模糊操作的作用是在图片时减低噪声。
模糊操作有均值模糊,中值模糊,高斯模糊和自定义模糊
模糊操作的基本原理:
1、基于离散卷积
2、定义好每一个卷积核
3、不同的卷积核得到不同的卷积效果
4、模糊是卷积的一种表象
均值滤波:用卷积核中的全体像素的平均值来代替原来像素值
中值滤波:将卷积核中的全体像素从小到大排序,保留中值
高斯滤波:
高斯滤波就是对整幅图像进行加权平均的过程,每一个像素点的值,都由其本身和邻域内的其他像素值经过加权平均后得到。高斯滤波的具体操作是:用一个模板(或称卷积、掩模)扫描图像中的每一个像素,用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
具体代码:
import cv2 as cv import numpy as np #均值模糊 def blur_demo(img): dst = cv.blur(img,(5,5)) cv.imshow('blur_dome',dst) #中指模糊 def median_blur_demo(img): #中指模糊 对椒盐模糊 效果最好 dst = cv.medianBlur(img,5) cv.imshow('median_blur_dome',dst) #防止数值超出范围 def clamp(pv): if pv > 255: return 255 if pv < 0: return 0 else: return pv #高斯模糊 def gaussian_noise(img): h ,w ,c = img.shape for row in range(h): for col in range(w): s = np.random.normal(0,20,3) b = img[row, col, 0] # blue g = img[row, col, 1] # green r = img[row, col, 2] # red # 为了防止操作后的数值超出范围,增加一个判断函数 img[row, col ,0] = clamp(b + s[0]) img[row, col, 1] = clamp(g + s[1]) img[row, col, 2] = clamp(r + s[2]) cv.imshow('noise img',img) dst = cv.GaussianBlur(img,(5,5),0) #高斯模糊函数会根据x计算sigma 根据sigma计算x 所以两个参数只用确定一个 cv.imshow('Gaussian Blur' ,dst) #自定义模糊 def custom_blur_demo(img): # kennel = np.ones([5,5],np.float32)/25 #卷积核大小是5*5 参数类型规定为float32 因为这里我们想做均值模糊 所以必须再除以5*5 kennel = np.array([[0,-1,0],[-1,5,-1],[0,-1,0]],np.float32) #固定写法 表示锐化操作,可以使图像更立体 dst = cv.filter2D(img,-1,kennel) #-1 就表示和原图一样 cv.imshow('custom_blur_demo',dst) img = cv.imread('img/lena.png') cv.namedWindow('img',cv.WINDOW_AUTOSIZE) cv.imshow('img',img) # blur_demo(img) # median_blur_demo(img) t1 = cv.getTickCount() gaussian_noise(img) t2 = cv.getTickCount() time = (t2-t1)/cv.getTickFrequency() print('time consume :%s ' % (time*1000) ) cv.waitKey(0) cv.destroyAllWindows()