Python呼叫OpenCV實現影象平滑程式碼例項
主要講解Python呼叫OpenCV實現影象平滑,包括四個演算法:均值濾波、方框濾波、高斯濾波和中值濾波.
給影象增加噪聲:
import cv2 import numpy as np def test10(): img = cv2.imread("result.jpg",cv2.IMREAD_UNCHANGED) rows,cols,chn = img.shape # 加噪聲 for i in range(5000): x = np.random.randint(0,rows) y = np.random.randint(0,cols) img[x,y,:] = 255 cv2.imshow("demo",img) if cv2.waitKey(0) == 27: cv2.destroyWindow("demo") test10()
效果如下:
均值濾波: 均值濾波是指任意一點的畫素值,都是周圍N*M個畫素值的均值,result = cv2.blur(影象,核大小),其中核大小是以(寬度,高度)表示的元組形式,常見的形式包括: (3,3)和(5,5)
程式碼如下:
import matplotlib.pyplot as plt import cv2 def test11(): img = cv2.imread("result.jpg") source = cv2.cvtColor(img,cv2.COLOR_BGR2BGRA) # 均值濾波 result = cv2.blur(source,(5,5)) # 顯示影象 title = ["demo1","demo2"] imgs = [source,result] for i in range(2): plt.subplot(1,2,i+1) plt.imshow(imgs[i],"gray") plt.title(title[i]) plt.xticks([]) plt.yticks([]) plt.show() test11()
效果如下:
將核值調大會讓影象變模糊,例如設定為(20,20),效果如下:如果設定為(1,1)處理的結果就是原圖,核中每個權重值相同,稱為均值。
方框濾波
方框濾波和均值濾波核基本一致,區別是需不需要均一化處理。OpenCV呼叫boxFilter()函式實現方框濾波。函式如下:
result = cv2.boxFilter(原始影象,目標影象深度,核大小,normalize屬性) 其中,目標影象深度是int型別,通常用“-1”表示與原始影象一致;核大小主要包括(3,3)和(5,5);normalize屬性表示是否對目標影象進行歸一化處理。當normalize為true時需要執行均值化處理,當normalize為false時,不進行均值化處理,實際上為求周圍各畫素的和,很容易發生溢位,溢位時均為白色,對應畫素值為255。
程式碼如下:
import cv2 import matplotlib.pyplot as plt def test12(): img = cv2.imread("result.jpg") source = cv2.cvtColor(img,cv2.COLOR_BGR2BGRA) # 方框濾波 result = cv2.boxFilter(source,-2,5),normalize=1) # 顯示影象 title = ["demo1",i+1),plt.imshow(imgs[i],"gray") plt.title(title[i]) plt.xticks([]) plt.yticks([]) plt.show() test12()
效果如下:
如果省略引數normalize,則預設是進行歸一化處理。如果normalize=0則不進行歸一化處理,畫素值為周圍畫素之和,影象更多為白色。
效果如下:
上圖很多畫素為白色,因為影象求和結果幾乎都是255。如果設定的是2*2矩陣,只取四個畫素結果要好些。 result = cv2.boxFilter(source,-1,(2,2),normalize=0)
高斯濾波: 高斯濾波讓臨近的畫素具有更高的重要度,對周圍畫素計算加權平均值,較近的畫素具有較大的權重值。dst = cv2.GaussianBlur(src,ksize,sigmaX) 其中,src表示原始影象,ksize表示核大小,sigmaX表示X方向方差。注意,核大小(N,N)必須是奇數,X方向方差主要控制權重
程式碼如下:
import cv2 import matplotlib.pyplot as plt def test12(): img = cv2.imread("result.jpg") source = cv2.cvtColor(img,cv2.COLOR_BGR2BGRA) # 高斯濾波 result = cv2.GaussianBlur(source,(3,3),0) # 顯示影象 title = ["demo1","gray") plt.title(title[i]) plt.xticks([]) plt.yticks([]) plt.show() test12()
效果如下:
核數增加,影象會變模糊,例如設定為(17,17)
中值濾波: 在使用鄰域平均法去噪的同時也使得邊界變得模糊。而中值濾波是非線性的影象處理方法,在去噪的同時可以兼顧到邊界資訊的保留。選一個含有奇數點的視窗W,將這個視窗在影象上掃描,把視窗中所含的畫素點按灰度級的升或降序排列,取位於中間的灰度值來代替該點的灰度值.
OpenCV主要呼叫medianBlur()函式實現中值濾波,影象平滑裡中值濾波的效果最好。
dst = cv2.medianBlur(src,ksize)
其中,src表示原始檔,ksize表示核大小。核必須是大於1的奇數,如3、5、7等
程式碼如下:
import cv2 def test13(): img = cv2.imread("result.jpg") # 高斯濾波 result = cv2.medianBlur(img,5) cv2.imshow("demo1",img) cv2.imshow("demo2",result) if cv2.waitKey(0) == 27: cv2.destroyWindow("demo1") cv2.destroyWindow("demo2") test13()
效果如下:
以上就是本文的全部內容,希望對大家的學習有所幫助,也希望大家多多支援我們。