图像处理入门100题（二）

最新推荐文章于 2022-05-29 21:54:08 发布
最新推荐文章于 2022-05-29 21:54:08 发布
阅读量698 收藏 2
点赞数
分类专栏： 图像处理 文章标签： 图像处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Treasure_XY/article/details/103391402
版权

图像处理入门100题（二）

本篇记录了自己写的GIthub上的ImageProcessing 100 Wen的问题11-20的答案，注释里包含了一些自己的感悟。为了方便，注释是用英文写的。

这10个题目主要是各种滤波方法，本质上还是卷积运算，不同的滤波方法有不同的卷积核。

值得注意的是Zero Padding方法，以保持卷积运算后图像的大小不变。

LoG滤波中，卷积核要归一化。

问题序号题目
11均值滤波
12运动滤波（Motion Filter)
13MAX-MIN 滤波
14差分滤波
15Sobel 滤波
16Prewitt 滤波
17Laplacian 滤波
18Emboss 滤波
19LoG滤波
20绘制直方图

Python答案如下，结尾包含了问题的验证。注意，引用了answer1（题目1-10的答案），主要用的是图像灰度化处理。

import cv2.cv2
import numpy as np
import matplotlib.pyplot as plt
import answer1


# Question 11
# Mean Filter
# use the mean of kernel to filter
# Answer

def mean_filter(img, k=3):
    if len(img.shape) == 3:
        H, W, C = img.shape
    else:
        np.expand_dims(img, axis=-1)
        H, W, C = img.shape

    # Zero Padding
    pad = int((k - 1) / 2)
    out = np.zeros((H + 2 * pad, W + 2 * pad, C), dtype=np.float)
    out[pad:pad + H, pad:pad + W] = img.astype(np.float)

    # Mean filter
    out_old = out.copy()

    for y in range(H):
        for x in range(W):
            for c in range(C):
                out[pad + y, pad + x, c] = np.mean(out_old[y:y + k, x:x + k, c])

    out = np.clip(out, 0, 255)
    out = out[pad:pad + H, pad:pad + W].astype(np.uint8)

    return out


# Question 12
# motion filter
# use the mean of values on the diagonal of kernel to filer
# Answer

def motion_filter(img, k=3):
    if len(img.shape) == 3:
        H, W, C = img.shape
    else:
        np.expand_dims(img, axis=-1)
        H, W, C = img.shape

    # Zero padding
    pad = int((k - 1) / 2)
    out = np.zeros((H + 2 * pad, W + 2 * pad, C), dtype=np.float)
    out[pad:pad + H, pad:pad + W] = img.astype(np.float)

    # Build the kernel
    kernel = np.identity(k, dtype=np.float) / k

    # Motion filter
    out_old = out.copy()

    for y in range(H):
        for x in range(W):
            for c in range(C):
                out[pad + y, pad + x, c] = np.sum(kernel * out_old[y:y + k, x:x + k, c])

    out = np.clip(out, 0, 255)
    out = out[pad:pad + H, pad:pad + W].astype(np.uint8)

    return out


# Question 13
# max-min filter
# use the value of (max-min) in kernel to filter, available to gray
# Answer

def max_min_filter(img, k=3):
    gray = answer1.RGB2GRAY(img)

    if gray.shape == 3:
        H, W, C = gray.shape
    else:
        gray = np.expand_dims(gray, axis=-1)
        H, W, C = gray.shape

    # Zero padding
    pad = int((k - 1) / 2)
    out = np.zeros((H + 2 * pad, W + 2 * pad, C), dtype=np.float)
    out[pad:pad + H, pad:pad + W] = gray.astype(np.float)

    # max-min filter
    out_old = out.copy()

    for y in range(H):
        for x in range(W):
            for c in range(C):
                out[pad + y, pad + x, c] = np.max(out_old[y:y + k, x:x + k, c]) - np.min(out_old[y:y + k, x:x + k, c])

    out = np.clip(out, 0, 255)
    out = out[pad:pad + H, pad:pad + W].astype(np.uint8)

    return out


# Question 14
# differential filter
# get the difference between two conjecture pixels
# Answer

def differential_filter(img):
    k = 3
    gray = answer1.RGB2GRAY(img)
    H, W = gray.shape

    # Zero padding
    pad = int((k - 1) / 2)
    out = np.zeros((H + 2 * pad, W + 2 * pad), dtype=np.float)
    out[pad:pad + H, pad:pad + W] = gray.astype(np.float)

    # Build vertical kernel
    kernel_v = [[0., -1., 0.], [0., 1., 0.], [0., 0., 0.]]

    # Build horizon kernel
    kernel_h = [[0., 0., 0.], [-1., 1., 0.], [0., 0., 0.]]

    # filter
    out_v = out.copy()
    out_h = out.copy()

    for y in range(H):
        for x in range(W):
            out_v[pad + y, pad + x] = np.sum(kernel_v * out[y:y + k, x:x + k])
            out_h[pad + y, pad + x] = np.sum(kernel_h * out[y:y + k, x:x + k])

    out_v = np.clip(out_v, 0, 255)
    out_v = out_v[pad:pad + H, pad:pad + W].astype(np.uint8)

    out_h = np.clip(out_h, 0, 255)
    out_h = out_h[pad:pad + H, pad:pad + W].astype(np.uint8)

    return out_v, out_h


# Question 15
# soble filter
# Answer

def sobel_filter(img):
    k = 3
    gray = answer1.RGB2GRAY(img)
    H, W = gray.shape

    # Zero padding
    pad = int((k - 1) / 2)
    out = np.zeros((H + 2 * pad, W + 2 * pad), dtype=np.float)
    out[pad:pad + H, pad:pad + W] = gray.astype(np.float)

    # Build vertical kernel
    kernel_v = [[1., 2., 1.], [0., 0., 0.], [-1., -2., -1.]]

    # Build horizon kernel
    kernel_h = [[1., 0., -1.], [2., 0., -2.], [1., 0., -1.]]

    # filter
    out_v = out.copy()
    out_h = out.copy()

    for y in range(H):
        for x in range(W):
            out_v[pad + y, pad + x] = np.sum(kernel_v * out[y:y + k, x:x + k])
            out_h[pad + y, pad + x] = np.sum(kernel_h * out[y:y + k, x:x + k])

    out_v = np.clip(out_v, 0, 255)
    out_v = out_v[pad:pad + H, pad:pad + W].astype(np.uint8)

    out_h = np.clip(out_h, 0, 255)
    out_h = out_h[pad:pad + H, pad:pad + W].astype(np.uint8)

    return out_v, out_h


# Question 16
# Prewitt filter
# Answer

def prewitt_filter(img):
    k = 3
    gray = answer1.RGB2GRAY(img)
    H, W = gray.shape

    # Zero padding
    pad = int((k - 1) / 2)
    out = np.zeros((H + 2 * pad, W + 2 * pad), dtype=np.float)
    out[pad:pad + H, pad:pad + W] = gray.astype(np.float)

    # Build vertical kernel
    kernel_v = [[-1., -1., -1.], [0., 0., 0.], [1., 1., 1.]]

    # Build horizon kernel
    kernel_h = [[-1., 0., 1.], [-1., 0., 1.], [-1., 0., 1.]]

    # filter
    out_v = out.copy()
    out_h = out.copy()

    for y in range(H):
        for x in range(W):
            out_v[pad + y, pad + x] = np.sum(kernel_v * out[y:y + k, x:x + k])
            out_h[pad + y, pad + x] = np.sum(kernel_h * out[y:y + k, x:x + k])

    out_v = np.clip(out_v, 0, 255)
    out_v = out_v[pad:pad + H, pad:pad + W].astype(np.uint8)

    out_h = np.clip(out_h, 0, 255)
    out_h = out_h[pad:pad + H, pad:pad + W].astype(np.uint8)

    return out_v, out_h


# Question 17
# Laplacian filter
# Answer

def laplacian_filter(img):
    k = 3
    gray = answer1.RGB2GRAY(img)
    H, W = gray.shape

    # Zero padding
    pad = int((k - 1) / 2)
    out = np.zeros((H + 2 * pad, W + 2 * pad), dtype=np.float)
    out[pad:pad + H, pad:pad + W] = gray.astype(np.float)

    # Build vertical kernel
    kernel = [[0., 1., 0.], [1., -4., 1.], [0., 1., 0.]]

    # filter
    out_old = out.copy()

    for y in range(H):
        for x in range(W):
            out[pad + y, pad + x] = np.sum(kernel * out_old[y:y + k, x:x + k])

    out = np.clip(out, 0, 255)
    out = out[pad:pad + H, pad:pad + W].astype(np.uint8)

    return out


# Question 18
# Emboss filter
# Answer

def emboss_filter(img):
    k = 3
    gray = answer1.RGB2GRAY(img)
    H, W = gray.shape

    # Zero padding
    pad = int((k - 1) / 2)
    out = np.zeros((H + 2 * pad, W + 2 * pad), dtype=np.float)
    out[pad:pad + H, pad:pad + W] = gray.astype(np.float)

    # Build vertical kernel
    kernel = [[-2., -1., 0.], [-1., 1., 1.], [0., 1., 2.]]

    # filter
    out_old = out.copy()

    for y in range(H):
        for x in range(W):
            out[pad + y, pad + x] = np.sum(kernel * out_old[y:y + k, x:x + k])

    out = np.clip(out, 0, 255)
    out = out[pad:pad + H, pad:pad + W].astype(np.uint8)

    return out


# Question 19
# LoG filter
# Gaussian filter + Laplacian filter
# Answer

def log_filter(img, k=5, sigma=3):
    gray = answer1.RGB2GRAY(img)

    if len(gray.shape) == 3:
        H, W, C = gray.shape
    else:
        gray = np.expand_dims(gray, axis=-1)
        H, W, C = gray.shape

    # Zero padding
    pad = int((k - 1) / 2)
    out = np.zeros((H + 2 * pad, W + 2 * pad, C), dtype=np.float)
    out[pad:pad + H, pad:pad + W] = gray.astype(np.float)

    # build filter
    kernel = np.zeros((k, k), dtype=np.float)
    for y in range(-pad, k - pad):
        for x in range(-pad, k - pad):
            kernel[pad + y, pad + x] = (np.square(x) + np.square(y) - np.square(sigma)) * (
                np.exp((-(np.square(x) + np.square(y))) / (2 * np.square(sigma))))

    kernel = kernel / (2 * np.pi * np.power(sigma, 6))
    kernel = kernel / np.sum(kernel)

    # filter
    out_old = out.copy()

    for y in range(H):
        for x in range(W):
            for c in range(C):
                out[pad + y, pad + x, c] = np.sum(kernel * out_old[y:y + k, x:x + k, c])

    out = np.clip(out, 0, 255)
    out = out[pad:pad + H, pad:pad + W].astype(np.uint8)

    return out

# Question 20
# hist plot
# to present the times of piexl value
# Answer

def hist_plot(img):
    plt.hist(img.ravel(), bins=255, rwidth=0.8, range=(0, 255))
    plt.show()


# Test

# Answer 11
# img = cv2.imread("imori.jpg")
#
# img11 = mean_filter(img)
#
# cv2.imshow("Mean Filter", img11)
#
# cv2.waitKey(0)
# cv2.destroyAllWindows()

# Answer 12
# img = cv2.imread("imori.jpg")
#
# img12 = motion_filter(img)
#
# cv2.imshow("Mean Filter", img12)
#
# cv2.waitKey(0)
# cv2.destroyAllWindows()

# Annswer 13
# img = cv2.imread("imori.jpg")
#
# img13 = max_min_filter(img)
#
# cv2.imshow("Max-Min Filter", img13)
#
# cv2.waitKey(0)
# cv2.destroyAllWindows()

# Answer 14
# img = cv2.imread("imori.jpg")
#
# img14_v, img14_h = differential_filter(img)
# cv2.imshow("Mean Filter Vertical", img14_v)
# cv2.imshow("Mean Filter Horizon", img14_h)
#
# cv2.waitKey(0)
# cv2.destroyAllWindows()

# Answer 15
# img = cv2.imread("imori.jpg")
#
# img15_v, img15_h = sobel_filter(img)
# cv2.imshow("Sobel Filter Vertical", img15_v)
# cv2.imshow("Sobel Filter Horizon", img15_h)
#
# cv2.waitKey(0)
# cv2.destroyAllWindows()

# Answer 16
# img = cv2.imread("imori.jpg")
#
# img16_v, img16_h = prewitt_filter(img)
# cv2.imshow("Prewitt Filter Vertical", img16_v)
# cv2.imshow("Prewitt Filter Horizon", img16_h)
#
# cv2.waitKey(0)
# cv2.destroyAllWindows()

# Answer 17
# img = cv2.imread("imori.jpg")
#
# img17 = laplacian_filter(img)
# cv2.imshow("Laplacian Filter Vertical", img17)
#
# cv2.waitKey(0)
# cv2.destroyAllWindows()

# Answer 18
# img = cv2.imread("imori.jpg")
#
# img18 = emboss_filter(img)
# cv2.imshow("Laplacian Filter Vertical", img18)
#
# cv2.waitKey(0)
# cv2.destroyAllWindows()

# Answer 19
# img = cv2.imread("imori_noise.jpg")
#
# img19 = log_filter(img)
# cv2.imshow("LoG Filter Vertical", img19)
#
# cv2.waitKey(0)
# cv2.destroyAllWindows()

# Answer 20
# img = cv2.imread("imori_dark.jpg")
#
# hist_plot(img)

用到的图片
imori.jpg
imori.jpg
imori_nosie.jpg
imori_nosie.jpg
imori_dark.jpg
imori_dark.jpg

Treasure_XY
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
100道图像处理算法题（适合入门，快速熟悉算法）（6-10）
m0_45376718的博客
08-31 1211
想快速入门图像处理的小伙伴们！跟着步伐我们一起闯关吧！一定会收获满满哦！ 为图像处理初学者设计的 100 个问题。这里感谢@gzr2017的翻译，然后我也将随作者的脚步逐一学习实现100道算法题，大家可以一起学习哦，加油！坚持！持续更新中哦！！！ 问题1-5： 问题六：减色处理 问题七：平均池化（Average Pooling） 问题八：最大池化（Max Pooloing） 问题九：高斯滤波（Gaussian Filter） 问题六：减色处理 我们将图像的值由2563256^32563
图像处理100入门题.zip
07-31
该资源可以好好利用，做完之后再多读读文献可以让自己在图像处理方面入门
图像处理入门 100 题
Galen_xia的博客
12-06 845
该项目包含了 CV 领域，OpenCV 图像处理入门 100 题实例解析，并配备完整的 Pyhon 代码。 地址：https://github.com/gzr2017/ImageProcessing100Wen 上图： 原知乎链接：https://zhuanlan.zhihu.com/p/89492908 ...
图像处理入门100题（一）
Treasure_XY的博客
12-04 623
图像处理入门100题（一） 本篇记录了GIthub上的ImageProcessing 100 Wen的问题1-10的自己写的答案，注释里包含了一些自己的感悟。为了方便，注释是用英文写的。 问题序号 题目 1 通道交换 2 灰度化 3 二值化 4 大津二值化算法（最佳阈值） 5 HSV与RGB的变换 6 减色处理 7 平均池化 8 最大池化 9 高斯滤...
图像处理初学者应该学习的100个问题-你都学会了吗？
lqfarmer的博客
11-10 632
本文整理了图像处理初学者应该需要了解的100个基础问题，涉及读取、显示图像、操作像素、拷贝图像、保存图像、灰度化（Grayscale）、二值化（Thresholding）、大津算法、HSV 变换、减色处理、平均池化（Average Pooling）、最大池化（Max Pooling）、高斯滤波（Gaussian Filter）、中值滤波（Median filter）、仿射变换（Afin...
图像处理入门100题（三）
Treasure_XY的博客
12-06 370
图像处理入门100题（三） 本篇记录了自己写的GIthub上的ImageProcessing 100 Wen的问题21-30的答案，注释里包含了一些自己的感悟。为了方便，注释是用英文写的。 进一步感受到了图像处理的本质就是矩阵运算，所以线性代数的基础一定要牢靠。此外，Python的数据包也要用的熟练和巧妙，时刻有一个“矩阵运算”意识。 问题序号 题目 21 直方图归一化 22 ...
数字图像处理 冈萨雷斯 第二版 课后习题答案 全
09-25
### 数字图像处理 冈萨雷斯 第二版 课后习题答案全解析 #### 一、概述 《数字图像处理》（第二版）由Rafael C. Gonzalez与Richard E. Woods共同编著，是该领域内的经典教材之一。本书不仅系统地介绍了数字图像处理...
数字图像处理编程入门
02-28
《数字图像处理编程入门》是吕凤军教授在清华大学出版社出版的一本专为初学者设计的教程，旨在帮助读者理解并掌握数字图像处理的基本概念、原理及编程技术。该书结合了理论与实践，旨在创建一个类似Photoshop的HTML...
python 入门 基础 100道题
最新发布
12-23
对于Python入门者，100道题的练习涵盖了基础语法、控制结构（如if语句、for循环、while循环）、函数、类与对象、模块和包的使用，还有异常处理等内容。这些题目将帮助学习者扎实地掌握Python的基础知识，为后续的...
图像处理100题习题与代码（1~10）
12-22
题目原地址：https://github.com/gzr2017/ImageProcessing100Wen 我的github地址：https://github.com/LeonG7/image_100question 前言： 这是图像处理100题的题目记录以及我自己写的参考代码，感谢@gzr2017提供中文翻译。 所有代码由jupyter book软件导出，如需可执行源代码，请在我的github下载。 如有任何问题或错误，欢迎在评论区讨论和指正 图像处理1~10题 读取图片： import cv2 import matplotlib from matplotlib import pypl
基于matlab 的图像处理100实例
10-24
基于matlab 的图像处理100实例.....
超经典图形100题
03-07
第1道C 本題所有圖形均為左右對稱的 將左邊的一半去掉，剩下的右半邊依次為數字1234 據此，可知後面為5。
ACM算法题100题-经典算法库
12-29
ACM国际大学生软件大赛，主要是考的些算法题，一些相关的软件比赛都是考的算法题，这些题目可以看看
超全的数字图像处理试题
11-23
超全的数字图像处理试题，，，，，，艰难收集出来的，，，和大家分享一下，呵呵
为图像处理初学者设计的 100 个问题 原题+解析+笔记
Sliver.blog().homePage()
03-29 819
为图像处理初学者设计的 100 个问题 问题一至问题十 问题一：通道交换 读取图像，然后将 RGB\text{RGB}RGB 通道替换成BGR\text{BGR}BGR通道。 Answer #include<opencv2\core\core.hpp> #include<opencv2\highgui\highgui.hpp> #include<opencv2\op...
图像处理一百题（1-10）
狗蛋的博客
05-29 1491
图像处理一百题
图像处理入门 100 题，有人把它翻译成了中文版！
红色石头的专栏
10-29 1862
点击上方“AI有道”，选择“星标”公众号重磅干货，第一时间送达但是，这份资源教程是由日本人写的，日文版，读起来非常不方便。好消息，最近我在逛 GitHub 的时候，发现有...
图像处理100题（11-20）
Galen_xia的博客
08-17 318
11.均值滤波： import cv2 import numpy as np #Mean filter def mean_filter(img,K_size=3): if len(img.shape) == 3: H,W,C = img.shape else: H,W,C = np.expand_dims(img,axis=-1) H,W,C = img.shape #zero padding pad = K_size//2
数字图像处理入门：Matlab基础与应用
"《数字图像处理文字版》是一本适合初学者的入门书籍，全面介绍了数字图像处理的基本概念和技术。第一章从绪论开始，阐述了图像的基本概念，包括图像的定义、分类（如灰度图像、彩色图像等）、表示方式（物理信号...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值