底层视觉－空间滤波-均值滤波-中值滤波-高斯低通滤波

最新推荐文章于 2022-09-19 20:09:10 发布

迷途小牛马

最新推荐文章于 2022-09-19 20:09:10 发布

阅读量746

点赞数

分类专栏：二维计算机视觉文章标签：视觉检测深度学习自动驾驶神经网络数据挖掘

本文链接：https://blog.csdn.net/liulibo1/article/details/118255298

版权

二维计算机视觉专栏收录该内容

9 篇文章 1 订阅

订阅专栏

所谓空间滤波就是在图像上做卷积核和图像的卷积处理。所谓卷积其实在二维空间上就是卷积核翻转180度之后，卷积核和对应图像区域内的像素相乘相加生成新的像素值。空间滤波可以分为平滑空间滤波和锐化两种。

平滑空间滤波主要有：

1、均值滤波

2、高斯低通滤波

3、中值滤波

    img=cv2.cvtColor(cv2.imread("lena512color.tiff"),cv2.COLOR_BGR2RGB)
    blur_img=cv2.blur(img, (7,7))   #均值滤波
    median_blur_img= cv2.medianBlur(img, 7)  #中值滤波
    gaussian_blur_img=cv2.GaussianBlur(img, (7,7), 0)  #高斯低通滤波
    plt.subplot(1,4,1)
    plt.title("orignal image")
    plt.imshow(img)


    plt.subplot(1,4,2)
    plt.title("mean blur image")
    plt.imshow(blur_img)

    plt.subplot(1,4,3)
    plt.title("median blur image")
    plt.imshow(median_blur_img)

    plt.subplot(1,4,4)
    plt.title("gaussian blur image")
    plt.imshow(img)
    plt.show()

锐化滤波主要是检测计算图像梯度，主要存在两种梯度，一种是一阶微分，使用图像像素的一阶差分可以计算。一种是二阶微分，使用二阶差分计算。具体上，可以使用这些差分算子进行卷积运行获得梯度幅值，之后再与原图像相加，增强图像边缘表达，从而达到锐化的效果。计算图像一阶微分的算子主要有：

Prewitt：

水平方向：竖直方向：

$\begin{vmatrix} 1&1&1 \\ 0 & 0 &0\\ -1&-1&-1 \end{vmatrix}$ $\begin{vmatrix} -1&0& 1 \\ -1 & 0 &1\\ -1&0&1 \end{vmatrix}$

sobel 算子：

水平方向：竖直方向：

$\begin{vmatrix} 1&2&1 \\ 0 & 0 &0\\ -1&-2&-1 \end{vmatrix}$ $\begin{vmatrix} -1&0&-1 \\ -2 & 0 &-2\\ -1&0&-1 \end{vmatrix}$

二阶微分：

拉普拉斯算子：

二阶微分没有方向，而且受噪声影响很大，所以在使用二阶微分算子时一般都会先做平滑处理。在这里，我们一般使用高斯低通平滑，那么现在高斯平滑之后再计算二阶微分，可以变成直接对高斯函数做二阶微分，然后再进行卷积计算。

拉普拉斯算子可以用两种：

$\begin{vmatrix} 0&-1&0 \\ -1 & 4 &-1\\ 0&-1&0 \end{vmatrix}$ $\begin{vmatrix} -1&-1&-1 \\ -1 & 8 &-1\\ -1&-1&-1 \end{vmatrix}$

    img = cv2.imread("lena512color.tiff",0)
    prewitt_x=[
        [1,1,1],
        [0,0,0],
        [-1,-1,-1]
    ]
    prewitt_y=[
        [-1,0,1],
        [-1,0,1],
        [-1,0,1]
    ]
    prewitt_x_img = cv2.filter2D(img, -1, np.array(prewitt_x))
    prewitt_y_img = cv2.filter2D(img, -1, np.array(prewitt_y))

    sobel_x = [
        [1, 2, 1],
        [0, 0, 0],
        [-1, -2, -1]
    ]
    sobel_y = [
        [-1, 0, 1],
        [-2, 0, 2],
        [-1, 0, 1]
    ]
    sobel_x_img = cv2.filter2D(img, -1, np.array(sobel_x))
    sobel_y_img = cv2.filter2D(img, -1, np.array(sobel_y))

    laplace_1=[
        [0,-1,0],
        [-1,4,-1],
        [0,-1,0]
    ]

    laplace_2 = [
        [-1, -1, -1],
        [-1, 8, -1],
        [-1, -1, -1]
    ]

    laplace_1_img = cv2.filter2D(img, -1, np.array(sobel_x))
    laplace_2_img = cv2.filter2D(img, -1, np.array(sobel_y))

    plt.subplot(3,3,1)
    plt.title("oringal image",fontdict={'weight':'normal','size': 5})
    plt.imshow(img,cmap="gray")

    plt.subplot(3,3,2)
    plt.title("prewitt x image",fontdict={'weight':'normal','size': 5})
    plt.imshow(prewitt_x_img)

    plt.subplot(3,3,3)
    plt.title("prewitt y image",fontdict={'weight':'normal','size': 5})
    plt.imshow(prewitt_y_img)


    plt.subplot(3,3,4)
    plt.title("oringal image",fontdict={'weight':'normal','size': 5})
    plt.imshow(img,cmap="gray")

    plt.subplot(3, 3, 5)
    plt.title("sobel x image",fontdict={'weight':'normal','size': 5})
    plt.imshow(sobel_x_img)

    plt.subplot(3, 3, 6)
    plt.title("sobel y image",fontdict={'weight':'normal','size': 5})
    plt.imshow(sobel_y_img)

    plt.subplot(3,3,7)
    plt.title("oringal image",fontdict={'weight':'normal','size': 5})
    plt.imshow(img,cmap="gray")


    plt.subplot(3,3,8)
    plt.title("laplace 1 image",fontdict={'weight':'normal','size': 5})
    plt.imshow(laplace_1_img)

    plt.subplot(3,3,9)
    plt.title("laplace 2 image",fontdict={'weight':'normal','size': 5})
    plt.imshow(laplace_2_img)

    plt.show()