图像处理:Python使用OpenCV 减少图片噪音

文章目录

      • [1. 均值滤波 (Mean Filtering)](#1. 均值滤波 (Mean Filtering))
      • [2. 高斯滤波 (Gaussian Filtering)](#2. 高斯滤波 (Gaussian Filtering))
      • [3. 中值滤波 (Median Filtering)](#3. 中值滤波 (Median Filtering))
      • 4.代码实现示例
      • 5.效果展示

在图像处理中,均值滤波、高斯滤波和中值滤波是三种常用的降噪方法。它们的实现原理各有不同:

1. 均值滤波 (Mean Filtering)

实现原理 :

均值滤波是通过计算滤波窗口内所有像素值的平均值来平滑图像。它是一种线性滤波器,能有效地减少噪声,但也会模糊图像的边缘。

步骤:

  1. 选择一个大小为 ( k \times k ) 的窗口(滤波器核)。
  2. 将窗口在图像上滑动,每次计算窗口内所有像素的均值。
  3. 用该均值替换窗口中心的像素值。

公式 :

对于每个像素 ((i, j)),新的像素值 (I'(i, j)) 计算如下:

I ′ ( i , j ) = 1 k 2 ∑ m = − k 2 k 2 ∑ n = − k 2 k 2 I ( i + m , j + n ) I'(i, j) = \frac{1}{k^2} \sum_{m=-\frac{k}{2}}^{\frac{k}{2}} \sum_{n=-\frac{k}{2}}^{\frac{k}{2}} I(i+m, j+n) I′(i,j)=k21m=−2k∑2kn=−2k∑2kI(i+m,j+n)

2. 高斯滤波 (Gaussian Filtering)

实现原理 :

高斯滤波使用高斯函数的权重来计算滤波窗口内像素的加权平均值。相比均值滤波,它能更好地保留边缘信息。高斯滤波器是一种线性滤波器,权重的分布是中心对称的高斯分布。

步骤:

  1. 选择一个大小为 ( k \times k ) 的高斯窗口(滤波器核),并计算其权重。
  2. 将窗口在图像上滑动,每次计算窗口内像素的加权平均值。
  3. 用该加权平均值替换窗口中心的像素值。

公式 :

高斯函数的权重 ( G(x, y) ) 计算如下:

G ( x , y ) = 1 2 π σ 2 exp ⁡ ( − x 2 + y 2 2 σ 2 ) G(x, y) = \frac{1}{2\pi\sigma^2} \exp\left(-\frac{x^2 + y^2}{2\sigma^2}\right) G(x,y)=2πσ21exp(−2σ2x2+y2)

对于每个像素 ((i, j)),新的像素值 (I'(i, j)) 计算如下:
I ′ ( i , j ) = ∑ m = − k 2 k 2 ∑ n = − k 2 k 2 G ( m , n ) ⋅ I ( i + m , j + n ) I'(i, j) = \sum_{m=-\frac{k}{2}}^{\frac{k}{2}} \sum_{n=-\frac{k}{2}}^{\frac{k}{2}} G(m, n) \cdot I(i+m, j+n) I′(i,j)=m=−2k∑2kn=−2k∑2kG(m,n)⋅I(i+m,j+n)

3. 中值滤波 (Median Filtering)

实现原理 :

中值滤波是通过选择滤波窗口内所有像素值的中值来平滑图像。它是一种非线性滤波器,特别适用于去除椒盐噪声,并且能很好地保留图像边缘。

步骤:

  1. 选择一个大小为 ( k \times k ) 的窗口。
  2. 将窗口在图像上滑动,每次提取窗口内所有像素值。
  3. 将提取的像素值排序,选择中间值作为新的像素值。

公式 :

对于每个像素 ((i, j)),新的像素值 (I'(i, j)) 计算如下:

I ′ ( i , j ) = median { I ( i + m , j + n ) ∣ m , n ∈ − k 2 , k 2 } I'(i, j) = \text{median} \{ I(i+m, j+n) | m, n \in -\\frac{k}{2}, \\frac{k}{2} \} I′(i,j)=median{I(i+m,j+n)∣m,n∈−2k,2k}

4.代码实现示例

下面是使用OpenCV实现上述三种滤波方法的代码示例:

python 复制代码
import cv2
import numpy as np
import matplotlib.pyplot as plt

def apply_mean_filter(image):
    return cv2.blur(image, (5, 5))

def apply_gaussian_filter(image):
    return cv2.GaussianBlur(image, (5, 5), 1.0)

def apply_median_filter(image):
    return cv2.medianBlur(image, 5)

def display_images(original, mean_filtered, gaussian_filtered, median_filtered):
    titles = ['Original Image', 'Mean Filtered Image', 'Gaussian Filtered Image', 'Median Filtered Image']
    images = [original, mean_filtered, gaussian_filtered, median_filtered]

    for i in range(4):
        plt.subplot(2, 2, i+1), plt.imshow(cv2.cvtColor(images[i], cv2.COLOR_BGR2RGB))
        plt.title(titles[i])
        plt.xticks([]), plt.yticks([])

    plt.show()

def main():
    image_path = 'path_to_your_image.jpg'  # 请替换为你的图像路径
    image = cv2.imread(image_path)

    if image is None:
        print(f"Error: Unable to load image at {image_path}")
        return

    mean_filtered = apply_mean_filter(image)
    gaussian_filtered = apply_gaussian_filter(image)
    median_filtered = apply_median_filter(image)

    display_images(image, mean_filtered, gaussian_filtered, median_filtered)

if __name__ == "__main__":
    main()
  1. 均值滤波 :使用 cv2.blur(image, (5, 5)) 实现。
  2. 高斯滤波 :使用 cv2.GaussianBlur(image, (5, 5), 1.0) 实现,其中 1.0 是标准差。
  3. 中值滤波 :使用 cv2.medianBlur(image, 5) 实现。

5.效果展示

在本次实验中,明显中值滤波的效果更优

相关推荐
Norna4 小时前
Git 给路径加了引号,这个文件就从 review 里消失了
python
wuyk5554 小时前
Python办公自动化-第04讲-批量新建Excel
开发语言·python·excel
wuyk5554 小时前
Spider-第20讲-综合实战可上线爬虫
大数据·爬虫·python·elasticsearch
JonaHu5 小时前
关键词排名突然消失?用 Python、SQLite 和 SERP API 搭一套可解释的 SEO 监控
python·sqlite·seo·serp api
prince_zxill6 小时前
把 17 个散文件装进一个文件夹:拆解 claude-plugins-official 的插件打包术(47,413 Star 实测)
python·github·agent·mcp·claude code
JonaHu6 小时前
GPT Image 2.6 多语言海报改版:保留商品细节,分离文案与图像验收
图像处理·人工智能·aigc
少司府6 小时前
嵌入式外设篇(三)GPIO·三:MCU系统结构、总线与统一编制
linux·python·stm32·单片机·嵌入式硬件·mcu·嵌入式软件
伞伞悦读6 小时前
【第90期】KNN分类回归流水线与K值对照的实验与排查
大数据·人工智能·python·深度学习·机器学习
console.log('npc')7 小时前
Python 学习教程 · 第4课:数据结构
数据结构·python·学习
honker_X7 小时前
Python字符串全攻略:从入门到精通
开发语言·python