圖像濾波是一種十分常見的圖像處理手段。通常，你可以認(rèn)為相鄰位置像素是緊密聯(lián)系的，它們共同來顯示對(duì)某個(gè)物體，圖像濾波則通過運(yùn)算來排除圖像中和周圍相差大的像素。當(dāng)然，這并不是絕對(duì)的， 有時(shí)候你為了評(píng)估圖像的質(zhì)量，也會(huì)將這些“特立獨(dú)行”的像素作為選取的目標(biāo) 。無論你采用什么方法，記住你要的目標(biāo)就行，有時(shí)候你的目標(biāo)可能是別人的背景。
成都創(chuàng)新互聯(lián)從2013年開始，是專業(yè)互聯(lián)網(wǎng)技術(shù)服務(wù)公司，擁有項(xiàng)目成都網(wǎng)站制作、網(wǎng)站建設(shè)、外貿(mào)網(wǎng)站建設(shè)網(wǎng)站策劃，項(xiàng)目實(shí)施與項(xiàng)目整合能力。我們以讓每一個(gè)夢想脫穎而出為使命，1280元封丘做網(wǎng)站,已為上家服務(wù),為封丘各地企業(yè)和個(gè)人服務(wù),聯(lián)系電話:18980820575
濾波常常會(huì)使得圖像變得模糊(非絕對(duì))，那么，為什么你需要將一幅清晰的圖像變得模糊呢？下面的例子應(yīng)該可以解釋。
高斯濾波采用滿足正態(tài)分布的核模板，其參數(shù)的主要參數(shù)是標(biāo)準(zhǔn)差σ，代表核的離散程度，σ值越小，模板中心系數(shù)與邊緣系數(shù)差越大，平滑的程度越小。
高斯濾波對(duì)圖像采集過程中由于不良照明/高溫引起的傳感器噪聲信號(hào)有較好的效果，消除了圖像中的高頻信號(hào)。
由于得到的是一維的Gaussian Kernel，你可以采用下面的方式轉(zhuǎn)為二維的
為了便于直觀感受高斯濾波的效果，使用Canny算子來提取輪廓對(duì)比，你可以試試在特征提取前加高斯濾波對(duì)比。
補(bǔ)充說明：對(duì)于均值濾波，你也可以使用cv2.boxFilter(src, ddepth, ksize[, dst[, anchor[, normalize[, borderType]]]])來實(shí)現(xiàn)，需要將normalize設(shè)置為True,當(dāng)設(shè)置normalize為False時(shí)，實(shí)現(xiàn)的是將kernel內(nèi)像素相加，官方文檔做出的描述為：
中值濾波對(duì)圖像中的脈沖型(椒鹽等)噪聲信號(hào)處理效果好，當(dāng) 你的應(yīng)用場景存在這種顆粒感的噪聲信號(hào)時(shí)，中值濾波會(huì)是一種很好的選擇 。它，選取kernel區(qū)域內(nèi)像素點(diǎn)集的中值最為錨點(diǎn)的像素值，對(duì)類似投票機(jī)制中的最高分(高灰階點(diǎn))和最低分(過低灰階點(diǎn))影響有很好的抑制作用。
如果你的應(yīng)用涉及到圖像美化，雙邊濾波可以初步達(dá)到你的期望，關(guān)于雙邊濾波，這里不做展開，由你來探索，其函數(shù)參數(shù)信息如下。
對(duì)于opencv-python的圖像濾波部分有問題歡迎留言， Have Fun With OpenCV-Python, 下期見。
import CV2
import copy
import numpy as np
import random
使用的是pycharm
因?yàn)樽罱戳恕躲y翼殺手2049》，里面Joi實(shí)在是太好看了所以原圖像就用Joi了
要求是灰度圖像，所以第一步先把圖像轉(zhuǎn)化成灰度圖像
# 讀入原始圖像
img = CV2.imread('joi.jpg')
# 灰度化處理
gray = CV2.cvtColor(img, CV2.COLOR_BGR2GRAY)
CV2.imwrite('img.png', gray)
第一個(gè)任務(wù)是利用分段函數(shù)增強(qiáng)灰度對(duì)比，我自己隨便寫了個(gè)函數(shù)大致是這樣的
def chng(a):
if a 255/3:
b = a/2
elif a 255/3*2:
b = (a-255/3)*2 + 255/6
else:
b = (a-255/3*2)/2 + 255/6 +255/3*2
return b
rows = img.shape[0]
cols = img.shape[1]
cover = copy.deepcopy(gray)
for i in range(rows):
for j in range(cols):
cover[i][j] = chng(cover[i][j])
CV2.imwrite('cover.png', cover)
下一步是直方圖均衡化
# histogram equalization
def hist_equal(img, z_max=255):
H, W = img.shape
# S is the total of pixels
S = H * W * 1.
out = img.copy()
sum_h = 0.
for i in range(1, 255):
ind = np.where(img == i)
sum_h += len(img[ind])
z_prime = z_max / S * sum_h
out[ind] = z_prime
out = out.astype(np.uint8)
return out
covereq = hist_equal(cover)
CV2.imwrite('covereq.png', covereq)
在實(shí)現(xiàn)濾波之前先添加高斯噪聲和椒鹽噪聲（代碼來源于網(wǎng)絡(luò)）
不知道這個(gè)椒鹽噪聲的名字是誰起的感覺隔壁小孩都饞哭了
用到了random.gauss()
percentage是噪聲占比
def GaussianNoise(src,means,sigma,percetage):
NoiseImg=src
NoiseNum=int(percetage*src.shape[0]*src.shape[1])
for i in range(NoiseNum):
randX=random.randint(0,src.shape[0]-1)
randY=random.randint(0,src.shape[1]-1)
NoiseImg[randX, randY]=NoiseImg[randX,randY]+random.gauss(means,sigma)
if NoiseImg[randX, randY] 0:
NoiseImg[randX, randY]=0
elif NoiseImg[randX, randY]255:
NoiseImg[randX, randY]=255
return NoiseImg
def PepperandSalt(src,percetage):
NoiseImg=src
NoiseNum=int(percetage*src.shape[0]*src.shape[1])
for i in range(NoiseNum):
randX=random.randint(0,src.shape[0]-1)
randY=random.randint(0,src.shape[1]-1)
if random.randint(0,1)=0.5:
NoiseImg[randX,randY]=0
else:
NoiseImg[randX,randY]=255
return NoiseImg
covereqg = GaussianNoise(covereq, 2, 4, 0.8)
CV2.imwrite('covereqg.png', covereqg)
covereqps = PepperandSalt(covereq, 0.05)
CV2.imwrite('covereqps.png', covereqps)
下面開始均值濾波和中值濾波了
就以n x n為例，均值濾波就是用這n x n個(gè)像素點(diǎn)灰度值的平均值代替中心點(diǎn)，而中值就是中位數(shù)代替中心點(diǎn)，邊界點(diǎn)周圍補(bǔ)0；前兩個(gè)函數(shù)的作用是算出這個(gè)點(diǎn)的灰度值，后兩個(gè)是對(duì)整張圖片進(jìn)行
#均值濾波模板
def mean_filter(x, y, step, img):
sum_s = 0
for k in range(x-int(step/2), x+int(step/2)+1):
for m in range(y-int(step/2), y+int(step/2)+1):
if k-int(step/2) 0 or k+int(step/2)+1 img.shape[0]
or m-int(step/2) 0 or m+int(step/2)+1 img.shape[1]:
sum_s += 0
else:
sum_s += img[k][m] / (step*step)
return sum_s
#中值濾波模板
def median_filter(x, y, step, img):
sum_s=[]
for k in range(x-int(step/2), x+int(step/2)+1):
for m in range(y-int(step/2), y+int(step/2)+1):
if k-int(step/2) 0 or k+int(step/2)+1 img.shape[0]
or m-int(step/2) 0 or m+int(step/2)+1 img.shape[1]:
sum_s.append(0)
else:
sum_s.append(img[k][m])
sum_s.sort()
return sum_s[(int(step*step/2)+1)]
def median_filter_go(img, n):
img1 = copy.deepcopy(img)
for i in range(img.shape[0]):
for j in range(img.shape[1]):
img1[i][j] = median_filter(i, j, n, img)
return img1
def mean_filter_go(img, n):
img1 = copy.deepcopy(img)
for i in range(img.shape[0]):
for j in range(img.shape[1]):
img1[i][j] = mean_filter(i, j, n, img)
return img1
完整main代碼如下：
if __name__ == "__main__":
# 讀入原始圖像
img = CV2.imread('joi.jpg')
# 灰度化處理
gray = CV2.cvtColor(img, CV2.COLOR_BGR2GRAY)
CV2.imwrite('img.png', gray)
rows = img.shape[0]
cols = img.shape[1]
cover = copy.deepcopy(gray)
for i in range(rows):
for j in range(cols):
cover[i][j] = chng(cover[i][j])
CV2.imwrite('cover.png', cover)
covereq = hist_equal(cover)
CV2.imwrite('covereq.png', covereq)
covereqg = GaussianNoise(covereq, 2, 4, 0.8)
CV2.imwrite('covereqg.png', covereqg)
covereqps = PepperandSalt(covereq, 0.05)
CV2.imwrite('covereqps.png', covereqps)
meanimg3 = mean_filter_go(covereqps, 3)
CV2.imwrite('medimg3.png', meanimg3)
meanimg5 = mean_filter_go(covereqps, 5)
CV2.imwrite('meanimg5.png', meanimg5)
meanimg7 = mean_filter_go(covereqps, 7)
CV2.imwrite('meanimg7.png', meanimg7)
medimg3 = median_filter_go(covereqg, 3)
CV2.imwrite('medimg3.png', medimg3)
medimg5 = median_filter_go(covereqg, 5)
CV2.imwrite('medimg5.png', medimg5)
medimg7 = median_filter_go(covereqg, 7)
CV2.imwrite('medimg7.png', medimg7)
medimg4 = median_filter_go(covereqps, 7)
CV2.imwrite('medimg4.png', medimg4)
??均值濾波是指用當(dāng)前像素點(diǎn)周圍N·N個(gè)像素值的均值來代替當(dāng)前像素值。使用該方法遍歷處理圖像內(nèi)的每一個(gè)像素點(diǎn)，即可完成整幅圖像的均值濾波。
例如，希望對(duì)圖7-7中位于第5行第5列的像素點(diǎn)進(jìn)行均值濾波。
根據(jù)上述運(yùn)算，針對(duì)每一個(gè)像素點(diǎn)，都是與一個(gè)內(nèi)部值均為1/25的5×5矩陣相乘，得到均值濾波的計(jì)算結(jié)果，如圖7-11所示。
將使用的5×5矩陣一般化，可以得到如圖7-12所示的結(jié)果。
式中，M和N分別對(duì)應(yīng)高度和寬度。一般情況下，M和N是相等的，例如比較常用的3×3、5×5、7×7等。如果M和N的值越大，參與運(yùn)算的像素點(diǎn)數(shù)量就越多，圖像失真越嚴(yán)重。
在OpenCV中，實(shí)現(xiàn)均值濾波的函數(shù)是cv2.blur()，其語法格式為：
式中：
通常情況下，使用均值濾波函數(shù)時(shí)，對(duì)于錨點(diǎn)anchor和邊界樣式borderType，直接采用其默認(rèn)值即可。
【例7.2】針對(duì)噪聲圖像，使用不同大小的卷積核對(duì)其進(jìn)行均值濾波，并顯示均值濾波的情況。
??從圖中可以看出，使用5×5的卷積核進(jìn)行濾波處理時(shí)，圖像的失真不明顯；而使用30×30的卷積核進(jìn)行濾波處理時(shí)，圖像的失真情況較明顯。
??卷積核越大，參與到均值運(yùn)算中的像素就會(huì)越多，即當(dāng)前點(diǎn)計(jì)算的是更多點(diǎn)的像素值的平均值。因此，卷積核越大，去噪效果越好，當(dāng)然花費(fèi)的計(jì)算時(shí)間也會(huì)越長，同時(shí)讓圖像失真越嚴(yán)重。在實(shí)際處理中，要在失真和去噪效果之間取得平衡，選取合適大小的卷積核。
一. 中值濾波：
中值濾波器是一種可以使圖像平滑的濾波器。它使用濾波器范圍內(nèi)的像素的中值去代表該范圍內(nèi)所有的像素。中值濾波是消除圖像噪聲最常見的手段之一，特別是消除椒鹽噪聲，中值濾波的效果要比均值濾波更好。
二. python實(shí)現(xiàn)中值濾波和均值濾波，并用兩種濾波器對(duì)受到椒鹽噪聲污染的圖像進(jìn)行去噪
import cv2
import numpy as np
# Median filter
def median_filter(img, K_size=3):
H, W, C = img.shape
## Zero padding
pad = K_size // 2
out = np.zeros((H + pad*2, W + pad*2, C), dtype=np.float)
out[pad:pad+H, pad:pad+W] = img.copy().astype(np.float)
tmp = out.copy()
# filtering
for y in range(H):
? ? for x in range(W):
? ? ? ? for c in range(C):
? ? ? ? ? ? out[pad+y, pad+x, c] = np.median(tmp[y:y+K_size, x:x+K_size, c])
out = out[pad:pad+H, pad:pad+W].astype(np.uint8)
return out
# Average filter
def average_filter(img, G=3):
out = img.copy()
H, W, C = img.shape
Nh = int(H / G)
Nw = int(W / G)
for y in range(Nh):
? ? for x in range(Nw):
? ? ? ? for c in range(C):
? ? ? ? ? ? out[G*y:G*(y+1), G*x:G*(x+1), c] = np.mean(out[G*y:G*(y+1), G*x:G*(x+1), c]).astype(np.int)
return out
# Read image
img = cv2.imread("../paojie_sp.jpg")
# Median Filter and Average Filter
out1 = median_filter(img, K_size=3)
out2 = average_filter(img,G=3)
# Save result
cv2.imwrite("out1.jpg", out1)
cv2.imwrite("out2.jpg", out2)
cv2.waitKey(0)
cv2.destroyAllWindows()
三. 實(shí)驗(yàn)結(jié)果
可以明顯看出，對(duì)于受到椒鹽噪聲污染的圖像，中值濾波往往比均值濾波的去噪效果要好！
四. 參考內(nèi)容：
???
利用Python scipy.signal.filtfilt() 實(shí)現(xiàn)信號(hào)濾波
Required input defintions are as follows;
time: Time between samples
band: The bandwidth around the centerline freqency that you wish to filter
freq: The centerline frequency to be filtered
ripple: The maximum passband ripple that is allowed in db
order: The filter order. For FIR notch filters this is best set to 2 or 3, IIR filters are best suited for high values of order. This algorithm is hard coded to FIR filters
filter_type: 'butter', 'bessel', 'cheby1', 'cheby2', 'ellip'
data: the data to be filtered
用python設(shè)計(jì)FIR陷波濾波器
重慶分公司
重慶分公司
