如何用python實(shí)現(xiàn)圖像的一維高斯濾波
創(chuàng)新互聯(lián)公司-專業(yè)網(wǎng)站定制、快速模板網(wǎng)站建設(shè)、高性價(jià)比疏附網(wǎng)站開發(fā)、企業(yè)建站全套包干低至880元,成熟完善的模板庫,直接使用。一站式疏附網(wǎng)站制作公司更省心,省錢,快速模板網(wǎng)站建設(shè)找我們，業(yè)務(wù)覆蓋疏附地區(qū)。費(fèi)用合理售后完善，10年實(shí)體公司更值得信賴。
建議你不要使用高斯濾波。
推薦你使用一維中值濾波
matlab的函數(shù)為
y = medfilt1(x,n);
x為數(shù)組，是你要處理原始波形，n是中值濾波器的參數(shù)（大于零的整數(shù)）。y是濾波以后的結(jié)果（是數(shù)組）
后面再
plot(y);
就能看到濾波以后的結(jié)果
經(jīng)過medfilt1過濾以后，y里儲(chǔ)存的是低頻的波形，如果你需要高頻波形，x-y就是高頻波形
順便再說一點(diǎn)，n是偶數(shù)的話，濾波效果比較好。
N越小，y里包含的高頻成分就越多，y越大，y里包含的高頻成分就越少。
記住，無論如何y里保存的都是整體的低頻波。（如果你看不懂的話，濾一下，看y波形，你馬上就懂了）
如何用python實(shí)現(xiàn)圖像的一維高斯濾波器
現(xiàn)在把卷積模板中的值換一下，不是全1了，換成一組符合高斯分布的數(shù)值放在模板里面，比如這時(shí)中間的數(shù)值最大，往兩邊走越來越小，構(gòu)造一個(gè)小的高斯包。實(shí)現(xiàn)的函數(shù)為cv2.GaussianBlur()。對(duì)于高斯模板，我們需要制定的是高斯核的高和寬（奇數(shù)），沿x與y方向的標(biāo)準(zhǔn)差(如果只給x，y=x，如果都給0，那么函數(shù)會(huì)自己計(jì)算)。高斯核可以有效的出去圖像的高斯噪聲。當(dāng)然也可以自己構(gòu)造高斯核，相關(guān)函數(shù)：cv2.GaussianKernel().
import cv2
import numpy as np
import matplotlib.pyplot as plt
img = cv2.imread(‘flower.jpg‘,0) #直接讀為灰度圖像
for i in range(2000): #添加點(diǎn)噪聲
temp_x = np.random.randint(0,img.shape[0])
temp_y = np.random.randint(0,img.shape[1])
img[temp_x][temp_y] = 255
blur = cv2.GaussianBlur(img,(5,5),0)
plt.subplot(1,2,1),plt.imshow(img,‘gray‘)#默認(rèn)彩色，另一種彩色bgr
plt.subplot(1,2,2),plt.imshow(blur,‘gray‘)
學(xué)習(xí)目標(biāo)：
OpenCV 中有 150 多種色彩空間轉(zhuǎn)化的方法，這里只討論兩種：
HSV的色相范圍為[0,179]，飽和度范圍為[0,255]，值范圍為[0,255]。不同的軟件使用不同的規(guī)模。如果要比較 OpenCV 值和它們，你需要標(biāo)準(zhǔn)化這些范圍。
HSV 和 HLV 解釋
運(yùn)行結(jié)果：該段程序的作用是檢測(cè)藍(lán)色目標(biāo)，同理可以檢測(cè)其他顏色的目標(biāo)
結(jié)果中存在一定的噪音，之后的章節(jié)將會(huì)去掉它
這是物體跟蹤中最簡(jiǎn)單的方法。一旦你學(xué)會(huì)了等高線的函數(shù)，你可以做很多事情，比如找到這個(gè)物體的質(zhì)心，用它來跟蹤這個(gè)物體，僅僅通過在相機(jī)前移動(dòng)你的手來畫圖表，還有很多其他有趣的事情。
菜鳥教程 在線 HSV- BGR 轉(zhuǎn)換
比如要找出綠色的 HSV 值，可以使用上面的程序，得到的值取一個(gè)上下界。如上面的取下界 [H-10, 100, 100]，上界 [H+10, 255, 255]
或者使用其他工具如 GIMP
學(xué)習(xí)目標(biāo)：
對(duì)圖像進(jìn)行閾值處理，算是一種最簡(jiǎn)單的圖像分割方法，基于圖像與背景之間的灰度差異，此項(xiàng)分割是基于像素級(jí)的分割
threshold(src, thresh, maxval, type[, dst]) - retval, dst
計(jì)算圖像小區(qū)域的閾值。所以我們對(duì)同一幅圖像的不同區(qū)域得到不同的閾值，這給我們?cè)诓煌庹障碌膱D像提供了更好的結(jié)果。
三個(gè)特殊的輸入?yún)?shù)和一個(gè)輸出參數(shù)
adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst]) - dst
opencv-threshold-python
OpenCV 圖片集
本節(jié)原文
學(xué)習(xí)目標(biāo)：
OpenCV 提供兩種變換函數(shù)： cv2.warpAffine 和 cv2.warpPerspective
cv2.resize() 完成縮放
文檔說明
運(yùn)行結(jié)果
說明 : cv2.INTER_LINEAR 方法比 cv2.INTER_CUBIC 還慢，好像與官方文檔說的不一致？ 有待驗(yàn)證。
速度比較： INTER_CUBIC INTER_NEAREST INTER_LINEAR INTER_AREA INTER_LANCZOS4
改變圖像的位置，創(chuàng)建一個(gè) np.float32 類型的變換矩陣，
warpAffine(src, M, dsize[, dst[, flags[, borderMode[, borderValue]]]]) - dst
運(yùn)行結(jié)果：
旋轉(zhuǎn)角度（ ）是通過一個(gè)變換矩陣變換的：
OpenCV 提供的是可調(diào)旋轉(zhuǎn)中心的縮放旋轉(zhuǎn)，這樣你可以在任何你喜歡的位置旋轉(zhuǎn)。修正后的變換矩陣為
這里
OpenCV 提供了 cv2.getRotationMatrix2D 控制
cv2.getRotationMatrix2D(center, angle, scale) → retval
運(yùn)行結(jié)果
cv2.getAffineTransform(src, dst) → retval
函數(shù)關(guān)系：
\begin{bmatrix} x'_i \ y'_i \end{bmatrix}\begin{bmatrix} x'_i \ y'_i \end{bmatrix} =
其中
運(yùn)行結(jié)果：圖上的點(diǎn)便于觀察，兩圖中的紅點(diǎn)是相互對(duì)應(yīng)的
透視變換需要一個(gè) 3x3 變換矩陣。轉(zhuǎn)換之后直線仍然保持筆直，要找到這個(gè)變換矩陣，需要輸入圖像上的 4 個(gè)點(diǎn)和輸出圖像上的對(duì)應(yīng)點(diǎn)。在這 4 個(gè)點(diǎn)中，有 3 個(gè)不應(yīng)該共線。通過 cv2.getPerspectiveTransform 計(jì)算得到變換矩陣，得到的矩陣 cv2.warpPerspective 變換得到最終結(jié)果。
本節(jié)原文
平滑處理（smoothing）也稱模糊處理（bluring）,是一種簡(jiǎn)單且使用頻率很高的圖像處理方法。平滑處理的用途：常見是用來 減少圖像上的噪點(diǎn)或失真 。在涉及到降低圖像分辨率時(shí)，平滑處理是很好用的方法。
圖像濾波：盡量保留圖像細(xì)節(jié)特征的條件下對(duì)目標(biāo)圖像的噪聲進(jìn)行抑制，其處理效果的好壞將直接影響到后續(xù)圖像處理和分析的有效性和可靠性。
消除圖像中的噪聲成分叫做圖像的平滑化或?yàn)V波操作。信號(hào)或圖像的能量大部分集中在幅度譜的低頻和中頻段，在高頻段，有用的信息會(huì)被噪聲淹沒。因此一個(gè)能降低高頻成分幅度的濾波器就能夠減弱噪聲的影響。
濾波的目的：抽出對(duì)象的特征作為圖像識(shí)別的特征模式；為適應(yīng)圖像處理的要求，消除圖像數(shù)字化時(shí)混入的噪聲。
濾波處理的要求：不能損壞圖像的輪廓及邊緣等重要信息；圖像清晰視覺效果好。
平滑濾波是低頻增強(qiáng)的空間濾波技術(shù)，目的：模糊和消除噪音。
空間域的平滑濾波一般采用簡(jiǎn)單平均法，即求鄰近像元點(diǎn)的平均亮度值。鄰域的大小與平滑的效果直接相關(guān)，鄰域越大平滑效果越好，但是鄰域過大，平滑也會(huì)使邊緣信息的損失的越大，從而使輸出圖像變得模糊。因此需要選擇合適的鄰域。
濾波器：一個(gè)包含加權(quán)系數(shù)的窗口，利用濾波器平滑處理圖像時(shí)，把這個(gè)窗口放在圖像上，透過這個(gè)窗口來看我們得到的圖像。
線性濾波器：用于剔除輸入信號(hào)中不想要的頻率或者從許多頻率中選擇一個(gè)想要的頻率。
低通濾波器、高通濾波器、帶通濾波器、帶阻濾波器、全通濾波器、陷波濾波器
boxFilter(src, ddepth, ksize[, dst[, anchor[, normalize[, borderType]]]]) - dst
均值濾波是方框?yàn)V波歸一化后的特殊情況。歸一化就是要把處理的量縮放到一個(gè)范圍內(nèi)如 (0,1)，以便統(tǒng)一處理和直觀量化。非歸一化的方框?yàn)V波用于計(jì)算每個(gè)像素鄰近內(nèi)的積分特性，比如密集光流算法中用到的圖像倒數(shù)的協(xié)方差矩陣。
運(yùn)行結(jié)果：
均值濾波是典型的線性濾波算法，主要方法為鄰域平均法，即用一片圖像區(qū)域的各個(gè)像素的均值來代替原圖像中的各個(gè)像素值。一般需要在圖像上對(duì)目標(biāo)像素給出一個(gè)模板（內(nèi)核），該模板包括了其周圍的臨近像素（比如以目標(biāo)像素為中心的周圍8（3x3-1）個(gè)像素，構(gòu)成一個(gè)濾波模板，即 去掉目標(biāo)像素本身 ）。再用模板中的全體像素的平均值來代替原來像素值。即對(duì)待處理的當(dāng)前像素點(diǎn)（x，y），選擇一個(gè)模板，該模板由其近鄰的若干像素組成，求模板中所有像素的均值，再把該均值賦予當(dāng)前像素點(diǎn)（x，y），作為處理后圖像在該點(diǎn)上的灰度個(gè)g（x，y），即個(gè)g（x，y）=1/m ∑f（x，y） ，其中m為該模板中包含當(dāng)前像素在內(nèi)的像素總個(gè)數(shù)。
均值濾波本身存在著固有的缺陷，即它不能很好地保護(hù)圖像細(xì)節(jié)，在圖像去噪的同時(shí)也破壞了圖像的細(xì)節(jié)部分，從而使圖像變得模糊，不能很好地去除噪聲點(diǎn)。
cv2.blur(src, ksize[, dst[, anchor[, borderType]]]) → dst
結(jié)果：
高斯濾波：線性濾波，可以消除高斯噪聲，廣泛應(yīng)用于圖像處理的減噪過程。高斯濾波就是對(duì)整幅圖像進(jìn)行加權(quán)平均的過程，每一個(gè)像素點(diǎn)的值，都由其本身和鄰域內(nèi)的其他像素值經(jīng)過 加權(quán)平均 后得到。高斯濾波的具體操作是：用一個(gè)模板（或稱卷積、掩模）掃描圖像中的每一個(gè)像素，用模板確定的鄰域內(nèi)像素的加權(quán)平均灰度值去替代模板中心像素點(diǎn)的值。
高斯濾波有用但是效率不高。
高斯模糊技術(shù)生成的圖像，其視覺效果就像是經(jīng)過一個(gè)半透明屏幕在觀察圖像，這與鏡頭焦外成像效果散景以及普通照明陰影中的效果都明顯不同。高斯平滑也用于計(jì)算機(jī)視覺算法中的預(yù)先處理階段，以增強(qiáng)圖像在不同比例大小下的圖像效果（參見尺度空間表示以及尺度空間實(shí)現(xiàn)）。從數(shù)學(xué)的角度來看，圖像的高斯模糊過程就是圖像與正態(tài)分布做卷積。由于正態(tài)分布又叫作高斯分布，所以這項(xiàng)技術(shù)就叫作高斯模糊。
高斯濾波器是一類根據(jù)高斯函數(shù)的形狀來選擇權(quán)值的線性平滑濾波器。 高斯平滑濾波器對(duì)于抑制服從正態(tài)分布的噪聲非常有效。
一維零均值高斯函數(shù)為: 高斯分布參數(shù) 決定了高斯函數(shù)的寬度。
高斯噪聲的產(chǎn)生
GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]]) - dst
線性濾波容易構(gòu)造，并且易于從頻率響應(yīng)的角度來進(jìn)行分析。
許多情況，使用近鄰像素的非線性濾波會(huì)得到更好的結(jié)果。比如在噪聲是散粒噪聲而不是高斯噪聲，即圖像偶爾會(huì)出現(xiàn)很大值的時(shí)候，用高斯濾波器進(jìn)行圖像模糊時(shí)，噪聲像素不會(huì)被消除，而是轉(zhuǎn)化為更為柔和但仍然可見的散粒。
中值濾波（Median filter）是一種典型的非線性濾波技術(shù)，基本思想是用像素點(diǎn)鄰域灰度值的中值來代替該像素點(diǎn)的灰度值，該方法在去除脈沖噪聲、椒鹽噪聲『椒鹽噪聲又稱脈沖噪聲，它隨機(jī)改變一些像素值，是由圖像傳感器，傳輸信道，解碼處理等產(chǎn)生的黑白相間的亮暗點(diǎn)噪聲。椒鹽噪聲往往由圖像切割引起?！坏耐瑫r(shí)又能保留圖像邊緣細(xì)節(jié)，
中值濾波是基于排序統(tǒng)計(jì)理論的一種能有效抑制噪聲的非線性信號(hào)處理技術(shù)，其基本原理是把數(shù)字圖像或數(shù)字序列中一點(diǎn)的值用該點(diǎn)的一個(gè)鄰域中各點(diǎn)值的中值代替，讓周圍的像素值接近的真實(shí)值，從而消除孤立的噪聲點(diǎn)，對(duì)于 斑點(diǎn)噪聲（speckle noise）和椒鹽噪聲（salt-and-pepper noise） 來說尤其有用，因?yàn)樗灰蕾囉卩徲騼?nèi)那些與典型值差別很大的值。中值濾波器在處理連續(xù)圖像窗函數(shù)時(shí)與線性濾波器的工作方式類似，但濾波過程卻不再是加權(quán)運(yùn)算。
中值濾波在一定的條件下可以克服常見線性濾波器如最小均方濾波、方框?yàn)V波器、均值濾波等帶來的圖像細(xì)節(jié)模糊，而且對(duì)濾除脈沖干擾及圖像掃描噪聲非常有效，也常用于保護(hù)邊緣信息, 保存邊緣的特性使它在不希望出現(xiàn)邊緣模糊的場(chǎng)合也很有用，是非常經(jīng)典的平滑噪聲處理方法。
與均值濾波比較：
說明：中值濾波在一定條件下，可以克服線性濾波器（如均值濾波等）所帶來的圖像細(xì)節(jié)模糊，而且對(duì)濾除脈沖干擾即圖像掃描噪聲最為有效。在實(shí)際運(yùn)算過程中并不需要圖像的統(tǒng)計(jì)特性，也給計(jì)算帶來不少方便。 但是對(duì)一些細(xì)節(jié)多，特別是線、尖頂?shù)燃?xì)節(jié)多的圖像不宜采用中值濾波。
雙邊濾波（Bilateral filter）是一種非線性的濾波方法，是結(jié)合 圖像的空間鄰近度和像素值相似度 的一種折衷處理，同時(shí)考慮空域信息和灰度相似性，達(dá)到保邊去噪的目的。具有簡(jiǎn)單、非迭代、局部的特點(diǎn)。
雙邊濾波器的好處是可以做邊緣保存（edge preserving），一般過去用的維納濾波或者高斯濾波去降噪，都會(huì)較明顯地模糊邊緣，對(duì)于高頻細(xì)節(jié)的保護(hù)效果并不明顯。雙邊濾波器顧名思義比高斯濾波多了一個(gè)高斯方差 sigma－d ，它是基于空間分布的高斯濾波函數(shù)，所以在邊緣附近，離的較遠(yuǎn)的像素不會(huì)太多影響到邊緣上的像素值，這樣就保證了邊緣附近像素值的保存。 但是由于保存了過多的高頻信息，對(duì)于彩色圖像里的高頻噪聲，雙邊濾波器不能夠干凈的濾掉，只能夠?qū)τ诘皖l信息進(jìn)行較好的濾波。
運(yùn)行結(jié)果
學(xué)習(xí)目標(biāo):
形態(tài)變換是基于圖像形狀的一些簡(jiǎn)單操作。它通常在二進(jìn)制圖像上執(zhí)行。
膨脹與腐蝕實(shí)現(xiàn)的功能
侵蝕的基本思想就像土壤侵蝕一樣，它會(huì)侵蝕前景物體的邊界（總是試圖保持前景為白色）。那它是做什么的？?jī)?nèi)核在圖像中滑動(dòng)（如在2D卷積中）。只有當(dāng)內(nèi)核下的所有像素都是 1 時(shí)，原始圖像中的像素（ 1 或 0 ）才會(huì)被視為 1 ，否則它將被侵蝕（變?yōu)榱悖?/p>
erode(src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]]) - dst
與腐蝕的操作相反。如果內(nèi)核下的至少一個(gè)像素為“1”，則像素元素為“1”。因此它增加了圖像中的白色區(qū)域或前景對(duì)象的大小增加。通常，在去除噪音的情況下，侵蝕之后是擴(kuò)張。因?yàn)?，侵蝕會(huì)消除白噪聲，但它也會(huì)縮小我們的物體。所以我們擴(kuò)大它。由于噪音消失了，它們不會(huì)再回來，但我們的物體區(qū)域會(huì)增加。它也可用于連接對(duì)象的破碎部分
重慶分公司
重慶分公司
