中山网站推广优化,正规的彩票网站怎么做,企业网站建设需要哪些步骤,陕西网站开发联系电话图像滤波用于去除噪声和图像平滑#xff0c;OpenCV 提供了多种滤波器#xff1a;
1.1. 均值滤波#xff1a;
import cv2# 读取图像
image cv2.imread(example.jpg)# 均值滤波
blurred_image cv2.blur(image, (5, 5)) # (5, 5) 是滤波核的大小
滤波核大小的…图像滤波用于去除噪声和图像平滑OpenCV 提供了多种滤波器
1.1. 均值滤波
import cv2# 读取图像
image cv2.imread(example.jpg)# 均值滤波
blurred_image cv2.blur(image, (5, 5)) # (5, 5) 是滤波核的大小
滤波核大小的影响
滤波核需要设定为奇数确保有中心点滤波核变大 平滑效果增强更大的滤波核会考虑更多的邻域像素从而导致更强的平滑效果。图像中的噪声和高频信息如边缘、纹理会被更有效地去除图像整体看起来更加模糊。计算时间增加滤波核越大需要处理的像素数量越多计算时间也会相应增加。细节丢失增加较大的滤波核可能会导致图像细节如物体的边缘和纹理的丢失。这是因为在计算均值时更多的像素被考虑进去而这些像素可能包含图像中的关键细节。
滤波核变小 平滑效果减弱较小的滤波核只能覆盖较小的邻域像素因此平滑效果相对较弱。图像中的噪声和高频信息可能无法被完全去除但图像的细节能够得到更好的保留。计算时间减少较小的滤波核需要处理的像素数量较少计算时间也会相应减少。细节保留更好较小的滤波核能够更好地保留图像中的细节因为只有较少的像素被用于计算均值从而避免了过度平滑导致的细节丢失。
总结如果需要移除大量噪声并获得更平滑的图像可以使用较大的滤波核。如果需要保留更多细节并稍微减少噪声则应选择较小的滤波核。
#函数对比均值滤波不同滤波核结果
staticmethod
def TestBlur():imagecv2.imread(Fu.jpg)# imagecvTest.add_salt_and_pepper_noise(cv2.imread(Cat.jpg))blurred_3x3cv2.blur(image,(3,3))blurred_5x5cv2.blur(image,(5,5))blurred_7x7cv2.blur(image,(7,7))# 显示结果plt.figure(figsize(12, 6))plt.subplot(221), plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB)), plt.title(Original Image)plt.xticks([]), plt.yticks([])plt.subplot(222), plt.imshow(cv2.cvtColor(blurred_3x3, cv2.COLOR_BGR2RGB)), plt.title(Blur 3x3)plt.xticks([]), plt.yticks([])plt.subplot(223), plt.imshow(cv2.cvtColor(blurred_5x5, cv2.COLOR_BGR2RGB)), plt.title(Blur 5x5)plt.xticks([]), plt.yticks([])plt.subplot(224), plt.imshow(cv2.cvtColor(blurred_7x7, cv2.COLOR_BGR2RGB)), plt.title(Blur 7x7)plt.xticks([]), plt.yticks([])plt.show() 1.2. 中值滤波
# 中值滤波
median_filtered cv2.medianBlur(image, 5) # 5 是滤波核的大小
滤波核大小的影响
滤波核变大 去噪能力增强较大的滤波核能够覆盖更多的像素因此能更好地去除图像中的噪声特别是对于那些孤立的噪声点如椒盐噪声。例如使用 ksize5 的滤波核可以更有效地去除椒盐噪声。计算时间增加随着滤波核的增大需要排序的像素数量增多计算时间也会相应增加。细节丢失增加较大的滤波核可能会导致图像细节的丢失因为排序后取中值的过程会使图像的某些边缘或纹理变得模糊。例如对于图像中的细小文字或线条使用较大的滤波核可能会使这些细节变得不清晰。
滤波核变小 去噪能力减弱较小的滤波核只能覆盖较少的像素因此对噪声的去除效果相对较弱。例如使用 ksize3 的滤波核对于去除大量的椒盐噪声可能效果不佳。计算时间减少较小的滤波核需要处理的像素数量较少因此计算时间会相应减少。细节保留更好较小的滤波核能够更好地保留图像中的细节因为排序后取中值的过程对像素值的影响较小。例如对于图像中的边缘和纹理使用较小的滤波核可以更好地保留它们。
总结
滤波核变大去噪能力增强计算时间增加细节丢失增加。滤波核变小去噪能力减弱计算时间减少细节保留更好。
#模拟椒盐噪声
staticmethod
def add_salt_and_pepper_noise(image, salt_prob0.02, pepper_prob0.02):noisy_image np.copy(image)total_pixels image.size# 计算盐和胡椒的数量num_salt np.ceil(salt_prob * total_pixels)num_pepper np.ceil(pepper_prob * total_pixels)# 添加盐噪声for _ in range(int(num_salt)):x_coord np.random.randint(0, image.shape[1])y_coord np.random.randint(0, image.shape[0])noisy_image[y_coord, x_coord] 255# 添加胡椒噪声for _ in range(int(num_pepper)):x_coord np.random.randint(0, image.shape[1])y_coord np.random.randint(0, image.shape[0])noisy_image[y_coord, x_coord] 0return noisy_image#函数对比 中值滤波不同核去噪效果
staticmethod
def TestMedioBlur():#读取图像image cv2.imread(Cat.jpg)# 添加椒盐噪声noisy_image cvTest.add_salt_and_pepper_noise(image) # 假设已添加椒盐噪声的图像# 应用不同大小的中值滤波filtered_3 cv2.medianBlur(noisy_image, 3)filtered_5 cv2.medianBlur(noisy_image, 5)filtered_7 cv2.medianBlur(noisy_image, 7)# 显示结果plt.figure(figsize(12, 6))plt.subplot(221), plt.imshow(cv2.cvtColor(noisy_image, cv2.COLOR_BGR2RGB)), plt.title(Noisy Image)plt.xticks([]), plt.yticks([])plt.subplot(222), plt.imshow(cv2.cvtColor(filtered_3, cv2.COLOR_BGR2RGB)), plt.title(Median Filter 3x3)plt.xticks([]), plt.yticks([])plt.subplot(223), plt.imshow(cv2.cvtColor(filtered_5, cv2.COLOR_BGR2RGB)), plt.title(Median Filter 5x5)plt.xticks([]), plt.yticks([])plt.subplot(224), plt.imshow(cv2.cvtColor(filtered_7, cv2.COLOR_BGR2RGB)), plt.title(Median Filter 7x7)plt.xticks([]), plt.yticks([])plt.show() 1.3. 高斯滤波
# 高斯滤波
gaussian_filtered cv2.GaussianBlur(image, (5, 5), 0) # (5, 5) 是滤波核的大小0 是标准差
函数参数:
cv2.GaussianBlur(image, ksize, sigmaX, sigmaY0, borderTypeBORDER_DEFAULT) 是 OpenCV 中用于高斯滤波的函数。其参数如下
image输入图像。ksize滤波核的大小为 (width, height) 格式的元组必须是正奇数如 (5, 5)。表示滤波窗口的宽度和高度。sigmaXX 方向的标准差控制高斯核在水平方向上的平滑程度。如果设置为 0则会根据 ksize 自动计算。sigmaYY 方向的标准差控制高斯核在垂直方向上的平滑程度。如果设置为 0则会使用与 sigmaX 相同的值。borderType边界处理方式默认为 BORDER_DEFAULT表示使用默认的边界处理方法。
工作原理:
高斯滤波是一种基于高斯函数的平滑滤波技术用于去除图像中的噪声。其基本思想是
对于图像中的每一个像素考虑以其为中心的一个 ksize × ksize 的邻域。使用高斯函数计算该邻域内每个像素的权重权重值随着距离中心像素的距离增加而减小。将邻域内所有像素的加权平均值作为该像素的新值。
高斯函数的公式为 G(x,y)2πσ21e−2σ2x2y2 其中σ 是标准差控制高斯核的宽度。
滤波核大小的影响:
滤波核变大 平滑效果增强较大的滤波核会覆盖更多的像素因此能更有效地去除图像中的噪声特别是高频噪声如高斯噪声。图像会变得更加平滑但边缘和细节可能会变得模糊。例如使用 ksize(11, 11) 的滤波核可以显著减少噪声但图像的细节会丢失较多。计算时间增加随着滤波核的增大需要处理的像素数量增多计算时间也会相应增加。细节丢失增加较大的滤波核可能会导致图像细节的丢失因为高斯核的权重分布使得远离中心的像素对结果的影响减小从而导致图像的边缘和纹理变得模糊。
滤波核变小 平滑效果减弱较小的滤波核只能覆盖较少的像素因此对噪声的去除效果相对较弱。图像中的高频噪声可能无法被完全去除但图像的细节能够得到更好的保留。例如使用 ksize(3, 3) 的滤波核可以轻微减少噪声同时保留较多的图像细节。计算时间减少较小的滤波核需要处理的像素数量较少因此计算时间会相应减少。细节保留更好较小的滤波核能够更好地保留图像中的细节因为高斯核的权重分布使得邻域内的像素对结果的影响较大从而避免了过度平滑导致的细节丢失。
标准差的影响:
sigmaX 和 sigmaY 变大 平滑效果增强较大的标准差会使高斯核的权重分布更加平缓从而导致更强的平滑效果。图像中的噪声会被更有效地去除但图像的细节和边缘可能会变得更加模糊。例如使用 sigmaX10 和 sigmaY10 会显著平滑图像但可能会导致图像的边缘和纹理变得不清晰。计算时间增加较大的标准差会增加高斯核的计算复杂度从而导致计算时间增加。
sigmaX 和 sigmaY 变小 平滑效果减弱较小的标准差会使高斯核的权重分布更加集中从而导致较弱的平滑效果。图像中的噪声可能无法被完全去除但图像的细节能够得到更好的保留。例如使用 sigmaX1 和 sigmaY1 可以轻微减少噪声同时保留较多的图像细节。计算时间减少较小的标准差会减少高斯核的计算复杂度从而导致计算时间减少。
def add_gaussian_noise(image, mean0, sigma25):添加高斯噪声到图像。参数:image: 输入图像 (灰度或彩色)mean: 高斯噪声的均值默认为0sigma: 高斯噪声的标准差默认为25返回:noisy_image: 添加了高斯噪声后的图像# Ensure the image is in float32 format and normalized to [0, 1]if len(image.shape) 2:row, col image.shapech 1img image.astype(np.float32) / 255.0else:row, col, ch image.shapeimg image.astype(np.float32) / 255.0# Generate Gaussian noisegauss np.random.normal(mean, sigma / 255.0, (row, col, ch))gauss gauss.reshape(row, col, ch)# Add the Gaussian noise to the imagenoisy_image img gauss# Clip the values to stay within [0, 1] range and convert back to uint8noisy_image np.clip(noisy_image, 0, 1)noisy_image (noisy_image * 255).astype(np.uint8)return noisy_imagestaticmethod
def TestGauss():# 读取图像image cv2.imread(Cat.jpg)# 添加高斯噪声noisy_image cvTest.add_gaussian_noise(image)# 应用不同大小的高斯滤波filtered_3 cv2.GaussianBlur(noisy_image, (3, 3), 1)filtered_5 cv2.GaussianBlur(noisy_image, (5, 5), 2)filtered_11 cv2.GaussianBlur(noisy_image, (11, 11), 5)# 显示结果plt.figure(figsize(12, 6))plt.subplot(221), plt.imshow(cv2.cvtColor(noisy_image, cv2.COLOR_BGR2RGB)), plt.title(Noisy Image)plt.xticks([]), plt.yticks([])plt.subplot(222), plt.imshow(cv2.cvtColor(filtered_3, cv2.COLOR_BGR2RGB)), plt.title(Gaussian Filter 3x3)plt.xticks([]), plt.yticks([])plt.subplot(223), plt.imshow(cv2.cvtColor(filtered_5, cv2.COLOR_BGR2RGB)), plt.title(Gaussian Filter 5x5)plt.xticks([]), plt.yticks([])plt.subplot(224), plt.imshow(cv2.cvtColor(filtered_11, cv2.COLOR_BGR2RGB)), plt.title(Gaussian Filter 11x11)plt.xticks([]), plt.yticks([])plt.show() 总结:
滤波核变大平滑效果增强计算时间增加细节丢失增加。滤波核变小平滑效果减弱计算时间减少细节保留更好。标准差变大平滑效果增强计算时间增加细节丢失增加。标准差变小平滑效果减弱计算时间减少细节保留更好。
1.4. 双边滤波
# 双边滤波
bilateral_filtered cv2.bilateralFilter(image, 9, 75, 75) # 9 是滤波核的大小75 是色彩空间的标准差75 是坐标空间的标准差
函数参数
cv2.bilateralFilter(image, d, sigmaColor, sigmaSpace, borderTypeBORDER_DEFAULT) 是 OpenCV 中用于双边滤波的函数。其参数如下
image输入图像。d滤波器的直径表示滤波窗口的大小。必须是正奇数如 5、9、15 等。如果设置为负值则会根据 sigmaSpace 自动计算。sigmaColor颜色空间的标准差控制像素值相似度的影响范围。值越大颜色相似的像素对滤波结果的影响越大。sigmaSpace坐标空间的标准差控制像素空间距离的影响范围。值越大空间距离较远的像素对滤波结果的影响越大。borderType边界处理方式默认为 BORDER_DEFAULT表示使用默认的边界处理方法。
工作原理
双边滤波是一种非线性的滤波方法结合了图像的空间邻近度和像素值相似度达到保边去噪的目的。其基本思想是
对于图像中的每一个像素考虑以其为中心的一个 d × d 的邻域。使用两个高斯函数计算该邻域内每个像素的权重 空间域高斯函数权重随着距离中心像素的空间距离增加而减小。值域高斯函数权重随着像素值与中心像素值的差值增加而减小。
将邻域内所有像素的加权平均值作为该像素的新值。
由于其内部仍然使用了高斯滤波所以d的影响与sigma的影响与高斯滤波的相同总结如下
滤波核变大平滑效果增强计算时间增加细节丢失增加。滤波核变小平滑效果减弱计算时间减少细节保留更好。sigmaColor 变大颜色相似度影响增强平滑效果增强细节丢失增加。sigmaColor 变小颜色相似度影响减弱平滑效果减弱细节保留更好。sigmaSpace 变大空间距离影响增强平滑效果增强细节丢失增加。sigmaSpace 变小空间距离影响减弱平滑效果减弱细节保留更好。
对比代码如下
staticmethoddef TestBilateralFilter():# 读取图像image cv2.imread(Cat.jpg)# 添加高斯噪声noisy_image cvTest.add_gaussian_noise(image) # 假设已添加高斯噪声的图像# 应用不同参数的双边滤波filtered_5 cv2.bilateralFilter(noisy_image, 5, 50, 50)filtered_9 cv2.bilateralFilter(noisy_image, 9, 100, 100)filtered_15 cv2.bilateralFilter(noisy_image, 15, 150, 150)# 显示结果plt.figure(figsize(12, 6))plt.subplot(221), plt.imshow(cv2.cvtColor(noisy_image, cv2.COLOR_BGR2RGB)), plt.title(Noisy Image)plt.xticks([]), plt.yticks([])plt.subplot(222), plt.imshow(cv2.cvtColor(filtered_5, cv2.COLOR_BGR2RGB)), plt.title(Bilateral Filter 5)plt.xticks([]), plt.yticks([])plt.subplot(223), plt.imshow(cv2.cvtColor(filtered_9, cv2.COLOR_BGR2RGB)), plt.title(Bilateral Filter 9)plt.xticks([]), plt.yticks([])plt.subplot(224), plt.imshow(cv2.cvtColor(filtered_15, cv2.COLOR_BGR2RGB)), plt.title(Bilateral Filter 15)plt.xticks([]), plt.yticks([])plt.show() 1.5. 高通滤波
1.5.1. OpenCV中的实现有三种方式
Sobel 算子用于计算图像的梯度实现高通滤波。使用函数 cv2.Sobel()。Laplacian 算子用于检测图像中的二阶导数实现高通滤波。使用函数 cv2.Laplacian()。自定义高通滤波器通过定义自定义的卷积核使用函数 cv2.filter2D() 实现高通滤波。
Sobel 算子
Sobel 算子是一种用于计算图像梯度的微分算子。它通过计算图像在水平和垂直方向上的梯度来实现高通滤波。其核心思想是利用卷积核与图像进行卷积运算从而检测图像中的边缘和轮廓。Sobel 算子由两个方向的卷积核组成分别用于检测水平和垂直方向的梯度。边缘在梯度幅值较高的区域。
水平方向卷积核 垂直方向卷积核 作用
Sobel 算子主要用于边缘检测和图像增强。通过计算图像的梯度可以突出图像中的边缘和轮廓从而增强图像的细节。
实现方式
使用函数 cv2.Sobel()
cv2.Sobel(src, # 输入图像ddepth, # 输出图像的深度通常设置为 cv2.CV_64Fdx, # 表示对x方向求导dy, # 表示对y方向求导ksize3, # 卷积核的大小可以是 1、3、5 或 7scale1, # 比例因子 求导结果放大缩小 X 法 增大1 减少 1delta0, # 偏移量 求导结果整体 -borderTypecv2.BORDER_DEFAULT # 边界扩展方式 定义图像边界的处理方式以避免在卷积过程中超出图像范围。 一般默认即可
)
应用
边缘检测结合水平和垂直方向的梯度计算图像的梯度幅值和方向。图像增强通过增强图像的梯度使边缘更加明显。
例子
有一个圆形和方形
分别使用sobel算子计算x方向与y方向的梯度将结果Numpy数组转化为图片数据范围Uint8通过结果可以很清晰的观察到sobel算子的功能
staticmethoddef TestSobel():# 高通滤波使用 Sobel 算子imagecv2.imread(Cicle.jpg)gray_image cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)sobelx cv2.Sobel(gray_image, cv2.CV_64F, 1, 0, ksize3) # x 方向sobely cv2.Sobel(gray_image, cv2.CV_64F, 0, 1, ksize3) # y 方向sobelx_imgcv2.convertScaleAbs(sobelx)sobely_imgcv2.convertScaleAbs(sobely)soble_combinecv2.magnitude(sobelx,sobely)soble_combinecv2.convertScaleAbs(soble_combine)# 显示结果plt.figure(figsize(12, 6))plt.subplot(221), plt.imshow(cv2.cvtColor(gray_image, cv2.COLOR_BGR2RGB)), plt.title(Gray Image)plt.xticks([]), plt.yticks([])plt.subplot(222), plt.imshow(cv2.cvtColor(sobelx_img, cv2.COLOR_BGR2RGB)), plt.title(sobelx Image)plt.xticks([]), plt.yticks([])plt.subplot(223), plt.imshow(cv2.cvtColor(sobely_img, cv2.COLOR_BGR2RGB)), plt.title(sobely Image)plt.xticks([]), plt.yticks([])plt.subplot(224), plt.imshow(cv2.cvtColor(soble_combine, cv2.COLOR_BGR2RGB)), plt.title(soble_combine Image)plt.xticks([]), plt.yticks([])plt.show()
结果 原理理解
我们自定义一个3*3的图像Numpy数组我们分别计算出sobelx和sobely的结果并输出 staticmethod
def LearnSobel():# 创建一个 3x3 的灰度图像gray_image np.array([[100, 150, 200],[100, 150, 200],[100, 150, 200]], dtypenp.uint8)#查看其按照Sobel算子默认边界扩展类型扩展结果# border_imagecv2.copyMakeBorder(gray_image,1,1,1,1,cv2.BORDER_DEFAULT)# print(Border Image:)print(border_image)print(Original Image:)print(gray_image)# 使用 Sobel 算子计算 x 和 y 方向梯度sobelx cv2.Sobel(gray_image, cv2.CV_64F, 1, 0, ksize3)sobely cv2.Sobel(gray_image, cv2.CV_64F, 0, 1, ksize3)# 打印结果print(\nSobel X Gradient:)print(sobelx)print(\nSobel Y Gradient:)print(sobely)
可以看到输出结果如下
Original Image:
[[100 150 200][100 150 200][100 150 200]]Sobel X Gradient:
[[ 0. 400. 0.][ 0. 400. 0.][ 0. 400. 0.]]Sobel Y Gradient:
[[0. 0. 0.][0. 0. 0.][0. 0. 0.]]
Sobel默认卷积核为
SobelX:
[[-1, 0, 1],[-2, 0, 2],[-1, 0, 1]]
SobelY:
[[1, 2, 1],[0, 0, 0],[-1, -2, -1]]
中心像素点X方向梯度计算使用Sobel算子
以(2,2)的像素为例计算SobleX 逐行计算 第一行(-100 0 200) 100第二行(-200 0 400) 200第三行(-100 0 200) 100
总和100 200 100 400得到 边缘像素点X方向梯度计算
在cv2.sobel内部会先按照设定的borderTypecv2.BORDER_DEFAULT最开始函数介绍已介绍扩展函数然后再以原图像像素为中心的3*3范围的数组与SobelX卷积核计算得出该像素的梯度值。
我们可以自己计算扩展函数看一下 # 创建一个 3x3 的灰度图像gray_image np.array([[100, 150, 200],[100, 150, 200],[100, 150, 200]], dtypenp.uint8)border_imagecv2.copyMakeBorder(gray_image,1,1,1,1,cv2.BORDER_DEFAULT)print(Border Image:)print(border_image)
输出结果为
Border Image:
[[150 100 150 200 150][150 100 150 200 150][150 100 150 200 150][150 100 150 200 150][150 100 150 200 150]]
这样计算原图像中1,1的像素的x方向的梯度则使用 Laplacian 算子
原理
Laplacian 算子是一种基于二阶导数的微分算子用于检测图像中的突变。它通过计算图像的二阶导数来实现高通滤波能够有效地检测图像中的边缘和细节。
Laplacian 算子的卷积核通常为 作用
Laplacian 算子主要用于边缘检测和图像锐化。通过增强图像的二阶导数可以突出图像中的边缘和轮廓从而达到锐化图像的效果。
Laplacian 算子检测边缘的过程
计算二阶导数通过卷积运算将 Laplacian 卷积核与图像进行卷积得到图像的二阶导数近似值。检测零交叉点在边缘附近二阶导数通常会过零点。因此可以通过检测 Laplacian 响应中的零交叉点来确定边缘的位置。衡量边缘强度Laplacian 响应的绝对值大小可以衡量边缘的强度。绝对值越大说明边缘越明显。
实现方式:
使用函数 cv2.Laplacian()
cv2.Laplacian(src, # 输入图像ddepth, # 输出图像的深度通常设置为 cv2.CV_64Fksize1, # 卷积核的大小可以是 1、3、5 或 7scale1, # 比例因子delta0, # 偏移量borderTypecv2.BORDER_DEFAULT # 边界扩展方式
)
应用:
边缘检测通过检测图像的二阶导数来突出边缘。图像锐化增强图像的细节和清晰度。
示例代码: staticmethod
def TestLaplacian():image_graycv2.imread(Department.jfif,cv2.IMREAD_GRAYSCALE)gaussi_image_graycv2.GaussianBlur(image_gray,(3,3),0)#直接 laplacian 滤波 laplacianImagecv2.Laplacian(image_gray,cv2.CV_64F)laplacianImagecv2.convertScaleAbs(laplacianImage)#高斯滤波平滑处理后再laplacianImage_gaussicv2.Laplacian(image_gray,cv2.CV_64F)laplacianImage_gaussicv2.convertScaleAbs(laplacianImage_gaussi)plt.figure(figsize(12,6))plt.subplot(131),plt.imshow(cv2.cvtColor(image_gray, cv2.COLOR_BGR2RGB)),plt.title(Original Image),plt.xticks([]),plt.yticks([])plt.subplot(132),plt.imshow(cv2.cvtColor(laplacianImage,cv2.COLOR_BGR2RGB) ),plt.title(laplacian Image),plt.xticks([]),plt.yticks([])plt.subplot(133),plt.imshow(cv2.cvtColor(laplacianImage_gaussi,cv2.COLOR_BGR2RGB) ),plt.title(laplacian Image_gaussi ),plt.xticks([]),plt.yticks([])plt.show()
不用照片的结果 自定义高通滤波器
原理
自定义高通滤波器通过定义特定的卷积核来实现高通滤波。用户可以根据需求设计不同的卷积核以达到不同的滤波效果。卷积核的设计通常基于高斯函数或其他数学函数以实现对特定频率的增强或抑制。
作用
自定义高通滤波器可用于实现特定的图像增强效果如锐化、边缘检测和细节提取等。
实现方式
使用函数 cv2.filter2D()
cv2.filter2D(src, # 输入图像ddepth, # 输出图像的深度通常设置为 cv2.CV_64Fkernel, # 自定义的卷积核borderTypecv2.BORDER_DEFAULT # 边界扩展方式
)
应用
锐化通过设计增强高频分量的卷积核实现图像的锐化效果。边缘检测通过设计检测特定方向边缘的卷积核实现图像的边缘检测。
示例代码
import cv2
import numpy as np
import matplotlib.pyplot as plt# 读取图像
image cv2.imread(example.jpg, cv2.IMREAD_GRAYSCALE)# 定义自定义高通滤波器卷积核
kernel np.array([[0, -1, 0],[-1, 5, -1],[0, -1, 0]
])# 应用高通滤波
high_pass_filtered cv2.filter2D(image, -1, kernel)
1.5.2. 总结
Sobel 算子适用于边缘检测和图像增强能够计算图像的梯度。Laplacian 算子适用于边缘检测和图像锐化能够检测图像的二阶导数。自定义高通滤波器具有高度的灵活性可根据需求设计特定的滤波器可以自己改卷积核实现各种图像处理效果 需要学习顶层算法原理。
1.6. 低通滤波
在openCV中常见的低通滤波实现方式就是上述已说明的滤波
均值滤波中值滤波高斯滤波双边滤波
详见上述内容
