图像平滑处理

文章目录

一、理解图像平滑处理的意义

图像平滑处理,也称为图像模糊处理,是一种用于减少图像噪声和细节的图像处理技术。平滑处理的目的通常是为了消除图像中的随机噪声,减少图像中的高频成分,或者在保持图像整体外观的同时减少图像的对比度。常见的图像平滑技术:均值滤波、高斯滤波、模糊滤波等。

通过图像平滑处理,可以减少或消除图像中的随机噪声,减少图像的细节,例如在压缩图像前进行平滑处理,在去除噪声的同时尽量保留图像的边缘信息。

用以下这张图片来展示:

可以看到图片中有很多白色的小斑点。

二、均值滤波

bash 复制代码
# 导入OpenCV库,用于图像处理
import cv2
# 导入matplotlib的pyplot模块,用于图像显示
import matplotlib.pyplot as plt
# 导入numpy库,用于数值计算
import numpy as np

# 使用cv2.imread()函数读取位于指定路径的图像文件
img = cv2.imread("E:\\XUEXI\\Python_learn\\tupian\\6.jpg")

# 定义一个函数cv_show,用于显示图像
def cv_show(name, img):
    # 使用cv2.imshow()函数显示图像,名称为name
    cv2.imshow(name, img)
    # 使用cv2.waitKey(0)函数等待,直到用户按下任意键
    cv2.waitKey(0)
    # 使用cv2.destroyAllWindows()函数关闭所有OpenCV创建的窗口
    cv2.destroyAllWindows()

# 使用cv2.blur()函数对图像进行均值滤波
# (3, 3)指定了滤波器的大小,即3x3的邻域窗口
blur = cv2.blur(img, (3, 3))

# 调用cv_show函数显示均值滤波后的图像
cv_show("blur", blur)

cv2.blur()函数对图像进行均值滤波

blur = cv2.blur(img, (3, 3))(3, 3)指定了滤波器的大小,即3x3的邻域窗口,如果是均值滤波,那么就是要(3x3)中的所有值全部加起来,然后除以9,来求得均值。

运行结果:

可以看到图片中的小白点被淡化了许多。

三、方框滤波

方框滤波基本和均值滤波一样,但是能选择是否归一化

bash 复制代码
# 导入OpenCV库,用于图像处理
import cv2
# 导入matplotlib的pyplot模块,用于图像显示
import matplotlib.pyplot as plt
# 导入numpy库,用于数值计算
import numpy as np

# 使用cv2.imread()函数读取位于指定路径的图像文件
img = cv2.imread("E:\\XUEXI\\Python_learn\\tupian\\6.jpg")

# 定义一个函数cv_show,用于显示图像
def cv_show(name, img):
    # 使用cv2.imshow()函数显示图像,名称为name
    cv2.imshow(name, img)
    # 使用cv2.waitKey(0)函数等待,直到用户按下任意键
    cv2.waitKey(0)
    # 使用cv2.destroyAllWindows()函数关闭所有OpenCV创建的窗口
    cv2.destroyAllWindows()

# 使用cv2.boxFilter()函数对图像进行均值滤波
# 第一个参数是输入图像
# 第二个参数-1表示输出图像的深度与输入图像相同
# (3, 3)是滤波器的大小,即3x3的邻域窗口
# normalize=True表示滤波器的权重之和为1,这是均值滤波的要求
box = cv2.boxFilter(img, -1, (3, 3), normalize=True)

# 调用cv_show函数显示均值滤波后的图像
cv_show("box", box)

box = cv2.boxFilter(img, -1, (3, 3), normalize=True)python当中,指定一个值为-1,一般就是自动计算的意思。

方框滤波多一个参数(normalize),这个参数可以做归一化操作,就是当数值超过255后,就会除以相加数的总和,如果是(3x3)那就是除以9,做了归一化后就是跟均值滤波是一样效果的。

运行结果与均值滤波相同:

如果不选择做归一化,那么越界的值就直接取到255,也就是最高曝光的值:

bash 复制代码
#不同算子的差异
import cv2
import matplotlib.pyplot as plt
import numpy as np

img = cv2.imread("E:\\XUEXI\\Python_learn\\tupian\\6.jpg")

def cv_show(name, img):
    cv2.imshow(name, img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

box = cv2.boxFilter(img, -1, (3, 3), normalize=False)

cv_show("box",box)

运行结果:

四、高斯滤波

高斯滤波基于高斯分布(Gaussian Distribution),也称为正态分布,是一种在自然现象中普遍存在的连续概率分布。

高斯滤波的操作是将高斯核与图像进行卷积,即对图像中的每个像素,用其邻域内的像素值乘以对应的高斯核权重,然后求和得到新的像素值。

高斯模糊的卷积核里的数字是满足高斯分布, 相当与更重视中间的

正态分布是下面第三个图,越靠近中心值,其相关程度就越明显。

如上图,如果将204作为卷积核的中心,那么就会计算与中心值相近的其他8个值的重要程度。

bash 复制代码
# 导入OpenCV库,用于图像处理
import cv2
# 导入matplotlib的pyplot模块,用于图像显示
import matplotlib.pyplot as plt
# 导入numpy库,用于数值计算
import numpy as np

# 使用cv2.imread()函数读取位于指定路径的图像文件
img = cv2.imread("E:\\XUEXI\\Python_learn\\tupian\\6.jpg")

# 定义一个函数cv_show,用于显示图像
def cv_show(name, img):
    # 使用cv2.imshow()函数显示图像,名称为name
    cv2.imshow(name, img)
    # 使用cv2.waitKey(0)函数等待,直到用户按下任意键
    cv2.waitKey(0)
    # 使用cv2.destroyAllWindows()函数关闭所有OpenCV创建的窗口
    cv2.destroyAllWindows()

# 使用cv2.GaussianBlur()函数对图像进行高斯滤波
# (5, 5)是高斯核的大小,即5x5的邻域窗口
# 1是高斯核的标准差,控制着核的宽度,较大的值会导致更强的平滑效果
aussian = cv2.GaussianBlur(img, (5, 5), 1)

# 调用cv_show函数显示高斯滤波后的图像
cv_show("aussian", aussian)

运行结果:

五、中值滤波

中值滤波相当于用中值代替,如果是(3x3)的核,就是取这9个数的中间值来计算。

bash 复制代码
# 导入OpenCV库,用于图像处理
import cv2
# 导入matplotlib的pyplot模块,用于图像显示
import matplotlib.pyplot as plt
# 导入numpy库,用于数值计算
import numpy as np

# 使用cv2.imread()函数读取位于指定路径的图像文件
img = cv2.imread("E:\\XUEXI\\Python_learn\\tupian\\6.jpg")

# 定义一个函数cv_show,用于显示图像
def cv_show(name, img):
    # 使用cv2.imshow()函数显示图像,名称为name
    cv2.imshow(name, img)
    # 使用cv2.waitKey(0)函数等待,直到用户按下任意键
    cv2.waitKey(0)
    # 使用cv2.destroyAllWindows()函数关闭所有OpenCV创建的窗口
    cv2.destroyAllWindows()

# 使用cv2.medianBlur()函数对图像进行中值滤波
# 5是滤波器的半径,表示考虑的邻域大小为5x5
median = cv2.medianBlur(img, 5)

# 调用cv_show函数显示中值滤波后的图像
cv_show("median", median)

运行结果:

将均值滤波,高斯滤波,中值滤波三者结合起来观察:

bash 复制代码
#不同算子的差异
import cv2
import matplotlib.pyplot as plt
import numpy as np

img = cv2.imread("E:\\XUEXI\\Python_learn\\tupian\\6.jpg")

def cv_show(name, img):
    cv2.imshow(name, img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

blur = cv2.blur(img, (3, 3))
aussian = cv2.GaussianBlur(img, (5, 5), 1)
median = cv2.medianBlur(img, 5)

res = np.hstack((blur, aussian, median))
cv_show("res", res)
相关推荐
极限实验室32 分钟前
Coco AI 实战(一):Coco Server Linux 平台部署
人工智能
杨过过儿43 分钟前
【学习笔记】4.1 什么是 LLM
人工智能
巴伦是只猫1 小时前
【机器学习笔记Ⅰ】13 正则化代价函数
人工智能·笔记·机器学习
伍哥的传说1 小时前
React 各颜色转换方法、颜色值换算工具HEX、RGB/RGBA、HSL/HSLA、HSV、CMYK
深度学习·神经网络·react.js
大千AI助手1 小时前
DTW模版匹配:弹性对齐的时间序列相似度度量算法
人工智能·算法·机器学习·数据挖掘·模版匹配·dtw模版匹配
AI生存日记1 小时前
百度文心大模型 4.5 系列全面开源 英特尔同步支持端侧部署
人工智能·百度·开源·open ai大模型
LCG元2 小时前
自动驾驶感知模块的多模态数据融合:时序同步与空间对齐的框架解析
人工智能·机器学习·自动驾驶
why技术2 小时前
Stack Overflow,轰然倒下!
前端·人工智能·后端
彭祥.2 小时前
Jetson边缘计算主板:Ubuntu 环境配置 CUDA 与 cudNN 推理环境 + OpenCV 与 C++ 进行目标分类
c++·opencv·分类