Python-OpenCV——Image Blurring(Image Smoothing)
通过将图像与低通滤波器内核卷积来实现图像模糊。它有助于消除噪音。它实际上从图像中去除了高频内容(例如:噪声,边缘)。因此在此操作中边缘会有点模(嗯,有模糊技术,也不会模糊边缘)。 OpenCV主要提供四种模糊技术。
需要注意的是,图像模糊也叫图像平滑,它有助于降低噪声,但有噪声与模糊并不是等同的。
均值模糊
这是通过将图像与标准化的盒式过滤器( normalized box filter)进行卷积来完成的。它只取内核区域下所有像素的平均值并替换中心元素。这是由函数cv2.blur()或cv2.boxFilter()完成的。查看文档以获取有关内核的更多详细信息。我们应该指定内核的宽度和高度。 3x3标准化的盒式过滤器如下所示:
$$K = \frac{1}{9} \begin{bmatrix} 1 & 1 & 1 \\ 1 & 1 & 1 \\ 1 & 1 & 1 \end{bmatrix}$$
Note: 如果您不想使用规范化的框过滤器,请使用cv2.boxFilter()。将参数normalize = False传递给函数。
使用5x5大小的内核检查下面的示例演示:
import cv2 import numpy as npimg = cv2.imread("./Pictures/girl.png")blur2 = cv2.blur(img, (5,5))htich = np.hstack((img,blur2)) cv2.imwrite("./Pictures/mreger_img.png", htich) cv2.imshow("merged_img", htich) cv2.waitKey(0) cv2.destroyAllWindows()
效果:
中值模糊(中值滤波)
这里,函数cv2.medianBlur()取内核区域下所有像素的中值,并用该中值替换中心元素。这对图像中的椒盐噪声非常有效。有趣的是,在上述滤波器中,中心元素是新计算的值,其可以是图像中的像素值或新值。但在中值模糊中,中心元素总是被图像中的某个像素值所取代。它有效地降低了噪音。其内核大小应为正奇数。
例如,自己手动添加的椒盐噪声、模拟实现的中值滤波、库中的中值滤波。
import cv2 import numpy as npdef saltpepper(img,rate):m=int((img.shape[0]*img.shape[1])*rate)for a in range(m):i=int(np.random.random()*img.shape[1])j=int(np.random.random()*img.shape[0])if img.ndim==2:img[j,i]=255elif img.ndim==3:img[j,i,0]=255img[j,i,1]=255img[j,i,2]=255for b in range(m):i=int(np.random.random()*img.shape[1])j=int(np.random.random()*img.shape[0])if img.ndim==2:img[j,i]=0elif img.ndim==3:img[j,i,0]=0img[j,i,1]=0img[j,i,2]=0return imgdef My_medianBlur(img, kernal):l = int((kernal-1) / 2)ret = img.copy()for i in range(0, img.shape[0]):for j in range(0, img.shape[1]):x_s = y_s = -lx_t = y_t = lif i <= l:x_s = iif j <= l:y_s = jif i >= img.shape[0] - l - 1:x_t = img.shape[0] - i - 1if j >= img.shape[1] - l - 1:y_t = img.shape[1] - j - 1part=[]for k1 in range(x_s, x_t + 1):for k2 in range(y_s, y_t + 1):part.append(img[i + k1][j + k2])part.sort() #排序以找到中间值length = len(part)mid = int(length / 2)ret[i][j] = part[mid]return retraw_img = cv2.imread('./Pictures/1.jpg', cv2.IMREAD_GRAYSCALE)img = raw_img.copy() sp_img = saltpepper(img,0.02) #添加椒盐噪声,会改变原图像 img1 = My_medianBlur(sp_img, 5) img2 = cv2.medianBlur(sp_img, 5)htich1 = np.hstack((raw_img, sp_img)) htich2 = np.hstack((img1, img2)) vtich = np.vstack((htich1, htich2)) #对比显示,左上为原图,右上为添加椒盐噪声,左下为自实现中值滤波,右下为库中的中值滤波cv2.imshow('median_img',vtich) cv2.waitKey(0) cv2.destroyAllWindows()
效果:
高斯模糊
在此,使用高斯核代替箱式滤波器。它是通过函数cv2.GaussianBlur()完成的。我们应该指定内核的宽度和高度,它应该是正数和奇数。我们还应分别指定X和Y方向的标准偏差,sigmaX和sigmaY。如果仅指定了sigmaX,则sigmaY与sigmaX相同。如果两者都为零,则根据内核大小计算它们。高斯模糊在从图像中去除高斯噪声方面非常有效。
与均值模糊相比,只是把卷积模板中的值换一下,不是全1了,换成一组符合高斯分布的数值放在模板里面,比如这时中间的数值最大,往两边走越来越小,构造一个小的高斯包。
如果需要,可以使用函数cv2.getGaussianKernel()创建高斯内核。
函数原型:
dst = cv.GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType=BORDER_DEFAULT]]]
参数 | 描述 |
SRC | 输入图像 |
DST | 输出图像 |
ksize | 高斯内核大小。[高度宽度]。高度和宽度应该是奇数,并且可以具有不同的值。如果ksize设置为[0 0],则从sigma值计算ksize。 |
sigmaX | 沿X轴(水平方向)的内核标准偏差。 |
sigmaY | 沿Y轴(垂直方向)的内核标准偏差。如果sigmaY = 0,则sigmaX取sigmaX值 |
borderType | 在图像边界上应用内核时指定图像边界。可能的值有:cv.BORDER_CONSTANT cv.BORDER_REPLICATE cv.BORDER_REFLECT cv.BORDER_WRAP cv.BORDER_REFLECT_101 cv.BORDER_TRANSPARENT cv.BORDER_REFLECT101 cv.BORDER_DEFAULT cv.BORDER_ISOLATED |
(其实上面两种也有同样的参数)
上面的代码可以修改为高斯模糊:
blur2 = cv2.GaussianBlur(img,(5,5),cv2.BORDER_DEFAULT)
效果:
双边滤波
cv2.bilateralFilter()在降低噪音方面非常有效,同时保持边缘清晰。但与其他过滤器相比,操作速度较慢。我们已经看到高斯滤波器采用像素周围的邻域并找到其高斯加权平均值。该高斯滤波器仅是空间的函数,即,在滤波时考虑附近的像素。它没有考虑像素是否具有几乎相同的强度。它不考虑像素是否是边缘像素。所以它也模糊了边缘,我们不想这样做。
双边滤波器在空间中也采用高斯滤波器,但还有一个高斯滤波器,它是像素差的函数。空间的高斯函数确保仅考虑附近的像素用于模糊,而强度差的高斯函数确保仅具有与中心像素相似强度的那些像素被认为是模糊的。因此它保留了边缘,因为边缘处的像素将具有较大的强度变化。
具体的,图像中每个像素处的强度值被来自附近像素的强度值的加权平均值替换。该权重可以基于高斯分布。至关重要的是,权重不仅取决于欧几里德像素距离,还取决于辐射度差异。例如,范围差异,例如颜色强度,深度距离等。这通过系统地循环每个像素并相应地调整相邻像素的权重来保留锐边。
参数 | 描述 |
src | 原图片 |
dst | 目标图片,形状与原图片相同 |
d | 过滤期间使用的每个像素邻域的直径。如果它是负数,则从sigmaSpace计算。 |
sigmaColor | 在颜色空间进行过滤,参数的值越大意味着像素邻域内的更远的颜色(参见sigmaSpace)将混合在一起,从而产生更大的半等颜色区域。 |
sigmaSpace | 在坐标空间进行过滤,较大的参数值意味着只要它们的颜色足够接近,更远的像素就会相互影响(参见sigmaColor)。当d> 0时,无论sigmaSpace如何,它都指定邻域大小。否则,d与sigmaSpace成比例。 |
将上面的代码修改为双边滤波,与高斯模糊进行对比:
blur3 = cv2.bilateralFilter(img,20,75,75)
效果:
可见,保留了线条,但脸部明显已被模糊。
2D卷积
与一维信号一样,图像也可以使用各种低通滤波器(LPF),高通滤波器(HPF)等进行滤波.LPF有助于消除噪声,模糊图像等.HPF滤波器有助于查找边缘图片。
OpenCV提供了一个函数cv2.filter2D()来将自定义内核与图像进行卷积。
例如,为了简便仍使用平均值,我们将尝试对图像进行平均滤波。 5x5平均滤波器内核如下所示:
$$K = \frac{1}{25} \begin{bmatrix} 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \end{bmatrix}$$
操作是这样的:将此内核保持在像素上方,添加该内核下方的所有25个像素,取其平均值并用新的平均值替换中心像素。它继续对图像中的所有像素执行此操作。试试这段代码并检查结果:
import cv2 import numpy as npimg = cv2.imread("./Pictures/girl.png")blur2 = cv2.blur(img,(5,5),cv2.BORDER_DEFAULT)kernel = np.ones((5,5),np.float32)/25 blur3 = cv2.filter2D(img,-1,kernel)htich = np.hstack((img,blur2,blur3)) cv2.imwrite("./Pictures/mreger_img.png", htich) cv2.imshow("merged_img", htich) cv2.waitKey(0) cv2.destroyAllWindows()
效果:
参考链接:
1、高斯模糊https://www.tutorialkart.com/opencv/python/opencv-python-gaussian-image-smoothing/
2、双边滤波http://opencvexamples.blogspot.com/2013/10/applying-bilateral-filter.html
3、官方文档https://docs.opencv.org/3.1.0/d4/d13/tutorial_py_filtering.html
4、cv2.filter2D示例https://www.programcreek.com/python/example/89373/cv2.filter2D
转载于:https://www.cnblogs.com/lfri/p/10596669.html
Python-OpenCV——Image Blurring(Image Smoothing)相关推荐
- c++ opencv 识别车牌_小强学Python+OpenCV之-1.0开篇
写在前面: 有没有想过使用Python + OpenCV来实现人脸识别? 想想就有点小兴奋吧. 小强也是不久前才了解到可以使用Python + OpenCV进行图像处理.觉得有趣就想学习一下. 在这里 ...
- Python+OpenCV:图像去噪(Image Denoising)
Python+OpenCV:图像去噪(Image Denoising) 理论 We have seen many image smoothing techniques like Gaussian Bl ...
- Python+OpenCV:尺度不变特征变换(SIFT)的加速健壮特性(SURF)
Python+OpenCV:尺度不变特征变换(SIFT)的加速健壮特性(SURF) 理论 In SIFT, Low approximated Laplacian of Gaussian with Di ...
- Python+OpenCV:尺度不变特征变换 (SIFT, Scale-Invariant Feature Transform)
Python+OpenCV:尺度不变特征变换 (SIFT, Scale-Invariant Feature Transform) 理论 A corner in a small image within ...
- Python+OpenCV:图像平滑
Python+OpenCV:图像平滑 二维卷积(图像滤波) ###################################################################### ...
- Python + OpenCV + DeepLearning 解数独问题【一、数独的提取】
整个解数独问题可以大致分为3个部分: 从图片中提取出完整的数独[本文的部分] 从数独中提取出数字并传入神经网络进行预测 解出数独 [环境] Python:3.8.5 OpenCV:4.5.1 Kera ...
- Python OpenCV实战应用
OpenCV实战应用 摘要 传统计算机视觉 传统特征提取方法 SIFT(尺度不变特征变换) HOG方向梯度特征图 SIFT和HOG的比较 LBP 建筑物轮廓提取 介绍 代码 API说明 车道线检测 介 ...
- Python OpenCV GrabCut进行前景分割和提取
Python OpenCV GrabCut进行前景分割和提取 1. 效果图 1.1 边界框GrabCut效果图 1.2 Mask GrabCut效果图 2. GrabCut原理 2.1 GrabCut ...
- 解决Python OpenCV 读取视频并抽帧出现error while decoding的问题
解决Python OpenCV 读取视频抽帧出现error while decoding的问题 1. 问题 2. 解决 3. 源代码 参考 1. 问题 读取H264视频,抽帧视频并保存,报错如下: [ ...
- Python OpenCV应用K均值聚类进行颜色量化
Python OpenCV应用K均值聚类进行颜色量化 1. 效果图 2. 颜色量化是什么? 3. MiniBatchKMeans & KMeans 4. 源码 参考 在这篇博客文章中,我将向您 ...
最新文章
- luanet更名为distri.lua
- 【CyberSecurityLearning 76】DC系列之DC-7渗透测试(Drupal)
- jquery 判断数据是否重复
- 4.python合并excel多个sheet
- dubbo中的Filter顺序是如何确定的
- 程序员修仙之路--把用户访问记录优化到极致
- 【华为云技术分享】【我的物联网成长记20】物联网智慧路灯应用代码解析(下)
- 使用Box2D制作AS3游戏——2.1a版本——Hello World Box2D .
- OSG仿真案例(8)——读取FBX格式文件并显示(无动画)
- mybatis There is no getter for property named '*' in 'class java.lang.String
- web压力测试工具介绍
- python实现将android手机通讯录vcf文件转化为csv
- 蓝牙耳机的两种通讯协议及奥秘
- Matlab高尔顿板仿真模拟实验
- 工行电子银行收费标准
- 国际音标 英式音标 美式音标
- 影响世界的100条管理名言
- 计算机二级word海报体,2016年计算机二级《MSOffice》全真模拟试题
- 派森学python_2019 年 1月 26 日 随笔档案 - 派森学python - 博客园
- python人像录制加声音_简单易用的录制屏幕与摄像头工具
热门文章
- cf#644 div2 B. Boboniu Plays Chess
- c语言数组模拟骰子6000次,单选:模拟骰子的6000次投掷,编程统计并输出骰子的6个面各自出现的概率。按要求在空白处填写适当的表达式或语句,使程序完整并符合题目要求。...
- 失焦事件及取消失焦事情
- 开发软件的步骤是什么
- dell g7 重装win10
- 详解Guitar Pro 7小节的组织定义
- Web前端之JavaScript基础
- OpenCV/C++:点线面相关计算
- 解决Failing package is:mysql-community-icu-data-files-8.0.29-1.el7.x86_64 GPG Keys are configured as..
- 巴别鱼雏形,谷歌推出端到端语音翻译技术,还能模仿你说话