python濾波核函數(shù) python濾波器信號(hào)處理

OpenCV-Python系列六：圖像濾波

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(wú)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。

茶陵網(wǎng)站制作公司哪家好，找創(chuàng)新互聯(lián)建站！從網(wǎng)頁(yè)設(shè)計(jì)、網(wǎng)站建設(shè)、微信開發(fā)、APP開發(fā)、響應(yīng)式網(wǎng)站建設(shè)等網(wǎng)站項(xiàng)目制作，到程序開發(fā)，運(yùn)營(yíng)維護(hù)。創(chuàng)新互聯(lián)建站從2013年開始到現(xiàn)在10年的時(shí)間，我們擁有了豐富的建站經(jīng)驗(yàn)和運(yùn)維經(jīng)驗(yàn)，來保證我們的工作的順利進(jìn)行。專注于網(wǎng)站建設(shè)就選創(chuàng)新互聯(lián)建站。

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(chǎng)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。

如何用python實(shí)現(xiàn)圖像的一維高斯濾波器

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‘)

2021-02-08 Python OpenCV GaussianBlur()函數(shù)

borderType= None)函數(shù)

此函數(shù)利用高斯濾波器平滑一張圖像。該函數(shù)將源圖像與指定的高斯核進(jìn)行卷積。

src:輸入圖像

ksize:(核的寬度,核的高度)，輸入高斯核的尺寸，核的寬高都必須是正奇數(shù)。否則，將會(huì)從參數(shù)sigma中計(jì)算得到。

dst:輸出圖像，尺寸與輸入圖像一致。

sigmaX:高斯核在X方向上的標(biāo)準(zhǔn)差。

sigmaY:高斯核在Y方向上的標(biāo)準(zhǔn)差。默認(rèn)為None，如果sigmaY=0，則它將被設(shè)置為與sigmaX相等的值。如果這兩者都為0,則它們的值會(huì)從ksize中計(jì)算得到。計(jì)算公式為：

borderType:像素外推法，默認(rèn)為None（參考官方文檔 BorderTypes

)

在圖像處理中，高斯濾波主要有兩種方式：

1.窗口滑動(dòng)卷積

2.傅里葉變換

在此主要利用窗口滑動(dòng)卷積。其中二維高斯函數(shù)公式為：

根據(jù)上述公式，生成一個(gè)3x3的高斯核，其中最重要的參數(shù)就是標(biāo)準(zhǔn)差 ，標(biāo)準(zhǔn)差 越大，核中心的值與周圍的值差距越小，曲線越平滑。標(biāo)準(zhǔn)差 越小，核中心的值與周圍的值差距越大，曲線越陡峭。

從圖像的角度來說，高斯核的標(biāo)準(zhǔn)差 越大，平滑效果越不明顯。高斯核的標(biāo)準(zhǔn)差 越小，平滑效果越明顯。

可見，標(biāo)準(zhǔn)差 越大，圖像平滑程度越大

參考博客1:關(guān)于GaussianBlur函數(shù)

參考博客2:關(guān)于高斯核運(yùn)算

文章標(biāo)題：python濾波核函數(shù) python濾波器信號(hào)處理
URL地址：http://www.muchs.cn/article44/dogipee.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站內(nèi)鏈、營(yíng)銷型網(wǎng)站建設(shè)、品牌網(wǎng)站建設(shè)、網(wǎng)站導(dǎo)航、小程序開發(fā)、ChatGPT

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來源： 創(chuàng)新互聯(lián)