图片和视频的加噪、平滑处理
目录
图片加噪
还需要导入numpy库
定义的是椒盐噪声
代码展示：
python
def nosie_img(img,n=10000):
img = img.copy()
# 取shape的前两个值，即图片大的高宽
h,w = img.shape[:2]
for i in range(n):
# 随机生成像素值x,y对应的是h,w
x = np.random.randint(1,h)
y = np.random.randint(1,w)
# 随机生成0，1，如果为0该点为黑点，否则为白点，黑白概率相同
if np.random.randint(0,2) == 0:
img[x,y] = 0
else:
img[x, y] = 255
#返回图像
return img
a = cv2.imread('at1.png')
a_noise = nosie_img(a)
cv2.imshow('a',a)
cv2.waitKey(0)
cv2.imshow('a_noise',a_noise)
cv2.waitKey(0)运行结果：
图片平滑处理
均值滤波
- 概念：以像素点为中心的周围的n*n个像素值的均值代替当前像素值，n尽量为奇数，边界自动扩展。
- 格式：cv2.blur(a,(n,n))
a：图片变量
(n,n):均值范围
代码展示：
python
def nosie_img(img,n=10000):
img = img.copy()
h,w = img.shape[:2]
for i in range(n):
x = np.random.randint(1,h)
y = np.random.randint(1,w)
if np.random.randint(0,2) == 0:
img[x,y] = 0
else:
img[x, y] = 255
return img
a = cv2.imread('at1.png')
a_noise = nosie_img(a)
a_noise_blur_3 = cv2.blur(a_noise,(3,3))
cv2.imshow('a',a)
cv2.waitKey(0)
cv2.imshow('a_noise',a_noise)
cv2.waitKey(0)
cv2.imshow('a_noise_blur_3',a_noise_blur_3)
cv2.waitKey(0)运行结果：
方框滤波
- 概念：以像素点为中心的周围的nn个像素，normalize True时与均值滤波相同，normalize Fales时，nn个像素值的和大于255时为255，边界自动扩展。
- 格式：cv2.boxFilter(a,(n,n)，normalize=True/Fales)
代码展示：
python
def nosie_img(img,n=10000):
img = img.copy()
h,w = img.shape[:2]
for i in range(n):
x = np.random.randint(1,h)
y = np.random.randint(1,w)
if np.random.randint(0,2) == 0:
img[x,y] = 0
else:
img[x, y] = 255
return img
a = cv2.imread('at1.png')
a_noise = nosie_img(a)
cv2.imshow('a',a)
cv2.waitKey(0)
cv2.imshow('a_noise',a_noise)
cv2.waitKey(0)
#方框滤波
a_noise_boxfilter_T = cv2.boxFilter(a_noise,-1,(3,3),normalize=True)
a_noise_boxfilter_F = cv2.boxFilter(a_noise,-1,(3,3),normalize=False)
cv2.imshow('a_noise_boxfilter_T',a_noise_boxfilter_T)
cv2.waitKey(0)
cv2.imshow('a_noise_boxfilter_F',a_noise_boxfilter_F)
cv2.waitKey(0)运行结果：
高斯滤波
- 概念：以像素点为中心的周围的n*n个像素，加权运算得到最终像素值，边界自动扩展。
- 格式：cv2.GaussianBlur(a,(n,n),1) 1表示正态分布，确定权重分布
代码展示：
python
def nosie_img(img,n=10000):
img = img.copy()
h,w = img.shape[:2]
for i in range(n):
x = np.random.randint(1,h)
y = np.random.randint(1,w)
if np.random.randint(0,2) == 0:
img[x,y] = 0
else:
img[x, y] = 255
return img
a = cv2.imread('at1.png')
a_noise = nosie_img(a)
cv2.imshow('a',a)
cv2.waitKey(0)
cv2.imshow('a_noise',a_noise)
cv2.waitKey(0)
#高斯滤波
a_noise_gauss = cv2.GaussianBlur(a_noise,(3,3),1)
cv2.imshow('a_noise_gauss',a_noise_gauss)
cv2.waitKey(0)运行结果：
中值滤波
- 概念：以像素点为中心的周围的n*n个像素，从小到大排序，取中值为像素值，边界自动扩展。
- 格式：cv2.medianBlur(a,n)
n：表示取中值范围，必须为奇数
代码展示：
python
def nosie_img(img,n=10000):
img = img.copy()
h,w = img.shape[:2]
for i in range(n):
x = np.random.randint(1,h)
y = np.random.randint(1,w)
if np.random.randint(0,2) == 0:
img[x,y] = 0
else:
img[x, y] = 255
return img
a = cv2.imread('at1.png')
a_noise = nosie_img(a)
cv2.imshow('a',a)
cv2.waitKey(0)
cv2.imshow('a_noise',a_noise)
cv2.waitKey(0)
#中值滤波
a_noise_median = cv2.medianBlur(a,3)
cv2.imshow('a_noise_median',a_noise_median)
cv2.waitKey(0)
cv2.destroyAllWindows()运行结果：
视频平滑处理
代码展示：
python
# 加噪处理
def nosie_img(img,n=10000):
img = img.copy()
h,w = img.shape[:2]
for i in range(n):
x = np.random.randint(1,h)
y = np.random.randint(1,w)
if np.random.randint(0,2) == 0:
img[x,y] = 0
else:
img[x, y] = 255
return img
#视频处理
#读取视频
v = cv2.VideoCapture('test_v.mp4')
# 打不开退出
if not v.isOpened():
print("无法打开视频")
exit()
#打开读取
while True:
r, f = v.read()
#视频加噪
f_noise = nosie_img(f)
#视频中值滤波处理
f_noise_median = cv2.medianBlur(f_noise,3)
if not r:
break
cv2.imshow('video',f)
cv2.imshow('video_f_noise', f_noise)
cv2.imshow('video_f_noise_median', f_noise_median)
#点击空格键，退出播放
if cv2.waitKey(10) == 32:
break
v.release()
cv2.destroyAllWindows()运行结果：
