数字图像处理:图像平滑 (均值滤波、中值滤波和高斯滤波)

数字图像处理:图像平滑 (均值滤波、中值滤波和高斯滤波)转自:https://blog.csdn.net/zaishuiyifangxym/article/details/89788020目录1图像增强——图像平滑       1.1图像增强简介       1.2图像平滑2均值滤…

转自:https://blog.csdn.net/zaishuiyifangxym/article/details/89788020
目录

2 均值滤波
3 中值滤波
4 高斯滤波


1 图像增强——图像平滑

1.1 图像增强简介
       图像增强是对图像进行处理,使其比原始图像更适合于特定的应用,它需要与实际应用相结合。对于图像的某些特征如边缘、轮廓、对比度等,图像增强是进行强调或锐化,以便于显示、观察或进一步分析与处理。图像增强主要是一个主观过程,而图像复原大部分是一个客观过程。图像增强的方法是因应用不同而不同的,研究内容包括:
在这里插入图片描述
1.2 图像平滑
       图像平滑是一种区域增强的算法,平滑算法有邻域平均法、中指滤波、边界保持类滤波等。在图像产生、传输和复制过程中,常常会因为多方面原因而被噪声干扰或出现数据丢失,降低了图像的质量(某一像素,如果它与周围像素点相比有明显的不同,则该点被噪声所感染)。这就需要对图像进行一定的增强处理以减小这些缺陷带来的影响。
       图像平滑 有均值滤波、方框滤波、中值滤波和高斯滤波等。下面将介绍常用的均值滤波、中值滤波和高斯滤波。
       为了实验方便,首先给图像加一点噪声.
代码如下所示:

	    # -*- coding:utf-8 -*-
	    import cv2
	    import numpy as np
     
	    # 读取图片
	    img = cv2.imread("zxp.jpg", cv2.IMREAD_UNCHANGED)
	    img_noise=img
	     
	    cv2.imshow("src", img)
	     
	    rows, cols, chn = img_noise.shape
	     
	     
	    # 加噪声
	    for i in range(5000):
	        x = np.random.randint(0, rows)
	        y = np.random.randint(0, cols)
	        img_noise[x, y, :] = 255
	     
	     
	    cv2.imshow("noise", img_noise)
	     
	    # 等待显示
	    cv2.waitKey(0)
	    cv2.destroyAllWindows()
	     
	    #保存含噪声图像
	    cv2.imwrite("zxp_noise.jpg", img_noise)

运行结果如下图所示:
在这里插入图片描述


2 均值滤波

       均值滤波是指任意一点的像素值,都是周围 N \times M 个像素值的均值。例如下图中,红色点的像素值是其周围蓝色背景区域像素值之和除25,25=5\times5 是蓝色区域的大小。
在这里插入图片描述
均值滤波详细的计算方法如下图所示:
在这里插入图片描述
其中5×5的矩阵称为核,针对原始图像内的像素点,采用核进行处理,得到结果图像,如下图所示:
在这里插入图片描述
在这里插入图片描述
提取 1/25 可以将核转换为如下形式:
在这里插入图片描述

  • Python调用OpenCV实现 均值滤波 的函数如下: result = cv2.blur(原始图像,核大小)
    其中,核大小是以(宽度,高度)表示的元组形式。常见的形式包括:核大小(3,3)和(5,5)。
                                          在这里插入图片描述
    (1) 核大小为 3 x 3
                  代码如下所示:

         # encoding:utf-8
         import cv2
         import numpy as np
         import matplotlib.pyplot as plt
          
         # 读取图片
         img = cv2.imread('zxp_noise.jpg')
         source = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
          
         # 均值滤波
         result = cv2.blur(source, (3, 3)) #可以更改核的大小
          
         # 显示图形
         titles = ['Source Image', 'Blur Image (3, 3)']
         images = [source, result]
         for i in range(2):
             plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')
             plt.title(titles[i])
             plt.xticks([]), plt.yticks([])
         plt.show()
    

运行结果如下图所示:
在这里插入图片描述
(2) 核大小为 5 x 5:
              代码如下所示:

	     # encoding:utf-8
	    import cv2
	    import numpy as np
	    import matplotlib.pyplot as plt
	     
	    # 读取图片
	    img = cv2.imread('zxp_noise.jpg')
	    source = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
	     
	    # 均值滤波
	    result = cv2.blur(source, (5, 5)) #可以更改核的大小
	     
	    # 显示图形
	    titles = ['Source Image', 'Blur Image (5, 5)']
	    images = [source, result]
	    for i in range(2):
	        plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')
	        plt.title(titles[i])
	        plt.xticks([]), plt.yticks([])
	    plt.show()

运行结果如下图所示:
在这里插入图片描述
(2) 核大小为 10×10
             代码如下所示:

	     # encoding:utf-8
	    import cv2
	    import numpy as np
	    import matplotlib.pyplot as plt
	     
	    # 读取图片
	    img = cv2.imread('zxp_noise.jpg')
	    source = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
	     
	    # 均值滤波
	    result = cv2.blur(source, (10, 10)) #可以更改核的大小
	     
	    # 显示图形
	    titles = ['Source Image', 'Blur Image (10, 10)']
	    images = [source, result]
	    for i in range(2):
	        plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')
	        plt.title(titles[i])
	        plt.xticks([]), plt.yticks([])
	    plt.show()

运行结果如下图所示:
在这里插入图片描述

    注:
    
    1)随着核大小逐渐变大,会让图像变得更加模糊;
    
    2)如果设置为核大小为(1,1),则结果就是原始图像。

3 中值滤波

     在使用邻域平均法去噪的同时也使得边界变得模糊。而中值滤波是非线性的图像处理方法,在去噪的同时可以兼顾到边界信息的保留。选一个含有奇数点的窗口W,将这个窗口在图像上扫描,把窗口中所含的像素点按灰度级的升或降序排列,取位于中间的灰度值来代替该点的灰度值。计算过程如下图所示:
在这里插入图片描述
     Python调用OpenCV实现 中值滤波 的函数如下:

     OpenCV主要调用 medianBlur() 函数实现中值滤波。图像平滑里中值滤波的效果最好。

    dst = cv2.medianBlur(src, ksize)
    
    其中,参数:
    
    src 表示源图像;
    
    ksize 表示核大小。核必须是大于1的奇数,如3、5、7等。

(1)核大小为 3×3
         代码如下所示:

    # encoding:utf-8
    import cv2
    import numpy as np
    import matplotlib.pyplot as plt
     
    # 读取图片
    img = cv2.imread('zxp_noise.jpg')
     
    # 中值滤波
    result = cv2.medianBlur(img, 3)#可以更改核的大小
     
    # 显示图像
    cv2.imshow("source img", img)
    cv2.imshow("medianBlur", result)
     
    # 等待显示
    cv2.waitKey(0)
    cv2.destroyAllWindows()

运行结果如下图所示:
在这里插入图片描述
(2)核大小为 5×5
         代码如下所示:

    # encoding:utf-8
    import cv2
    import numpy as np
    import matplotlib.pyplot as plt
     
    # 读取图片
    img = cv2.imread('zxp_noise.jpg')
     
    # 中值滤波
    result = cv2.medianBlur(img, 5) #可以更改核的大小
     
    # 显示图像
    cv2.imshow("source img", img)
    cv2.imshow("medianBlur", result)
     
    # 等待显示
    cv2.waitKey(0)
    cv2.destroyAllWindows()

运行结果如下图所示:
在这里插入图片描述
(3)核大小为 7×7
         代码如下所示:

    # encoding:utf-8
    import cv2
    import numpy as np
    import matplotlib.pyplot as plt
     
    # 读取图片
    img = cv2.imread('zxp_noise.jpg')
     
    # 中值滤波
    result = cv2.medianBlur(img, 7) #可以更改核的大小
     
    # 显示图像
    cv2.imshow("source img", img)
    cv2.imshow("medianBlur", result)
     
    # 等待显示
    cv2.waitKey(0)
    cv2.destroyAllWindows()

运行结果如下图所示:
在这里插入图片描述

    注:
    
    1)随着核大小逐渐变大,会让图像变得更加模糊;
    
    2)核必须是大于1的奇数,如3、5、7等;
    
    3)在代码 dst = cv2.medianBlur(src, ksize) 中 填写核大小时,只需填写一个数即可,如3、5、7等,对比均值滤波函数用法。

4 高斯滤波
     为了克服简单局部平均法的弊端(图像模糊),目前已提出许多保持边缘、细节的局部平滑算法。它们的出发点都集中在如何选择邻域的大小、形状和方向、参数加平均及邻域各店的权重系数等。
     图像高斯平滑也是邻域平均的思想对图像进行平滑的一种方法,在图像高斯平滑中,对图像进行平均时,不同位置的像素被赋予了不同的权重。高斯平滑与简单平滑不同,它在对邻域内像素进行平均时,给予不同位置的像素不同的权值,下图的所示的 3\times3 和 5\times5 邻域的高斯模板。
(1)核大小为 3×3
     在这里插入图片描述
(1)核大小为 5×5
     在这里插入图片描述
     高斯滤波让临近的像素具有更高的重要度,对周围像素计算加权平均值,较近的像素具有较大的权重值。如下图所示,中心位置权重最高为0.4。
在这里插入图片描述
在这里插入图片描述
     Python中OpenCV主要调用 GaussianBlur() 函数,如下:

    dst = cv2.GaussianBlur(src, ksize, sigmaX)
    
    其中,参数:
    
    src 表示原始图像;
    
    ksize 表示核大小;
    
    sigmaX 表示X方向方差。
    
    注:核大小(N, N)必须是奇数,X方向方差主要控制权重。

1)核大小为 3×3
在这里插入图片描述
2)核大小为 5×5
在这里插入图片描述
(1)核大小为 3×3
         代码如下所示:

    # encoding:utf-8
    import cv2
    import numpy as np
    import matplotlib.pyplot as plt
     
    # 读取图片
    img = cv2.imread('zxp_noise.jpg')
    source = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
     
    # 高斯滤波
    result = cv2.GaussianBlur(source, (3, 3), 0) #可以更改核大小
     
    # 显示图形
    titles = ['Source Image', 'GaussianBlur Image (3, 3)']
    images = [source, result]
    for i in range(2):
        plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')
        plt.title(titles[i])
        plt.xticks([]), plt.yticks([])
    plt.show()

运行结果如下图所示:
         在这里插入图片描述
(1)核大小为 5×5
         代码如下所示:

    # encoding:utf-8
    import cv2
    import numpy as np
    import matplotlib.pyplot as plt
     
    # 读取图片
    img = cv2.imread('zxp_noise.jpg')
    source = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
     
    # 高斯滤波
    result = cv2.GaussianBlur(source, (5, 5), 0) #可以更改核大小
     
    # 显示图形
    titles = ['Source Image', 'GaussianBlur Image (5, 5)']
    images = [source, result]
    for i in range(2):
        plt.subplot(1, 2, i + 1), plt.imshow(images[i], 'gray')
        plt.title(titles[i])
        plt.xticks([]), plt.yticks([])
    plt.show()

运行结果如下图所示:
         在这里插入图片描述

    注:
    
    1)随着核大小逐渐变大,会让图像变得更加模糊;
    
    2)核大小(N, N)必须是大于1的奇数,如3、5、7等;

今天的文章数字图像处理:图像平滑 (均值滤波、中值滤波和高斯滤波)分享到此就结束了,感谢您的阅读。

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。
如需转载请保留出处:https://bianchenghao.cn/8995.html

(0)
编程小号编程小号

相关推荐

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注