python濾波核函數 python濾波器信號處理

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，你可以認為相鄰位置像素是緊密聯系的，它們共同來顯示對某個物體，圖像濾波則通過運算來排除圖像中和周圍相差大的像素。當然，這并不是絕對的， 有時候你為了評估圖像的質量，也會將這些“特立獨行”的像素作為選取的目標 。無論你采用什么方法，記住你要的目標就行，有時候你的目標可能是別人的背景。

茶陵網站制作公司哪家好，找創新互聯建站！從網頁設計、網站建設、微信開發、APP開發、響應式網站建設等網站項目制作，到程序開發，運營維護。創新互聯建站從2013年開始到現在10年的時間，我們擁有了豐富的建站經驗和運維經驗，來保證我們的工作的順利進行。專注于網站建設就選創新互聯建站。

濾波常常會使得圖像變得模糊(非絕對)，那么，為什么你需要將一幅清晰的圖像變得模糊呢？下面的例子應該可以解釋。

高斯濾波采用滿足正態分布的核模板，其參數的主要參數是標準差σ，代表核的離散程度，σ值越小，模板中心系數與邊緣系數差越大，平滑的程度越小。

高斯濾波對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有較好的效果，消除了圖像中的高頻信號。

由于得到的是一維的Gaussian Kernel，你可以采用下面的方式轉為二維的

為了便于直觀感受高斯濾波的效果，使用Canny算子來提取輪廓對比，你可以試試在特征提取前加高斯濾波對比。

補充說明：對于均值濾波，你也可以使用cv2.boxFilter(src, ddepth, ksize[, dst[, anchor[, normalize[, borderType]]]])來實現，需要將normalize設置為True,當設置normalize為False時，實現的是將kernel內像素相加，官方文檔做出的描述為：

中值濾波對圖像中的脈沖型(椒鹽等)噪聲信號處理效果好，當 你的應用場景存在這種顆粒感的噪聲信號時，中值濾波會是一種很好的選擇 。它，選取kernel區域內像素點集的中值最為錨點的像素值，對類似投票機制中的最高分(高灰階點)和最低分(過低灰階點)影響有很好的抑制作用。

如果你的應用涉及到圖像美化，雙邊濾波可以初步達到你的期望，關于雙邊濾波，這里不做展開，由你來探索，其函數參數信息如下。

對于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實現圖像的一維高斯濾波器

如何用python實現圖像的一維高斯濾波器

現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值放在模板里面，比如這時中間的數值最大，往兩邊走越來越小，構造一個小的高斯包。實現的函數為cv2.GaussianBlur()。對于高斯模板，我們需要制定的是高斯核的高和寬（奇數），沿x與y方向的標準差(如果只給x，y=x，如果都給0，那么函數會自己計算)。高斯核可以有效的出去圖像的高斯噪聲。當然也可以自己構造高斯核，相關函數：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

borderType= None)函數

此函數利用高斯濾波器平滑一張圖像。該函數將源圖像與指定的高斯核進行卷積。

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。否則，將會從參數sigma中計算得到。

dst:輸出圖像，尺寸與輸入圖像一致。

sigmaX:高斯核在X方向上的標準差。

sigmaY:高斯核在Y方向上的標準差。默認為None，如果sigmaY=0，則它將被設置為與sigmaX相等的值。如果這兩者都為0,則它們的值會從ksize中計算得到。計算公式為：

borderType:像素外推法，默認為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.窗口滑動卷積

2.傅里葉變換

在此主要利用窗口滑動卷積。其中二維高斯函數公式為：

根據上述公式，生成一個3x3的高斯核，其中最重要的參數就是標準差 ，標準差 越大，核中心的值與周圍的值差距越小，曲線越平滑。標準差 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，高斯核的標準差 越大，平滑效果越不明顯。高斯核的標準差 越小，平滑效果越明顯。

可見，標準差 越大，圖像平滑程度越大

參考博客1:關于GaussianBlur函數

參考博客2:關于高斯核運算

文章標題：python濾波核函數 python濾波器信號處理
URL地址：http://m.kartarina.com/article44/dogipee.html

成都網站建設公司_創新互聯，為您提供網站內鏈、營銷型網站建設、品牌網站建設、網站導航、小程序開發、ChatGPT

廣告

聲明：本網站發布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創新互聯