,2,i+1), plt.imshow(images[i], 'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([])
plt.show()
输出结果如下图所示:
上图很多像素为白色,因为图像求和结果几乎都是255。如果设置的是2*2矩阵,只取四个像素结果要好些。
result = cv2.boxFilter(source, -1, (2,2), normalize=0)
高斯滤波
为了克服简单局部平均法的弊端(图像模糊),目前已提出许多保持边缘、细节的局部平滑算法。它们的出发点都集中在如何选择邻域的大小、形状和方向、参数加平均及邻域各店的权重系数等。
图像高斯平滑也是邻域平均的思想对图像进行平滑的一种方法,在图像高斯平滑中,对图像进行平均时,不同位置的像素被赋予了不同的权重。高斯平滑与简单平滑不同,它在对邻域内像素进行平均时,给予不同位置的像素不同的权值,下图的所示的 3 * 3 和 5 * 5 领域的高斯模板。
高斯滤波让临近的像素具有更高的重要度,对周围像素计算加权平均值,较近的像素具有较大的权重值。如下图所示,中心位置权重最高为0.4。
Python中OpenCV主要调用GaussianBlur函数,如下:
dst = cv2.GaussianBlur(src, ksize, sigmaX)
其中,src表示原始图像,ksize表示核大小,sigmaX表示X方向方差。注意,核大小(N, N)必须是奇数,X方向方差主要控制权重。
代码如下:
#encoding:utf-8
import cv2
import numpy as np
import matplotlib.pyplot as plt#读取图片
img = cv2.imread('test01.png')
source = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)#高斯滤波
result = cv2.GaussianBlur(source, (3,3), 0)#显示图形
titles = ['Source Image', 'GaussianBlur Image']
images = [source, result]
for i in xrange(2): plt.subplot(1,2,i+1), plt.imshow(images[i], 'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([])
plt.show()
输出结果如下所示:
如果使用15*15的核,则图形将更加模糊。
中值滤波
1.概念
在使用邻域平均法去噪的同时也使得边界变得模糊。而中值滤波是非线性的图像处理方法,在去噪的同时可以兼顾到边界信息的保留。选一个含有奇数点的窗口W,将这个窗口在图像上扫描,把窗口中所含的像素点按灰度级的升或降序排列,取位于中间的灰度值来代替该点的灰度值。例如选择滤波的窗口如下图,是一个一维的窗口,待处理像素的灰度取这个模板中灰度的中值,滤波过程如下:
如下图所示,将临近像素按照大小排列,取排序像素中位于中间位置的值作为中值滤波的像素值。
2.代码
OpenCV主要调用medianBlur()函数实现中值滤波。图像平滑里中值滤波的效果最好。
dst = cv2.medianBlur(src, ksize)
其中,src表示源文件,ksize表示核大小。核必须是大于1的奇数,如3、5、7等。
代码如下所示:
#encoding:utf-8
import cv2
import numpy as np
import matplotlib.pyplot as plt#读取图片
img = cv2.imread('test01.png')#高斯滤波
result = cv2.medianBlur(img, 3)#显示图像
cv2.imshow("source img", img)
cv2.imshow("medianBlur", result)#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()
输出结果如下图所示:
常用的窗口还有方形、十字形、圆形和环形。不同形状的窗口产生不同的滤波效果,方形和圆形窗口适合外轮廓线较长的物体图像,而十字形窗口对有尖顶角状的图像效果好。中值滤波对于消除孤立点和线段的干扰十分有用,尤其是对于二进噪声,但对消除高斯噪声的影响效果不佳。对于一些细节较多的复杂图像,可以多次使用不同的中值滤波。
希望文章对大家有所帮助,如果有错误或不足之处,还请海涵。
版权声明:本文为CSDN博主「Eastmount」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
原文链接:
https://blog.csdn.net/Eastmount/article/details/82216380
推荐阅读
性能超越最新序列推荐模型,华为诺亚方舟提出记忆增强的图神经网络
阿里云科学家入选计算机顶会HPCA名人堂,他是什么来头?
墨奇科技汤林鹏:如何用 AI 技术颠覆指纹识别?
DevOps 在移动应用程序开发中扮演什么角色?
又一国产数据库诞生!腾讯发布 TGDB,实时查询比 Neo4j 快 20-150 倍!
稳定币经济:十大稳定币简史
你点的每个“在看”,我都认真当成了AI
Python 图像处理 | 图像平滑之均值滤波、方框滤波、高斯滤波及中值滤波相关推荐
- matlab怎样实现滤波,如何用MATLAB来实现中值滤波
在实时图像采集中,不可避免的会引入噪声,尤其是干扰噪声和椒盐噪声,噪声的存在严重影响边缘检测的效果,中值滤波是一种基于排序统计理论的非线性平滑计数,能有效平滑噪声,且能有效保护图像的边缘信息,所以被广 ...
- python中值滤波算法_Python扩展库scipy中值滤波算法的应用
中值滤波是数字信号处理.数字图像处理中常用的预处理技术,特点是将信号中每个值都替换为其邻域内的中值,即邻域内所有值排序后中间位置上的值.下面的代码演示了scipy库中signal模块的中值滤波算法的用 ...
- 《OpenCv视觉之眼》Python图像处理五 :Opencv图像去噪处理之均值滤波、方框滤波、中值滤波和高斯滤波
本专栏主要介绍如果通过OpenCv-Python进行图像处理,通过原理理解OpenCv-Python的函数处理原型,在具体情况中,针对不同的图像进行不同等级的.不同方法的处理,以达到对图像进行去噪.锐 ...
- opencv 滤波 方框滤波 均值滤波 高斯滤波 中值滤波 双边滤波
文章目录 一. 线性滤波 1.1. 方框滤波 demo 1.2. 均值滤波 demo 1.3. 高斯滤波 demo 二. 非线性滤波 2.1. 中值滤波 demo 2.2. 双边滤波 demo 结构体 ...
- Python实现图像的椒盐噪声添加和基础的平滑处理(均值滤波与中值滤波)
均值滤波与中值滤波是最常见的两种平滑的方式,尤其是中值滤波能起到强大的降噪效果. 本文内容分为三部分: 1.实现添加图片的椒盐噪声 2.实现调用内置函数进行均值和中值滤波 3.自编函数深刻理解均值和中 ...
- 图像处理中的滤波器之均值滤波,中值滤波,高斯滤波
1.均值滤波 原理: 均值滤波采用线性的方法,使用模板内所有像素的平均值代替模板中心像素灰度值 特点: 不能很好地保护图像细节,在图像去噪的同时也破坏了图像的细节部分,从而使图像变得模糊,不能很好地去 ...
- MATLAB图像处理之图像的均值滤波和中值滤波(附代码)
图像的平滑.锐化都是利用掩模操作来完成的.通过掩模操作实现一种邻域运算,待处理像素点的结果由邻域的图像像素以及相应的与邻域有相同维数的子图像得到.这些子图像被称为滤波器.掩模.核.模板或窗口: 掩模运 ...
- 数字图像处理学习笔记3:图像增强之空间滤波1(平滑滤波:均值滤波、中值滤波)
文章目录 前言 平滑滤波 1.平滑线性滤波(均值滤波)及MATLAB代码 2.非线性滤波器(中值滤波)及MATLAB代码 总结 前言 使用一些滤波器对图像进行处理.利用滤波窗口使当前像素灰度值与周围像 ...
- 图像算法三:【图像增强--空间域】图像平滑、中值滤波、图像锐化
空间域滤波:imfilter(),fspecial() 执行操作滤波需要注意边界问题,因此,给出了边界处理方法: 收缩处理范围 使用常数填充图像 使用复制像素的方法填充 h = fspecial( t ...
最新文章
- Python推荐算法讲解
- 【Canal】互联网背景下有哪些数据同步需求和解决方案?看完我知道了!!
- [LeetCode] Search for a Range [34]
- java中死锁_关于java中死锁的总结
- 计算机组成原理r型指令logisim实现_第一章 计算机体系结构
- 当涌泉相报局域网聊天
- Docker系列文章索引
- 【Elasticsearch】Elasticsearch性能调优
- 珍稀干货!阿里 Web 音视频开发趟坑指南
- 交通银行软件中心编制_智能运维国家标准编制启动会在京举行 云智慧参与标准制定...
- Objective-C 内存管理
- 阶段1 语言基础+高级_1-3-Java语言高级_06-File类与IO流_05 IO字符流_3_字符输出流_Writer类FileWriter类...
- StanfordDB class自学笔记 (7) SQL
- 猎豹网校c语言,[猎豹网校]数据结构与算法_C语言
- 在20多个程序猿的购物清单中,我们发现了这些秘密
- Windows server 2012 R2网卡驱动安装经历
- 格雷码和二进制相互转换
- 【PaLM2】PaLM2 大语言模型与 Bard 使用体验
- 第 l 个数到第 r 个数的和
- OpenCV-Python (官方)中文教程(部分二)
热门文章
- python3 _笨方法学Python_日记_DAY3
- 在python中调用js或者nodejs要使用PyExecJs第三方包。
- iOS学习笔记(十三)——获取手机信息(UIDevice、NSBundle、NSLocale)
- Hadoop入门(10)_通过java代码实现从本地的文件上传到Hadoop的文件系统
- 【转载】xp自动校时
- [Web开发] 微软的RSS协议扩展 - FeedSync 介绍 (4)
- Java中正则表达式的学习
- SVN 撤回(回滚)提交的代码
- SRM 563 Div1 500 SpellCards
- python自动华 (十四)