【课程作业】空域图像增强技术

已于 2022-12-31 00:02:38 修改
阅读量280 收藏 1
点赞数
分类专栏： 图像处理 文章标签： opencv 计算机视觉 python
于 2022-12-04 00:00:00 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 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/m0_50939789/article/details/128149968
版权

2D 卷积

实现代码

import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread("D:/Project/PythonProject/GraphicAnalysis/class3/rice.png")
kernel = np.ones((5,5),np.float32)/25
dst = cv2.filter2D(img,-1,kernel)
cv2.imshow('ori',img)
cv2.imshow('avr',dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

实现效果

在这里插入图片描述

图像模糊（图像平滑）

平均

实现代码

import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread("D:/Project/PythonProject/GraphicAnalysis/class3/rice.png")
blur = cv2.blur(img,(3,3))
cv2.imshow('ori',img)
cv2.imshow('avr',blur)
cv2.waitKey(0)
cv2.destroyAllWindows()

实现效果

在这里插入图片描述
实现代码

import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread("D:/Project/PythonProject/GraphicAnalysis/class3/rice.png")
blur = cv2.blur(img,(3,3))
cv2.imshow('ori',img)
cv2.imshow('avr',blur)
cv2.waitKey(0)
cv2.destroyAllWindows()

实现效果

在这里插入图片描述

高斯滤波

实现代码

import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread("D:/Project/PythonProject/GraphicAnalysis/class3/noise.png")
blur = cv2.GaussianBlur(img,(9,9),0)
cv2.imshow('ori',img)
cv2.imshow('avr',blur)
cv2.waitKey(0)
cv2.destroyAllWindows()

实现效果

在这里插入图片描述

getGaussianKernel 函数

实现代码

import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread("D:/Project/PythonProject/GraphicAnalysis/class3/noise.png")
GaussianKernel = cv2.getGaussianKernel(10, 3)
print(GaussianKernel)
cv2.imshow('ori',img)
dst = cv2.filter2D(img,-1,GaussianKernel)
cv2.imshow('avr',dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

二维高斯核（二维高斯矩阵）

在这里插入图片描述

实现效果

在这里插入图片描述

中值滤波

实现代码

import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread("D:/Project/PythonProject/GraphicAnalysis/class3/noise.png")
blur = cv2.medianBlur(img,5)
cv2.imshow('ori',img)
cv2.imshow('avr',blur)
cv2.waitKey(0)
cv2.destroyAllWindows()

实现效果
在这里插入图片描述

图像梯度

Roberts 算子利用 filter2D 函数实现

实现代码

import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread("D:/Project/PythonProject/GraphicAnalysis/class3/noise.png")
kernelx = np.array([[-1,0],[0,1]], dtype=int)
kernely = np.array([[0,-1],[1,0]], dtype=int)
img_rgb = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
#灰度化处理图像
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
x = cv2.filter2D(img_gray, cv2.CV_16S, kernelx)
y = cv2.filter2D(img_gray, cv2.CV_16S, kernely)
#转 uint8 
absX = cv2.convertScaleAbs(x) 
absY = cv2.convertScaleAbs(y) 
Roberts = cv2.addWeighted(absX,0.5,absY,0.5,0)

#用来正常显示中文标签
plt.rcParams['font.sans-serif']=['SimHei']
#显示图形
titles = [u'原始图像', u'Roberts 算子'] 
images = [img_rgb, Roberts] 
for i in range(2): 
 plt.subplot(1,2,i+1), plt.imshow(images[i], 'gray') 
 plt.title(titles[i]) 
 plt.xticks([]),plt.yticks([]) 
plt.show()

实现效果

在这里插入图片描述
在这里插入图片描述

Roberts 算子利用 Sobel 函数实现

实现代码

import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread("D:/Project/PythonProject/GraphicAnalysis/class3/rice.png")
x = cv2.Sobel(img, cv2.CV_16S, 1, 0)
y = cv2.Sobel(img, cv2.CV_16S, 0, 1)
Scale_absX = cv2.convertScaleAbs(x) # convert 转换 scale 缩放
Scale_absY = cv2.convertScaleAbs(y)
result = cv2.addWeighted(Scale_absX, 0.5, Scale_absY, 0.5, 0)
cv2.imshow('img', img)
cv2.imshow('Scale_absX', Scale_absX)
cv2.imshow('Scale_absY', Scale_absY)
cv2.imshow('result', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

实现效果
在这里插入图片描述

Prewitt 算子利用 filter2D 函数实现

实现代码

import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread("D:/Project/PythonProject/GraphicAnalysis/class3/noise.png")
kernelx = np.array([[1,1,1],[0,0,0],[-1,-1,-1]],dtype=int)
kernely = np.array([[-1,0,1],[-1,0,1],[-1,0,1]],dtype=int)
img_rgb = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
#灰度化处理图像
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
x = cv2.filter2D(img_gray, cv2.CV_16S, kernelx)
y = cv2.filter2D(img_gray, cv2.CV_16S, kernely)
#转 uint8
absX = cv2.convertScaleAbs(x) 
absY = cv2.convertScaleAbs(y) 
Prewitt = cv2.addWeighted(absX,0.5,absY,0.5,0)
#用来正常显示中文标签
plt.rcParams['font.sans-serif']=['SimHei']
#显示图形
titles = [u'原始图像', u'Prewitt 算子'] 
images = [img_rgb, Prewitt] 
for i in range(2): 
	plt.subplot(1,2,i+1)
	plt.imshow(images[i], 'gray') 
	plt.title(titles[i]) 
	plt.xticks([]),plt.yticks([]) 
plt.show()

实现效果

在这里插入图片描述

Sobel 算子

实现代码

import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread("D:/Project/PythonProject/GraphicAnalysis/class3/noise.png")
kernelx = np.array([[1,2,1],[0,0,0],[-1,-2,-1]],dtype=int)
kernely = np.array([[-1,0,1],[-2,0,2],[-1,0,1]],dtype=int)
img_rgb = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
#灰度化处理图像
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
x = cv2.filter2D(img_gray, cv2.CV_16S, kernelx)
y = cv2.filter2D(img_gray, cv2.CV_16S, kernely)
#转 uint8
absX = cv2.convertScaleAbs(x) 
absY = cv2.convertScaleAbs(y) 
Sobel = cv2.addWeighted(absX,0.5,absY,0.5,0)
#用来正常显示中文标签
plt.rcParams['font.sans-serif']=['SimHei']
#显示图形
titles = [u'原始图像', u'Sobel 算子'] 
images = [img_rgb, Sobel] 
for i in range(2): 
	plt.subplot(1,2,i+1)
	plt.imshow(images[i], 'gray') 
	plt.title(titles[i]) 
	plt.xticks([]),plt.yticks([]) 
plt.show()

实现效果

在这里插入图片描述

Laplacian 算子

实现代码

import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread("D:/Project/PythonProject/GraphicAnalysis/class3/rice.png")
dst = cv2.Laplacian(src=img, ksize=3, ddepth=-1)
cv2.imshow("ori", img)
cv2.imshow("Laplacian k=3", dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

实现效果

在这里插入图片描述

总结

实现代码

import cv2 
import numpy as np 
import matplotlib.pyplot as plt
#读取图像
img = cv2.imread("D:/Project/PythonProject/GraphicAnalysis/class3/rice.png")
lenna_img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
#灰度化处理图像
grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
#高斯滤波
gaussianBlur = cv2.GaussianBlur(grayImage, (3,3), 0)
#阈值处理
ret, binary = cv2.threshold(gaussianBlur, 127, 255, cv2.THRESH_BINARY)
#Roberts 算子
kernelx = np.array([[-1,0],[0,1]], dtype=int)
kernely = np.array([[0,-1],[1,0]], dtype=int)
x = cv2.filter2D(binary, cv2.CV_16S, kernelx)
y = cv2.filter2D(binary, cv2.CV_16S, kernely)
absX = cv2.convertScaleAbs(x) 
absY = cv2.convertScaleAbs(y) 
Roberts = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)
#Prewitt 算子
kernelx = np.array([[1,1,1],[0,0,0],[-1,-1,-1]], dtype=int)
kernely = np.array([[-1,0,1],[-1,0,1],[-1,0,1]], dtype=int)
x = cv2.filter2D(binary, cv2.CV_16S, kernelx)
y = cv2.filter2D(binary, cv2.CV_16S, kernely)
absX = cv2.convertScaleAbs(x) 
absY = cv2.convertScaleAbs(y) 
Prewitt = cv2.addWeighted(absX,0.5,absY,0.5,0)
#Sobel 算子
x = cv2.Sobel(binary, cv2.CV_16S, 1, 0)
y = cv2.Sobel(binary, cv2.CV_16S, 0, 1) 
absX = cv2.convertScaleAbs(x) 
absY = cv2.convertScaleAbs(y) 
Sobel = cv2.addWeighted(absX, 0.5, absY, 0.5, 0)
#拉普拉斯算法
dst = cv2.Laplacian(binary, cv2.CV_16S, ksize = 3)
Laplacian = cv2.convertScaleAbs(dst) 
#效果图
titles = ['Source Image', 'Binary Image', 'Roberts Image',
 'Prewitt Image','Sobel Image', 'Laplacian Image'] 
images = [lenna_img, binary, Roberts, Prewitt, Sobel, Laplacian] 
for i in np.arange(6): 
 plt.subplot(2,3,i+1),plt.imshow(images[i],'gray') 
 plt.title(titles[i]) 
 plt.xticks([]),plt.yticks([]) 
plt.show()

实现效果

在这里插入图片描述

a9c93f2300
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
【图像增强】基于自适应空域滤波图像增强含Matlab源码
qq_59747472的博客
03-06 1101
1 简介 图像增强是指通过一些手段改善图像的质量,进而提高图像的视觉效果,使得图像变得更加清晰,这样就更加便于人和计算机对某个图像进行进一步的处理和研究.本篇文章主要研究空间域上的不同滤波算法的图像增强,空域上不同的平滑滤波对带有不同噪声的图像进行图像增强效果的比较. 2 部分代码 function varargout = spatial_filter(varargin)% SPATIAL_FILTER M-file for spatial_filter.fig% SPATIAL_FILT
实验五 图像空域增强 中值滤波 matlab实验报告 附代码
10-30
实验目的： 掌握图像空域变换的基本原理与常用方法。 实验要求： 编程实现： 1、 图像像素的变换，[a，b]范围转换到[c，d]中； 2、 图像的中值滤波（或均值滤波）。
2.2 Python图像的空域增强处理-算术运算
集电极
07-08 386
2.2 Python图像的空域增强处理-算术运算 文章目录2.2 Python图像的空域增强处理-算术运算1 算法原理2 代码3 效果 1 算法原理 1）加法与减法。 假设 f(x,y),g(x,y)分别为两幅已知的图像，图像的加法和减法操作就是直接在每个位置的像素上做运算(两幅图像的尺寸需保持一致)，最终得到的图像 s(x,y)，可能会出现以下问题: 会出现不在 [ 0-255 ] 之间的像素点存在，最简单的操作就是小于 0 的像素点置为 0，大于 255 的像素点置为 255,或者可以做最大最小值均衡，
基于matlab的图像增强—空域变换增强（一）
10-10
matlab;图像增强；空域图像增强；灰度求反；包含代码和文档详解；已经测试通过；效果良好。
2.3 Python图像的空域增强处理-直方图修正
集电极
07-09 832
2.3 Python图像的空域增强处理-直方图修正 文章目录2.3 Python图像的空域增强处理-直方图修正1 算法原理2 代码3 效果 1 算法原理 直方图均衡化算法和直方图规定化 对于灰度级（intensity levels）范围为[0,L−1] [0, L-1] [0,L−1]的数字图像，其直方图可以表示为一个离散函数 h(rk)=nk，其中rk是第k级灰度值（intensity value）， nk 是图像中灰度值为 rk 的像素个数，也就是说，图像的灰度直方图表征的是该图像的灰度分布。在实际应用
数字图像处理课程作业0-骨架图像增强
留下虚度光阴的一些证据。
12-07 3010
1.实验目的 掌握各种灰度变换技术，加深对灰度变换的理解；掌握在空域中进行图像噪声消除、图像平滑和图像锐化等各种改善图像质量的方法；通过联合应用实验，提高同学门灵活运用知识的能力。 2.实验要求 将下列图，运用综合的图像的空间域增强进行增强，以方便医生观察骨骼情况。 3.实验分析 ①原图骨架轮廓边缘不够清洗，需要使用边缘算子进行处理，可以使用Sobel梯度算子去除慢变化背景 ②对Sobel梯度算子处理后的图片进行3*3的均值滤波 ③原图的低灰度区对比度差，窄带高灰度区（亮）需展宽，因此选γ<1的幂次
图像增强技术总结
qq_52952304的博客
10-13 2931
图像增强技术总结(老师突然布置的总结作业)
数字图像处理大作业实验报告
qq_56919740的博客
11-26 1万+
数字图像处理大作业，栽树了属于是
数字图像处理学习小结（3）——图像增强
qq_41569098的博客
04-06 474
1、概述 根据处理所进行的空间不同，分为基于空域的方法和基于频域的方法。 空域是指由像素组成的空间，基于空域的方法是指直接作用于像素的增强方法；基于频域的方法要在空域和频域之间进行变换，然后在频域进行增强操作。 2、空域点处理变换增强 有几类方法： 将空域中每个像素增强； 借助直方图 借助一系列图像间的操作 设计合适的映射函数。 1）直接灰度变换 灰度线性变换：g(x,y) = af(x,y)+b 分段线性处理：不同范围不同的线性函数 对数变换 灰度切分： 2）直方图处理 直方图均衡化：累计概
数字图像处理实验报告空域图像增强技术.pdf
09-30
数字图像处理实验报告空域图像增强技术.pdf
实验二_空域_图像增强_频域_
10-02
1.了解图像增强的基本原理和算法；2.直方图均衡化、规定化；3.灰度图像的空域增强；4.灰度图像的频域增强；
空域图像增强资源包.zip
01-23
里面包含了图片和代码资源。
ex03spacialImgeEnhancement_03空域图像增强_
09-29
03空域图像增强QRadioButton，QGroupBox，空间域平滑滤波、空间域锐化滤波
Matlab 空域频域图像增强.rar
06-20
通过完成该题目的设计和实现，了解图像去噪增强方法，掌握图像去噪增强的原理和技术，使学生具有一定的图像分析和处理能力。 包括需要的图片，课设报告，MATLAB加噪代码，空域与频域结合使用的多种图像增强算法
数字图像处理和计算机视觉课程大纲,数字图像处理课程主页
weixin_42385265的博客
07-26 713
数字图像处理课程主页导航：1、课程通知：课程结束通知：《数字图像处理》课程的全部内容已于2007年11月18日全部结束，剩下的时间希望大家好好复习，通读教材做到融会贯通。考试时间定于：2007年12月22日(具体安排相见研究生院网站)。复习重点：图像变换中Fourier变换的性质；图象增强中线性拉伸、直方图均衡、规格化，以及图像平滑、锐化以及边缘提取的相关掩模的性质；图像恢复与重建中的逆滤波等内容...
【基于MATLAB的数字图像处理】大作业·综合图像处理平台
热门推荐
qq_52785580的博客
05-10 1万+
我们获得的图像难免会伴随着很多的噪声，有时会使图像质量下降；有时会干扰我们的视觉，使拍摄出的图像效果不满意；有时甚至会出现一些特殊情况，遮挡住人脸或重要物体。这时我们需要对获得的图像进行一些图像处理，以使我们的图像观感更好，图像质量更优质。 本平台致力于将多种图像处理功能集成于一体，方便用户直观快捷的对图像进行操作处理，快速地获得一幅较为优质的图像；另外，本平台亦可作为教育教学软件使用，教师可以直观的为学生展示各种图像操作的变换的效果，也可进一步延伸，展示一些偏向于应用和中级图像处理的图像操作。
使用opencv 进行车牌位置检测的源代码
最新发布
三维点云技术探索
05-30 215
函数的流程是：读取图像 -> 缩放 -> 灰度化 -> 去噪 -> 边缘检测 -> 形态学操作 -> 轮廓检测 -> 筛选可能的车牌轮廓 -> 矫正车牌图像 -> 颜色定位 -> 返回结果。这个过程为车牌识别算法提供了预处理后的图像和颜色信息，以便于更准确地识别车牌。
Android 调用OpenCV动态库
loovelj的博客
05-27 325
android opencv
空域图像图像增强与MATLAB实现课程报告
05-27
空域图像增强是一种常见的图像处理技术，它是指在空间域内对图像进行处理，从而提高图像的质量和清晰度。本报告将介绍空域图像增强的基本原理和MATLAB实现方法。 一、空域图像增强的基本原理 空域图像增强的基本...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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

打赏作者

a9c93f2300

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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