opencv 图像滤波,使用opencv和python实现图像的智能处理

　　图像滤波按图像域可分为两种：邻域滤波和频域滤波。根据图像频率，滤波效果可分为低通滤波和高通滤波两种。本文将通过一个案例详细介绍OpenCV中图像过滤的特效，有需要的可以参考。

　　00-1010 1分类2邻域滤波2.1线性滤波2.2非线性滤波3频域滤波3.1低通滤波3.2高通滤波

　　空域滤波的本质是数字窗口上的数学运算。一般用于图像平滑、图像锐化、特征提取(如纹理测量、边缘检测)等。邻域过滤使用邻域算子3354来确定给定像素的最终输出。其本质是修改像素频率。一般用于降噪、重采样、图像压缩等。根据图像频率，滤波效果可分为两种：

　　低通滤波。滤除原图像的高频成分，即模糊图像的边缘和细节。高通滤波。滤除原始图像的低频成分，即锐化图像。导入原始图像和噪声图像

　　进口cv2，撇除

　　将numpy作为np导入

　　#原图

　　srcImg=cv2.imread(test.jpg )

　　cv2.imshow(src image ，srcImg)

　　#给图像添加高斯噪声

　　noise img=skim age . util . random _ noise(Sr cimg，mode=gaussian )

　　cv2.imshow(带噪声的图像，noiseImg)

　　其中噪声是可选的。

　　高斯：高斯加性噪声localvar:高斯加性噪声，每个点都有特定的局部方差泊松：泊松分布噪声盐：盐噪声，用1随机替换像素胡椒：胡椒噪声，用0或-1随机替换像素sp:椒盐噪声，显示黑白噪声。

1 分类

2 邻域滤波

　　线性邻域滤波意味着像素的输出值取决于输入区域中像素的加权和。以下是一些常见的线性过滤运算符。

　　箱式过滤

　　箱式过滤器，其核函数为：

　　非归一化块滤波用于计算每个像素邻域中的积分特征，例如在密集光流算法中使用的逆图像的协方差矩阵。

　　归一化块滤波是模糊滤波，即邻域平均法3354使用图像区域中每个像素的平均值来代替原始图像中的每个像素值。平均滤波用于图像平滑，但不仅能降低噪声，而且破坏了图像的边缘细节，使图像模糊，降噪能力差。

　　执行块过滤

　　#箱式过滤

　　boxImg=cv2.boxFilter(noiseImg，ddepth=-1，ksize=(2，2)，normalize=False)

　　cv2.imshow(框图像，boxImg)

　　#均值滤波

　　blurImg=cv2.blur(noiseImg，(6，5))

　　cv2.imshow(模糊图像，模糊)

　　如果将块过滤器内核设定为(6，5)并归一化，效果与均值过滤器相同。

　　高斯滤波

　　高斯滤波器基于二维高斯核函数。

　　它具有在滤除噪声的同时保留细节的能力，因此被广泛应用于图像去噪，但其效率低于平均滤波。

　　高斯滤波器有两个特征量：

核大小，其决定了图像的平滑范围。理论上，高斯核函数应该无穷大，以达到最佳的平滑效果，但过大的卷积核会导致运算效率骤降。根据高斯函数3σ规则，可以取高斯核大小为(6σ+1)×(6σ+1)；

离散程度σ，其决定了对高频成分的抑制程度。σ越大，像素加权半径越大，平滑程度越强。

# 高斯滤波
　　gaussImg = cv2.GaussianBlur(noiseImg, (5, 5), 0)
　　cv2.namedWindow("gaussain image")
　　cv2.imshow("gaussain image", gaussImg)

2.2 非线性滤波

　　虽然线性滤波器易于构造且计算效率高，但有些情况下，使用邻域像素的非线性滤波效果更好。例如，若图像具有椒盐噪声而非高斯噪声，此时对图像高斯滤波并不会去除噪声像素，只是把噪声转换为更为柔和但仍然可见的颗粒。

　　中值滤波(Median filter)是一种基于排序统计理论的典型非线性滤波技术，核心原理是用像素点邻域灰度值中值代替该像素点的灰度值。中值滤波对脉冲噪声、椒盐噪声尤为有效，且具有边缘保护特性。中值滤波器本质上是数字窗口内的非线性取中值运算，而非线性滤波器的加权运算，因此中值滤波没有卷积核，运算效率仅有线性滤波的1/5左右。

# 原图
　　srcImg = cv2.imread("test.jpg")
　　cv2.imshow("src image", srcImg)
　　# 给图像增加椒盐噪声
　　noiseImg = skimage.util.random_noise(srcImg, mode=s&amp;p)
　　cv2.imshow("image with noise", noiseImg)
　　medImg = cv2.medianBlur(np.uint8(noiseImg * 255), 3)
　　cv2.namedWindow("median image")
　　cv2.imshow("median image", medImg)

中值滤波对椒盐噪声效果

3 频域滤波

　　通过傅里叶变换将图像变换到频域，即可在频域进行图像处理。根据傅里叶变换的对称性以及从低频到高频的排列规则，图像原始频域图像会在四角形成低频分量区，而形成高频中心。通常为了观察方便，变换算法(例如Matlab中的fftshift)会将低频分量移动到图像中心形成低频中心

图像傅里叶变换代码如下

# 傅里叶变换
　　dft = cv2.dft(np.float32(grayImg), flags = cv2.DFT_COMPLEX_OUTPUT)
　　# 将图像中的低频部分移动到图像的中心
　　dftShift = np.fft.fftshift(dft)
　　# 计算幅频特性
　　magnitude = 20 * np.log(cv2.magnitude(dftShift[:, :, 0], dftShift[:, :, 1]))
　　plt.subplot(121), plt.imshow(grayImg, cmap = gray)
　　plt.title(原图), plt.xticks([]), plt.yticks([])
　　plt.subplot(122), plt.imshow(magnitude, cmap = gray)
　　plt.title(频谱图), plt.xticks([]), plt.yticks([])
　　plt.show()

3.1 低通滤波

# 定义滤波掩码
　　def mask(img, ftype):
　　 crow, ccol = int(img.shape[0] / 2), int(img.shape[1] / 2) # 求得图像的中心点位置
　　 # 低通
　　 if ftype == low:
　　 mask = np.zeros((img.shape[0], img.shape[1], 2), np.uint8)
　　 mask[crow-30:crow+30, ccol-30:ccol+30] = 1
　　 # 高通
　　 if ftype == high:
　　 mask = np.ones((img.shape[0], img.shape[1], 2), np.uint8)
　　 mask[crow-30:crow+30, ccol-30:ccol+30] = 0
　　 return mask
　　lowImg = dftShift * mask(grayImg, low)
　　lowImg = np.fft.ifftshift(lowImg)
　　lowImg = cv2.idft(lowImg)
　　lowImg = cv2.magnitude(lowImg[:, :, 0], lowImg[:, :, 1])

3.2 高通滤波

# 定义滤波掩码
　　def mask(img, ftype):
　　 crow, ccol = int(img.shape[0] / 2), int(img.shape[1] / 2) # 求得图像的中心点位置
　　 # 低通
　　 if ftype == low:
　　 mask = np.zeros((img.shape[0], img.shape[1], 2), np.uint8)
　　 mask[crow-30:crow+30, ccol-30:ccol+30] = 1
　　 # 高通
　　 if ftype == high:
　　 mask = np.ones((img.shape[0], img.shape[1], 2), np.uint8)
　　 mask[crow-30:crow+30, ccol-30:ccol+30] = 0
　　 return mask
　　highImg = dftShift * mask(grayImg, high)
　　highImg = np.fft.ifftshift(highImg)
　　highImg = cv2.idft(highImg)
　　highImg = cv2.magnitude(highImg[:, :, 0], highImg[:, :, 1])

　　以上就是Python OpenCV图像处理之图像滤波特效详解的详细内容，更多关于Python OpenCV图像滤波特效的资料请关注盛行IT软件开发工作室其它相关文章！

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。