空域&频域滤波

1. 空域平滑

（1）高斯滤波

import cv2 as cv
import numpy as np
img = cv.imread("lena512color.jpg",1)
cv.imshow("img",img)
cv.waitKey(0)
kernel = cv.getGaussianKernel(3,0)
print((kernel))
# """【函数描述】用于计算一维高斯函数的模板系数
# 	【参数描述】n     — 模板尺寸，n必须为大于0的正整数，一般取n为奇数，但是通
# 	                        过源代码分析可以知道，取n为偶数，同样可以计算得到对
# 	                        应结果。
# 	           sigma — 高斯标准差（公式中的σ），如果sigma取小于等于0的数，则
# 	                        函数根据当前n值计算对应的sigma值，
# 	                                       sigma = ((n-1)*0.5 – 1)*0.3 + 0.8。
# 	           ktype — 数据类型，CV_32F或者CV_64F
# 	【返回值】 返回n行1列归一化的一维高斯系数
# """
Gaussfilter_img = cv.filter2D(img,-1,kernel)
cv.imshow("GaussFilter",Gaussfilter_img)
cv.waitKey(0)

 

（2）均值滤波Blur

（3）中值滤波

• 空域锐化

1.Laplace先使用Laplacian函数获得梯度图，然后使用convertScaleAbs函数取绝对值

2.SobelSobel

• 频域平滑

1.低通滤波

1）初始化全0掩模mask=np.zeros(img.shape,np.uint8)

2）将掩模中心置1r=int(rows/2)c=int(cols/2)mask[r-radius:r+radius,c-radius:c+radius]=1

3）将图像从空域转换到频域

f1=np.fft.fft2(img)

f1shift=np.fft.ffshift(f1)

4）乘上掩模，即滤去高频分量，保留低频分

f1shift=f1shift*mask

5）进行逆变换

f2shift = np.fft.ifftshift(f1shift)

img_new = np.fft.ifft2(f2shift)

6）进行处理，调整大小，获得最终结果

 

• 频域锐化