图像平滑
目录
1.矩阵卷积
矩阵卷积是一种基本的图像处理技术，用于在图像上滑动一个卷积核，并通过对卷积核和图像上对应位置的元素进行逐元素相乘，然后求和得到一个新的像素值。矩阵卷积常用于图像处理，可以用于实现各种图像滤波操作，如边缘检测、模糊、锐化等。它也被广泛应用于深度学习中的卷积神经网络（Convolutional Neural Network, CNN），用于提取图像特征。
图一
矩阵卷积在深度学习：卷积神经网络CNN；
矩阵卷积的数学意义：先将卷积核顺时针旋转180°，然后再进行滑动加权求和；
2.理解图像
一张图片通常是由RGB三个颜色通道的灰度图叠加而成，每个灰度图都可以视为一个mxn的矩阵，其中m和n分别表示图像的高度和宽度。以一个大小为1024x512像素的图片为例，其每个灰度图矩阵都是一个1024行x512列的矩阵。矩阵中每个元素的数值范围在0到255之间，不同的值代表了该像素点的亮暗程度，最终通过叠加这三个灰度图的数值，形成一张完整的彩色图片。
3.图像平滑
图像平滑处理是通过对图片灰度图对应的矩阵进行卷积操作实现的。在卷积过程中，采用卷积核对图像矩阵进行处理，旨在使每个像素值与其周围像素值相似，以减轻图像中的明暗变化。参数如卷积核的尺寸、滑动步长以及周围范围等需要根据具体需求进行设计和调整。通过这种处理，可以实现图像的平滑效果，消除图像中的噪点和细节，使图像看起来更加柔和和模糊。在实际应用中，根据任务的不同，可以选择不同的卷积核和参数来实现不同的平滑效果。
图二
4.应用实例
**代码及运行结果**
python
import numpy as np
from PIL import Image
from scipy import signal
#1.读取一张图片
picture_filename="pictures/people_picture.jpg"
picture_rgb=Image.open(picture_filename)
picture_rgb.show()
#2.将彩色图片转化为灰度图
picture_gray=picture_rgb.convert('L')
picture_gray.show()
#3.将灰度图转换为像素矩阵
matrix=np.asarray(picture_gray)
print("像素矩阵的行列：",matrix.shape)
#像素矩阵的行列： (420, 420)
print(matrix)
# [[75 75 75 ... 57 57 57]
# [75 75 75 ... 57 57 57]
# [75 75 75 ... 57 57 57]
# ...
# [20 26 27 ... 11 6 5]
# [20 26 27 ... 11 6 5]
# [20 26 27 ... 11 5 4]]
#4.定义卷积核(均值滤波器)
filter_5x5=np.array([[1/49,1/49,1/49,1/49,1/49],
[1/49,1/49,1/49,1/49,1/49],
[1/49,1/49,1/49,1/49,1/49],
[1/49,1/49,1/49,1/49,1/49],
[1/49,1/49,1/49,1/49,1/49]])
#sobel算子(检测图像边缘)
# sobel=np.array([[-1,-2,-1],
# [0,0,0],
# [1,2,1]])
#5.图像平滑(卷积)
result=signal.convolve2d(matrix,filter_5x5,mode='same')
#result1=signal.convolve2d(matrix,sobel,mode='same')
print("卷积后像素矩阵的行列：",result.shape)
#卷积后像素矩阵的行列： (420, 420)
print(np.around(result))
# [[14. 18. 23. ... 17. 14. 10.]
# [18. 25. 31. ... 23. 19. 14.]
# [23. 31. 38. ... 29. 23. 18.]
# ...
# [ 7. 10. 12. ... 3. 3. 2.]
# [ 6. 8. 9. ... 2. 2. 2.]
# [ 4. 6. 7. ... 2. 2. 1.]]
#6.把像素矩阵转换回图片
picture_result=Image.fromarray(result)
picture_result.show()
# picture_result1=Image.fromarray(result1)
# picture_result1.show()
图三
