opencv - py_imgproc - py_filtering filtering 过滤-卷积平滑

文章目录

  • 平滑图像
    • 目标
    • 2D 卷积(图像过滤)
    • 图像模糊(图像平滑)
      • 1. 平均
      • 2. 高斯模糊
      • 3. 中值模糊
      • 4. 双边滤波
    • 其他资源

平滑图像

目标

学习:

  • 使用各种低通滤波器模糊图像
  • 将定制滤波器应用于图像(2D 卷积)

2D 卷积(图像过滤)

与一维信号一样,图像也可以使用各种低通滤波器 (LPF)、高通滤波器 (HPF) 等进行过滤。LPF 有助于消除噪音、模糊图像等。HPF 滤波器有助于在图像中查找边缘。

OpenCV 提供了一个函数 cv.filter2D() 来将内核与图像进行卷积。作为示例,我们将在图像上尝试平均滤波器。 5x5 平均滤波器内核如下所示:
[ K = 1 25 [ 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 ] ] [K = \frac{1}{25} \begin{bmatrix} 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \\ 1 & 1 & 1 & 1 & 1 \end{bmatrix}] [K=251 1111111111111111111111111 ]
操作如下:将此内核保持在像素上方,添加此内核下方的所有 25 个像素,取平均值,并用新的平均值替换中心像素。此操作将对图像中的所有像素继续进行。尝试此代码并检查结果:

import numpy as np
import cv2 as cv
from matplotlib import pyplot as pltimg = cv.imread('opencv_logo.png')kernel = np.ones((5,5),np.float32)/25
dst = cv.filter2D(img,-1,kernel)plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(dst),plt.title('Averaging')
plt.xticks([]), plt.yticks([])
plt.show()

结果:
在这里插入图片描述

图像模糊(图像平滑)

图像模糊是通过将图像与低通滤波器内核进行卷积来实现的。它对于去除噪声很有用。它实际上从图像中去除了高频内容(例如:噪声、边缘)。因此,在此操作中,边缘会稍微模糊一些(也有模糊技术不会模糊边缘)。OpenCV 提供了四种主要类型的模糊技术。

1. 平均

这是通过将图像与标准化盒式滤波器进行卷积来实现的。它只是取内核区域下所有像素的平均值并替换中心元素。这是通过函数 cv.blur()cv.boxFilter() 完成的。查看文档以了解有关内核的更多详细信息。我们应该指定内核的宽度和高度。 3x3 标准化盒式过滤器如下所示:

[ K = 1 9 [ 1 1 1 1 1 1 1 1 1 ] ] [K = \frac{1}{9} \begin{bmatrix} 1 & 1 & 1 \\ 1 & 1 & 1 \\ 1 & 1 & 1 \end{bmatrix}] [K=91 111111111 ]

@note 如果您不想使用标准化盒式过滤器,请使用 cv.boxFilter()。将参数 normalize=False 传递给函数。

查看下面的示例演示,其中内核大小为 5x5:

import cv2 as cv
import numpy as np
from matplotlib import pyplot as pltimg = cv.imread('opencv-logo-white.png')blur = cv.blur(img,(5,5))plt.subplot(121),plt.imshow(img),plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122),plt.imshow(blur),plt.title('Blurred')
plt.xticks([]), plt.yticks([])
plt.show()

结果:
在这里插入图片描述

2. 高斯模糊

在此方法中,不使用盒式滤波器,而是使用高斯核。它通过函数 cv.GaussianBlur() 完成。我们应该指定核的宽度和高度,它们应该是正数和奇数。我们还应该分别指定 X 和 Y 方向的标准偏差 sigmaX 和 sigmaY。如果仅指定 sigmaX,则 sigmaY 与 sigmaX 相同。如果两者都为零,则根据核大小计算它们。高斯模糊在从图像中去除高斯噪声方面非常有效。

如果需要,您可以使用函数 cv.getGaussianKernel() 创建高斯核。

可以修改上述代码以进行高斯模糊:

blur = cv.GaussianBlur(img,(5,5),0)

结果:
在这里插入图片描述

3. 中值模糊

这里,函数 cv.medianBlur() 取核区域下所有像素的中值,并将中心元素替换为该中值。这对消除图像中的椒盐噪声非常有效。有趣的是,在上述过滤器中,中心元素是一个新计算的值,可能是图像中的像素值或新值。但在中值模糊中,中心元素总是被图像中的某个像素值替换。它有效地降低了噪声。其核大小应为正奇数。

在此演示中,我在原始图像中添加了 50% 的噪声并应用了中值模糊。检查结果:

median = cv.medianBlur(img,5)

结果:
在这里插入图片描述

4. 双边滤波

cv.bilateralFilter() 在去除噪声的同时保持边缘清晰,效果非常好。但与其他滤波器相比,该操作速度较慢。我们已经看到,高斯滤波器取像素周围的邻域并找到其高斯加权平均值。此高斯滤波器仅是空间函数,即在滤波时考虑邻近像素。它不考虑像素是否具有几乎相同的强度。它不考虑像素是否是边缘像素。因此,它还会模糊边缘,这是我们不想做的。

双边滤波也采用空间高斯滤波器,但多了一个高斯滤波器,它是像素差异的函数。空间高斯函数确保仅考虑邻近像素进行模糊,而强度差异高斯函数确保仅考虑与中心像素具有相似强度的像素进行模糊。因此它保留了边缘,因为边缘处的像素将具有较大的强度变化。

以下示例显示了双边滤波器的使用(有关参数的详细信息,请访问文档)。

blur = cv.bilateralFilter(img,9,75,75)

结果:
在这里插入图片描述

看,表面上的纹理消失了,但边缘仍然保留了下来。

其他资源

  • 有关 双边过滤 的详细信息

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/884198.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

大数据新视界 -- 大数据大厂之数据质量管理全景洞察:从荆棘挑战到辉煌策略与前沿曙光

💖💖💖亲爱的朋友们,热烈欢迎你们来到 青云交的博客!能与你们在此邂逅,我满心欢喜,深感无比荣幸。在这个瞬息万变的时代,我们每个人都在苦苦追寻一处能让心灵安然栖息的港湾。而 我的…

如何保护网站安全

1. 使用 Web 应用防火墙(WAF) 功能:WAF 可以实时检测和阻止 SQL 注入、跨站脚本(XSS)、文件包含等常见攻击。它通过分析 HTTP 流量来过滤恶意请求。 推荐:可以使用像 雷池社区版这样的 WAF,它提…

大模型中的token是什么;常见大语言模型的 token 情况

目录 大模型中的token是什么 常见大语言模型的 token 情况 大模型中的token是什么 定义 在大模型中,token 是文本处理的基本单位。它可以是一个字、一个词,或者是其他被模型定义的语言单元。简单来说,模型在理解和生成文本时,不是以完整的句子或段落为单位进行一次性处理…

redis安装使用

1. 下载地址 下载最新稳定版本的 redis-windows 7.x 版本(本实例以 7.2.3 为例) # 下载地址 https://download.csdn.net/download/qq827245563/89923840 2. 解压文件 3. 下载可视化工具 # 下载地址 https://download.csdn.net/download/qq827245563/89940627 4. 启动运行 …

ELK + Spring Boot:日志分析入门与实践(一)

目录 一、安装ELK 1.1 版本选择 1.2 linux环境安装 1.3 ES配置启动 1.4 Kibana配置启动 1.5 Logstash配置启动 二、项目调整 2.1 pom依赖调整 2.2 yml配置文件调整 2.3 logback-spring配置 三、日志查询分析 3.1 创建索引模式 3.2 查询日志数据 一、安装ELK 1.1 …

SQL中`ORDER BY`、`SORT BY`、`DISTRIBUTE BY`、`GROUP BY`、`CLUSTER BY`的区别详解

SQL中ORDER BY、SORT BY、DISTRIBUTE BY、GROUP BY、CLUSTER BY的区别详解 在MySQL以及大数据处理工具如Hive中,ORDER BY、SORT BY、DISTRIBUTE BY、GROUP BY、CLUSTER BY这些关键字都与数据的排序和分组操作密切相关,但它们各自有着不同的功能和适用场…

elasticsearch 8.x 插件安装(六)之Hanlp插件

elasticsearch 8.x 插件安装(六)之Hanlp插件 elasticsearch插件安装合集 elasticsearch插件安装(一)之ik分词器安装(含MySQL更新) elasticsearch 8.x插件(二)之同义词安装如何解决…

测试Bug提交报告模板

撰写测试Bug提交说明时,清晰、详细和准确是至关重要的。这有助于开发团队快速理解问题、重现Bug并修复它。以下是一个测试Bug提交说明的模板,可以根据实际情况进行调整: 测试Bug提交说明 1. Bug基本信息 Bug编号:[系统自动生成…

C++ --- 指针的使用(如何理解指针?指针的细节你又了解多少?)

目录 一.什么是指针? 1. 为什么要写成int* p? 2. & 这个是什么? 二.指针的细节: 1.一级指针(p,*p,&p的区别): 2.二级指针(pp,*pp,**pp,&p的区别): …

Spring 设计模式之适配器模式

Spring 设计模式之适配器模式 适配器模式用到的场景java举例 适配器模式 适配器模式(Adapter Pattern)是一种结构型设计模式,它允许接口不兼容的类一起工作。 其核心思想是通过一个适配器类将不兼容的接口转换成客户端期望的另一个接口&…

vi —— 终端中的编辑器

目标 vi 简介打开和新建文件三种工作模式常用命令分屏命令常用命令速查图 01. vi 简介 1.1 学习 vi 的目的 在工作中,要对 服务器 上的文件进行 简单 的修改,可以使用 ssh 远程登录到服务器上,并且使用 vi 进行快速的编辑即可常见需要修改…

stm32cubeIde 使用笔记

划分flash空间 需要更改STM32xxx_FLASH.ld文件 输出其他格式文件

图片批量处理神器将每个文件夹中的多张图片拼接,一键实现横向和纵向的长图拼接效果,让你的图片处理更高效

是不是经常面对一堆图片文件夹,想要把它们里面的宝贝图片一一拼接起来,却又被繁琐的操作吓得直摇头?别担心,今天我要给大家介绍一位图片处理界的超级英雄——首助编辑高手软件!它就像是一位拥有魔法的图片大师&#xf…

【JVM详解JVM优化】聊聊JVM优化

简介: 前面两期文章讲了JVM内存模型:【JVM详解&JVM优化】JVM内存模型-CSDN博客 以及JVM垃圾回收机制:【JVM详解&JVM优化】JVM垃圾回收机制-CSDN博客 在本篇文章中,我们将深入探讨Java虚拟机(JVM)…

通俗易懂的餐厅例子来讲解JVM

餐厅版本 JVM(Java虚拟机)可以想象成一个虚拟的计算机,它能够运行Java程序。为了让你更容易理解,我们可以用一个餐厅的比喻来解释JVM: 菜单(Java源代码): 想象一下,Java…

一文搞懂各种Attention机制

1.各种Attention 最近在重读Transformer论文的过程中,结合其他看过的资料,对各种Attention概念有进一步的了解。回顾最初刚接触时候的迷糊,觉得有必要写一篇文章记录一下对各种attention新的理解。 2.论文中的Transformer架构图 先上经典的…

Scala 的trait

在Scala中,trait是一种特殊概念。trait可以作为接口,同时也可以定义抽象方法。类使用extends继承trait,在Scala中,无论继承类还是继承trait都用extends关键字。在Scala中, 类继承trait后必须实现其中的抽象方法&#x…

Zipkin使用指南分布式追踪核心概念与架构详解

1. 简介 什么是Zipkin Zipkin是一个分布式追踪系统,主要用于监控和分析微服务架构中的调用链路。它帮助开发者和运维团队深入理解服务调用路径,从而识别性能瓶颈、异常或故障点。Zipkin最初是由Twitter开源的,当前已成为微服务追踪的流行解…

Python+Appium+Pytest+Allure自动化测试框架-代码篇

文章目录 自动化测试框架工程目录示例测试代码示例结果查看allurepytest编写pytest测试样例的规则pytest conftest.py向测试函数传参 appium启动appium服务代码端通过端口与appium服务通信对设备进行操作在pytest测试用例中调用appium 更多功能 PythonAppiumPytestAllure自动化…

【C++】红黑树的Iterator改造以及mapset的模拟实现与封装

目录 01.红黑树的迭代器 operator: operator*、-> operator、! 02.红黑树的改造 begin和end方法 keyOfValue insert方法 find方法 size方法 clear方法 03.map&set的模拟实现 01.红黑树的迭代器 前面的博客我们介绍了红黑树的底层原理并手撕了一个自己的红…