opencv-图像平滑

高斯平滑
高斯平滑即采用高斯卷积核对图像矩阵进行卷积操作。高斯卷积核是一个近似服从高斯分布的矩阵,随着距离中心点的距离增加,其值变小。这样进行平滑处理时,图像矩阵中锚点处像素值权重大,边缘处像素值权重小。

import cv2 as cv
import matplotlib.pyplot as plt
import numpy as np
from cv2 import GaussianBlurimg = cv.imread(r"C:\Users\mzd\Desktop\opencv\images.jpg")
img_gauss = cv.GaussianBlur(img,(3,3),1)  #opencv中提供了GaussianBlur()函数来进行高斯平滑
cv.imshow("img",img)  #显示原图
cv.imshow("img_gauss",img_gauss)  #显示高斯平滑图
cv.waitKey(0)  #参数为 0,表示程序会无限期地等待用户按下键盘上的任意键。
cv.destroyAllWindows() #cv.destroyAllWindows() 是 OpenCV 中的一个函数调用,用于关闭所有通过 cv2.imshow() 打开的图像窗口。这个函数没有参数,调用它会关闭当前打开的所有窗口。GaussianBlur()

代码使用示例和效果如下:(相比于原图,平滑后图片变模糊)
在这里插入图片描述
cv2.GaussianBlur() 是 OpenCV 中用于对图像进行高斯模糊(Gaussian Blur)的函数。高斯模糊是一种常用的图像平滑技术,它可以有效地去除图像中的噪声,使图像变得更加平滑。

该函数的基本语法如下:

cv2.GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]])

参数说明:

  • src: 输入图像。
  • ksize: 高斯核的大小。通常为正的奇数(如3、5、7…)。高斯核的大小影响了模糊的程度。
  • sigmaX: X 方向上的高斯核标准差。如果设为0,则根据 ksize 计算。
  • dst(可选): 输出图像。
  • sigmaY(可选): Y 方向上的高斯核标准差。如果设为0,则与 sigmaX 相等。
  • borderType(可选): 边界处理的方式,通常为默认值 cv2.BORDER_DEFAULT

均值平滑

import cv2 as cv
import matplotlib.pyplot as plt
import numpy as npimg = cv.imread(r"C:\Users\mzd\Desktop\opencv\images.jpg")
img_blur = cv.blur(img,(3,5)) #均值平滑
# img_blur = cv.boxFilter(img,-1,(3,5))
cv.imshow("img",img)
cv.imshow("img_blur",img_blur)
cv.waitKey(0)#参数为 0,表示程序会无限期地等待用户按下键盘上的任意键
cv.imshow("img",img)
cv.destroyAllWindows()#cv.destroyAllWindows() 是 OpenCV 中的一个函数调用,用于关闭所有通过 cv2.imshow() 打开的图像窗口。这个函数没有参数,调用它会关闭当前打开的所有窗口。

在这里插入图片描述

cv2.blur() 是 OpenCV 中用于对图像进行均值模糊(Blur)的函数。均值模糊是一种简单的平滑技术,它通过取图像局部区域的平均值来模糊图像,从而实现去噪的效果。

该函数的基本语法如下:

cv2.blur(src, ksize[, dst[, anchor[, borderType]]])

参数说明:

  • src: 输入图像。
  • ksize: 决定了模糊程度的核的大小。通常为正的奇数(如3、5、7…)。
  • dst(可选): 输出图像。
  • anchor(可选): 锚点,默认值 (-1, -1) 表示核的中心。
  • borderType(可选): 边界处理的方式,通常为默认值 cv2.BORDER_DEFAULT

中值平滑
中值平滑也有核,但并不进行卷积计算,而是对核中所有像素值排序得到中间值,用该中间值来代替锚点值。opencv中利用medianBlur()来进行中值平滑,中值平滑特别适合用来去除椒盐噪声。

import cv2 as cv
import matplotlib.pyplot as plt
import numpy as np
import random
img = cv.imread(r"C:\Users\mzd\Desktop\opencv\images.jpg")
rows,cols = img.shape[:2]
#加入椒盐噪声
for i in range(100):r = random.randint(0,rows-1)c = random.randint(0,cols-1)img[r,c]=255
img_medianblur = cv.medianBlur(img,5)
cv.imshow("img",img)
cv.imshow("img_medianblur",img_medianblur)
cv.waitKey(0)
cv.destroyAllWindows()

在这里插入图片描述
cv2.medianBlur() 是 OpenCV 中用于对图像进行中值模糊的函数。中值模糊是一种非线性的平滑技术,它将每个像素的值替换为相应邻域中所有像素的中值。这种方法对于去除图像中的椒盐噪声等离群点非常有效。
该函数的基本语法如下:

cv2.medianBlur(src, ksize[, dst])

参数说明:

  • src: 输入图像。
  • ksize: 决定了模糊程度的核的大小。通常为正的奇数(如3、5、7…)。
  • dst(可选): 输出图像。

双边滤波
相比于上面几种平滑算法,双边滤波在平滑的同时还能保持图像中物体的轮廓信息。双边滤波在高斯平滑的基础上引入了灰度值相似性权重因子,所以在构建其卷积核核时,要同时考虑空间距离权重和灰度值相似性权重。在进行卷积时,每个位置的邻域内,根据和锚点的距离d构建距离权重模板,根据和锚点灰度值差异r构建灰度值权重模板,结合两个模板生成该位置的卷积核。

#coding:utf-8import cv2 as cv
import matplotlib.pyplot as plt
import numpy as np
import random
import math
img = cv.imread(r"C:\Users\mzd\Desktop\opencv\images.jpg")
img_bilateral = cv.bilateralFilter(img,0,0.2,40)
cv.imshow("img",img)
cv.imshow("img_bilateral",img_bilateral)
cv.waitKey(0)
cv.destroyAllWindows()

在这里插入图片描述
cv2.bilateralFilter() 是 OpenCV 中用于进行双边滤波的函数。双边滤波是一种非线性滤波技术,它考虑了像素之间的空间距离和像素值之间的灰度相似性。这使得双边滤波能够在平滑图像的同时保留边缘
该函数的基本语法如下:

cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace[, dst[, borderType]])

参数说明:

  • src: 输入图像。
  • d: 领域直径。如果非正数,会从 sigmaSpace 计算。
  • sigmaColor: 色彩空间的标准差。较大的值表示在颜色空间中考虑更广泛的区域。
  • sigmaSpace: 坐标空间的标准差。较大的值表示在空间中考虑更广泛的区域。
  • dst(可选): 输出图像。
  • borderType(可选): 边界处理的方式,通常为默认值 cv2.BORDER_DEFAULT

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。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。如若转载,请注明出处:http://www.mzph.cn/news/155954.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Sentinel概述

Sentinel 框架通常指的是用于服务治理和流量控制的开源框架,特别是在微服务架构中。在不同的上下文中,可能有不同的 Sentinel 框架,但最常见的是 Alibaba 开源的 Sentinel 框架。 Alibaba Sentinel 框架是一个用于流量控制、熔断降级和系统负…

linux 下打印堆栈信息 jstack pstack gstack 有啥区别?分别的使用场景是啥?

jstack、pstack和gstack是在Linux系统下用于打印堆栈信息的工具,它们的使用场景和功能略有不同。 jstack:jstack是Java虚拟机自带的工具,用于打印Java进程的堆栈信息。它可以显示Java线程的状态、锁信息、线程堆栈等。jstack主要用于诊断Java…

【封装UI组件库系列】全局样式的定义与重置

封装UI组件库系列第二篇样式​​​​​​​ ​​​​​​🌟前言 🌟定义全局样式 生成主题色和不同亮度的颜色 ​编辑 中性色及其他变量 🌟样式重置 🌟总结 ​​​​​​​​​​​​​​🌟前言 在前端开发中&…

在c#中如何将多个点位(Point)转换为多边形(Polygon)并装换为shp图层

👻如图,我现在有一组经纬度点位Point,接下来我们将他装换为多边形Polygon格式 👻使用QGIS > 图层 > 添加图层 > 添加分隔文本图层 > 打开这个csv点位文件 👻打开后如左下图,csv文件中的四个点位…

C++ DAY03 类与对象

概述 对象:真实存在的事物 类: 多个对象抽取其共同点形成的概念 静态特征提取出的概念称为成员变量, 又名属性 动态特征提取出的概念称为成员函数, 又名方法 类与对象的关系 在代码中先有类后有对象 一个类可以有多个对象 多个对象可以属于同一个…

shell脚本之条件语句

条件语句 linux测试 test 测试 测试表达式是否成立(用echo $? 检测是否正确) 语法:test [选项] [文件名] 选项作用-e测试文件是否存在-r查看文件有无读的权限-d测试是否为目录-f测试是否为文件-w测试当前用户有无写的权限-x测试是否有执…

香港科技大学广州|机器人与自主系统学域博士招生宣讲会—同济大学专场!!!(暨全额奖学金政策)

在机器人和自主系统领域实现全球卓越—机器人与自主系统学域 硬核科研实验室,浓厚创新产学研氛围! 教授亲临现场,面对面答疑解惑助攻申请! 一经录取,享全额奖学金1.5万/月! 🕙时间:…

git使用及常用命令

在初入公司中,若使用的是git管理工具,需要做以下步骤: 1,常用命令在: (1),git config --global user.name xxx(名字) //若不设置 那么下次提交代码时会报错 其次该设置名字和…

go语言实现高性能自定义ip管理模块(ip黑名单)

ip黑名单设计 对于IPV4而言,理论上有256^4个,也就是约42亿个。我想了好久,也查了挺多资料,但是,确实没有通用现成的解决方案。 PS:以下方案的讨论,适用于对于IP管理不那么严苛的情况。当然也可…

代码随想录二刷|两两交换链表中的节点

两两交换链表中的节点 1、需要哪几个指针? cur:当前遍历的节点 tmp:节点“1” tmp1:节点“3” (cur要指向当前要交换的两个节点的前一个节点) 2、为什么不需要保存节点“2”? 因为就是cur->…

gitlab安装配置及应用

安装 ##安装依赖 yum install -y curl policycoreutils-python openssh-server perl#上传包 rz gitlab-jh-16.5.2-jh.0.el7.x86_64.rpm 安装 yum install gitlab-jh-16.0.3-jh.0.el7.x86_64.rpm 初始化并启动 # 以下两种方法都可以配置访问地址,第一种需要在yum安…

git使用记录

初始化仓库 git init 与远程仓库进行联接 git remote add origin (仓库复制下来的地址) 拉取远程仓库代码 #查看远程分支 git branch -r #查看本地分支 git branch #拉取远程分支,会产生映射关系 使用该方式会在本地新建分支x,并…

使用Nodejs和Express构建http响应流实现下载功能

首先创建一个文件流来读取要下载的文件,当然可以是动态产生的输入流 const fileStream fs.createReadStream(test.zip);然后创建响应头,指定响应的类型,同时也可以使用Content-Disposition设置浏览器下载时需要保存的文件名 const head {…

深度学习之二(前馈神经网络--Feedforward Neural Network)

概念 前馈神经网络(Feedforward Neural Network)是一种最基本的神经网络结构,也被称为多层感知器(Multilayer Perceptron,MLP)。它的特点是信息只在网络中单向传播,不会形成环路。每一层神经元的输出都作为下一层神经元的输入,没有反馈回路。 结构: 前馈神经网络通…

基于SpringBoot的花店销售网站

文章目录 项目介绍主要功能截图:部分代码展示设计总结项目获取方式🍅 作者主页:超级无敌暴龙战士塔塔开 🍅 简介:Java领域优质创作者🏆、 简历模板、学习资料、面试题库【关注我,都给你】 🍅文末获取源码联系🍅 项目介绍 基于SpringBoot的花店销售网站,java项目…

小程序中打印机纸张都支持哪些尺寸?

在小程序中添加打印机功能是一项非常实用的功能,它可以让用户方便地将小程序中的内容打印出来。然而,当用户想要打印内容时,他们可能会关心打印纸张支持哪些尺寸。打印机分为四种打印机:小票、标签、发货单和电子面单。下面具体介…

YOLO改进系列之注意力机制(GatherExcite模型介绍)

模型结构 尽管在卷积神经网络(CNN)中使用自底向上的局部运算符可以很好地匹配自然图像的某些统计信息,但它也可能阻止此类模型捕获上下文的远程特征交互。Hu等人提出了一种简单,轻量级的方法,以在CNN中更好地利用上下…

使用VC++设计程序,进行全局固定阈值分割、自适应阈值分割

图像分割 获取源工程可访问gitee可在此工程的基础上进行学习。 文章目录 图像分割实验内容一、全局固定阈值分割全局固定阈值分割的原理全局固定阈值分割的实验代码全局固定阈值分割的实验现象 二、自适应阈值分割自适应阈值分割的实验原理自适应阈值分割的实验代码自适应阈值…

解决 urllib2 中 CookiesMiddleware 的 cookie 问题

1. 问题背景 在网络爬虫开发中,Cookie 是一项关键的技术,用于跟踪用户的身份和状态。Cookie 是服务器在客户端存储的数据,通常用于维护用户会话和保存用户的登录信息。在爬虫应用中,模拟用户行为和保持 Cookie 状态是必要的&…

51单片机应用

目录 ​编辑 1. C51的数据类型 1.1 C51中的基本数据类型 1.2 特殊功能寄存器类型 2. C51的变量 2.1 存储种类 1. C51的数据类型 C51是一种基于8051架构的单片机,它支持以下基本数据类型: 位(Bit):可以表…