本文学习资源《机器学习实践指南 案例应用解析》
均一化块滤波
1. 高斯噪声滤波
高斯滤波是一种线性平滑滤波,适用于消除高斯噪声,广泛应用于图像处理的减噪过程。通俗的讲,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。
高斯滤波(Gauss filter)实质上是一种信号的滤波器,其用途为信号的平滑处理,数字图像用于后期应用,其噪声是最大的问题,因为误差会累计传递等原因,大多图像处理教材会在很早的时候介绍Gauss滤波器,用于得到信噪比SNR较高的图像(反应真实信号)。高斯平滑滤波器对于抑制服从正态分布的噪声非常有效。
——百度百科
H
(
x
,
y
)
H(x,y)
H(x,y) 根据作用域(33、55、77等)的不同而不同。假设为33,则有9个像素参与运算。可以有以下几种:
1
9
(
1
1
1
1
1
1
1
1
1
)
1
10
(
1
1
1
1
2
1
1
1
1
)
1
16
(
1
2
1
2
4
2
1
2
1
)
\frac{1}{9} \begin{pmatrix} 1 & 1 & 1 \\ 1 & 1 & 1 \\ 1 & 1 & 1 \end{pmatrix} \frac{1}{10} \begin{pmatrix} 1 & 1 & 1 \\ 1 & 2 & 1 \\ 1 & 1 & 1 \end{pmatrix} \frac{1}{16} \begin{pmatrix} 1 & 2 & 1 \\ 2 & 4 & 2 \\ 1 & 2 & 1 \end{pmatrix}
91⎝⎛111111111⎠⎞101⎝⎛111121111⎠⎞161⎝⎛121242121⎠⎞
OpenCV提供的blur函数可以进行归一化块滤波操作:
cv2.blur(src,ksize[, dst[, anchor[, borderType[]]]) -> dst
此外,该函数使用了如下脉冲响应函数(核函数):
k
=
1
k
s
i
z
e
.
w
i
d
t
h
∗
k
s
i
z
e
.
h
e
i
g
h
t
[
1
1
1
⋯
1
1
1
1
1
⋯
1
1
⋮
⋮
⋮
⋱
⋮
⋮
1
1
1
⋯
1
1
]
k=\frac{1}{ksize.width*ksize.height} \begin{bmatrix} 1 & 1 & 1 & \cdots & 1 & 1 \\ 1 & 1 & 1 & \cdots & 1 & 1 \\ \vdots & \vdots & \vdots & \ddots & \vdots & \vdots \\ 1 & 1 & 1 & \cdots & 1 & 1 \end{bmatrix}
k=ksize.width∗ksize.height1⎣⎢⎢⎢⎡11⋮111⋮111⋮1⋯⋯⋱⋯11⋮111⋮1⎦⎥⎥⎥⎤
示例程序
# -*- coding: utf-8 -*-
# coding=utf-8
# 线性锐化滤波,拉普拉斯图像变换
import cv2
import numpy as np
fn = "test.jpg"
myimg = cv2.imread(fn)
img=cv2.cvtColor(myimg,cv2.COLOR_BGR2GRAY)
# 加上高斯噪声
param=20
# 灰阶范围
grayscale=256
w=img.shape[1]
h=img.shape[0]
newimg=np.zeros((h,w),np.uint8)
for x in range(0,h):
for y in range(0,w-1,2):
r1 = np.random.random_sample()
r2 = np.random.random_sample()
z1=param*np.cos(2*np.pi*r2)*np.sqrt((-2)*np.log(r1))
z2=param*np.sin(2*np.pi*r2)*np.sqrt((-2)*np.log(r1))
fxy=int(img[x,y]+z1)
fxy1 = int(img[x,y+1]+z2)
#f(x,y)
if fxy<0:
fxy_val=0
elif fxy>grayscale-1:
fxy_val=grayscale-1
else:
fxy_val=fxy
#f(x,y+1)
if fxy1<0:
fxy1_val=0
elif fxy1>grayscale-1:
fxy1_val=grayscale-1
else:
fxy1_val=fxy1
newimg[x,y]=fxy_val
newimg[x,y+1]=fxy1_val
# 滤波去噪
lbimg=cv2.blur(newimg,(3,3))
cv2.imshow('src',newimg)
cv2.imshow('dst',lbimg)
cv2.waitKey()
cv2.destroyAllWindows()
效果:
加噪原图:
去噪后:
如果使用下面脉冲响应函数:
1
16
(
1
2
1
2
4
2
1
2
1
)
\frac{1}{16} \begin{pmatrix} 1 & 2 & 1 \\ 2 & 4 & 2 \\ 1 & 2 & 1 \end{pmatrix}
161⎝⎛121242121⎠⎞
示例程序如下:
# -*- coding: utf-8 -*-
# coding=utf-8
# 线性锐化滤波,拉普拉斯图像变换
import cv2
import numpy as np
fn = "test.jpg"
myimg = cv2.imread(fn)
img=cv2.cvtColor(myimg,cv2.COLOR_BGR2GRAY)
# 加上高斯噪声
param=20
# 灰阶范围
grayscale=256
w=img.shape[1]
h=img.shape[0]
newimg=np.zeros((h,w),np.uint8)
for x in range(0,h):
for y in range(0,w-1,2):
r1 = np.random.random_sample()
r2 = np.random.random_sample()
z1=param*np.cos(2*np.pi*r2)*np.sqrt((-2)*np.log(r1))
z2=param*np.sin(2*np.pi*r2)*np.sqrt((-2)*np.log(r1))
fxy=int(img[x,y]+z1)
fxy1 = int(img[x,y+1]+z2)
#f(x,y)
if fxy<0:
fxy_val=0
elif fxy>grayscale-1:
fxy_val=grayscale-1
else:
fxy_val=fxy
#f(x,y+1)
if fxy1<0:
fxy1_val=0
elif fxy1>grayscale-1:
fxy1_val=grayscale-1
else:
fxy1_val=fxy1
newimg[x,y]=fxy_val
newimg[x,y+1]=fxy1_val
print("-")
# 滤波去噪
# 图像四个边的像素处理
lbimg=np.zeros((h+2,w+2),np.float32)
tmpimg=np.zeros((h+2,w+2))
myh=h+2
myw=w+2
tmpimg[1:myh-1,1:myw-1]=newimg[0:myh,0:myw]
# 用第3个脉冲响应函数
a=1/16.0
kernel=a*np.array([[1,2,1],[2,4,2],[1,2,1]])
for y in range(1,myh-1):
for x in range(1,myw-1):
lbimg[y,x]=np.sum(kernel*tmpimg[y-1:y+2,x-1:x+2])
print(".")
resultimg=np.array(lbimg[1:myh-1,1:myw-1],np.uint8)
cv2.imshow('src',newimg)
cv2.imshow('dst',resultimg)
cv2.waitKey()
cv2.destroyAllWindows()
结果:
[外链图片转存中…(img-nLh7i9Mz-1574725834511)]
2. 椒盐噪声滤波
归一化块滤波对椒盐噪声仍有一定的滤波效果,但需要将作用域扩大(比如设置成5*5),图像会更模糊,效果较好
示例程序
# -*- coding: utf-8 -*-
# coding=utf-8
# 线性锐化滤波,拉普拉斯图像变换
import cv2
import numpy as np
fn = "test.jpg"
myimg = cv2.imread(fn)
img=cv2.cvtColor(myimg,cv2.COLOR_BGR2GRAY)
# 加上椒盐噪声
# 灰阶范围
w = img.shape[1]
h = img.shape[0]
newimg = np.array(img)
# 噪声点数量
noisecount = 100000
for k in range(0,noisecount):
xi = int(np.random.uniform(0,newimg.shape[1]))
xj = int(np.random.uniform(0,newimg.shape[0]))
newimg[xj,xi]=255
# 滤波除噪
lbimg=cv2.blur(newimg,(5,5))
cv2.imshow('src',newimg)
cv2.imshow('dst',lbimg)
cv2.waitKey()
cv2.destroyAllWindows()
效果:
加椒盐噪声原图:
去噪后:
[外链图片转存中…(img-FMfQ8peU-1574725834512)]