数字图像处理：椒盐噪声、均值滤波平滑

最新推荐文章于 2023-06-01 20:30:00 发布
最新推荐文章于 2023-06-01 20:30:00 发布
阅读量3.9k 收藏 9
点赞数
分类专栏： 数字图像处理 C语言 文章标签： 数字图像处理 C语言
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/qq_38898129/article/details/84947845
版权

实验：

1.向图像添加椒盐噪声；

2.利用2个3×3模板的均值滤波器对受噪声干扰的图像进行平滑处。

 

主要函数：

void SaltNoise(IplImage*src,IplImage*dst);//产生椒盐噪声

void FilterAverage1(IplImage*src,IplImage*dst);//3*3均值滤波

void FilterAverage2(IplImage*src,IplImage*dst);//3*3均值滤波

void laplace(IplImage*src,IplImage*dst);//拉普拉斯算法图像锐化

void GaussianNoise(IplImage*src,IplImage*dst,int mu,int sigma);//高斯噪声

void FilterMid(IplImage*src,IplImage*dst);//中值滤波

 

伪代码：

void SaltNoise(IplImage*src,IplImage*dst)
{
for(int i=0;i<传入图像的高度；i++)
for（int j=0 ;j<传入图像的宽度;j++）
{
   Int grayvalue = (i,j)像素点的像素值；
  Int value=随机数；
Uchar *ptr指向图像矩阵当前坐标指针；
If(value>31500) 
当前坐标值=0；即为黑色
Else
原像素点值保持不变；
}
}
void FilterAverage1(IplImage*src,IplImage*dst);//3*3均值滤波
{
  for(int i=0;i<传入图像的高度；i++)
for（int j=0 ;j<传入图像的宽度;j++）
{
      If(（i,j）所在位置在图像的坐标范围内)
{

           Int value= 1/9   *滤波器


即当前等于当前像素点与其八邻域像素点乘以相应系数之和的十六分之一；
}
Uchar *ptr 指向当前像素点；
*ptr=3*3模板得到的值；
}
}

void FilterAverage2(IplImage*src,IplImage*dst);//3*3均值滤波
{
  for(int i=0;i<传入图像的高度；i++)
for（int j=0 ;j<传入图像的宽度;j++）
{
      If(（i,j）所在位置在图像的坐标范围内)
{

           Int value= 1/16   *滤波器


          即当前等于当前像素点与其八邻域像素点乘以相应系数之和的十六分之一；
}
Uchar *ptr 指向当前像素点；
*ptr=3*3模板得到的值；
}
}

 

源代码：

#include <iostream>
#include<stdlib.h>
#include<random>
#include <cv.h>
#include <highgui.h>
using namespace std;
void SaltNoise(IplImage*src,IplImage*dst);//产生椒盐噪声
void FilterAverage1(IplImage*src,IplImage*dst);//3*3均值滤波
void FilterAverage2(IplImage*src,IplImage*dst);//3*3均值滤波
void laplace(IplImage*src,IplImage*dst);//拉普拉斯算法图像锐化
void GaussianNoise(IplImage*src,IplImage*dst,int mu,int sigma);//高斯噪声
void FilterMid(IplImage*src,IplImage*dst);//中值滤波
void main ()
{
IplImage* image=cvLoadImage("grayLena.bmp",-1);
IplImage* Salt_image=0;
IplImage* Aver_image1=0;
IplImage* Aver_image2=0;
IplImage *Gauss_image=0;
IplImage *mid_image=0;
IplImage *laplace_image=0;
Salt_image=cvCreateImage(cvSize(image->width,image->height),8,1);//IplImage* cvCreateImage( CvSize size, int depth, int channels );
Gauss_image=cvCreateImage(cvSize(image->width,image->height),8,1);
Aver_image1=cvCreateImage(cvSize(image->width,image->height),8,1);
Aver_image2=cvCreateImage(cvSize(image->width,image->height),8,1);
mid_image=cvCreateImage(cvSize(image->width,image->height),8,1);
laplace_image=cvCreateImage(cvSize(image->width,image->height),8,1);
SaltNoise(image,Salt_image);
GaussianNoise(image,Gauss_image,5,20);
FilterAverage1(Gauss_image,Aver_image1);
FilterAverage2(Gauss_image,Aver_image2);
FilterMid(Gauss_image,mid_image);
laplace(Aver_image2,laplace_image);
cvNamedWindow("image",CV_WINDOW_AUTOSIZE);
cvNamedWindow("Aver_image1",CV_WINDOW_AUTOSIZE);
cvNamedWindow("Aver_image2",CV_WINDOW_AUTOSIZE);
cvNamedWindow("Gauss_image",CV_WINDOW_AUTOSIZE);
cvNamedWindow("Salt_image",CV_WINDOW_AUTOSIZE);
cvNamedWindow("mid_image",CV_WINDOW_AUTOSIZE);
cvNamedWindow("laplace_image",CV_WINDOW_AUTOSIZE);
cvShowImage("image",image);
cvShowImage("Gauss_image",Gauss_image);
cvShowImage("Aver_image1",Aver_image1);
cvShowImage("Aver_image2",Aver_image2);
cvShowImage("Salt_image",Salt_image);
cvShowImage("mid_image",mid_image);
cvShowImage("laplace_image",laplace_image);
cvSaveImage("Salt_Lena.bmp",Salt_image);
cvSaveImage("mid_Lena.bmp",mid_image);

cvWaitKey(0);//cvWaitKey()函数的功能是不断刷新图像，频率时间为delay，单位为ms。返回值为当前键盘按键值。
cvDestroyWindow("image");
cvDestroyWindow("Salt_image");
cvReleaseImage(&image);
cvReleaseImage(&Salt_image);

}
void SaltNoise(IplImage*src,IplImage*dst)
{
for (int i=0;i<src->height;i++)
for(int j=0;j<src->width;j++)
{
int grayvalue=(int)CV_IMAGE_ELEM(src,uchar,i,j);//假设灰度图像image，存取其i行j列的象素可以这样：CV_IMAGE_ELEM(image, uchar,y, x)
int value=rand();
uchar*ptr=(uchar*)(dst->imageData+i*dst->width+j);
if(value>31500)
{
//cout<<value<<" ";
*ptr=0;
}
else
*ptr=grayvalue;
//cout<<*ptr<<" ";
}
}
void GaussianNoise(IplImage*src,IplImage*dst,int mu,int sigma)
{
std::random_device rd;
std::mt19937 gen(rd());
std::normal_distribution<> d(mu, sigma);
for (int i=0;i<src->height;i++)

for(int j=0;j<src->width;j++)
{
int grayvalue=(int)CV_IMAGE_ELEM(src,uchar,i,j);
uchar*ptr=(uchar*)(dst->imageData+i*dst->width+j);
int p=d(gen)+grayvalue;
p=p>255? 255:p;
p=p<0? 0:p;
*ptr=p;
}

}
void FilterAverage1(IplImage*src,IplImage*dst)//均值滤波函数，利用3*3模板
{                                                                                                       //           1  2  1
for(int i=1;i<src->height;i++)                                                       //1/16*   2  4  2
for(int j=1;j<src->width;j++)                                                    //            1  2   1
if((i-1)>=0&&j-1>=0&&i+1<src->height&&j+1<src->width)
{                                                                                                   //
int value=(int)(4*(int)CV_IMAGE_ELEM(src,uchar,i,j)+(int) CV_IMAGE_ELEM(src,uchar,i-1,j-1)+(int)CV_IMAGE_ELEM(src,uchar,i+1,j+1)
+2*(int)CV_IMAGE_ELEM(src,uchar,i-1,j)+2*(int)CV_IMAGE_ELEM(src,uchar,i+1,j)+2*(int)CV_IMAGE_ELEM(src,uchar,i,j-1)+2*(int)CV_IMAGE_ELEM(src,uchar,i,j+1)+
(int)CV_IMAGE_ELEM(src,uchar,i-1,j+1)+(int)CV_IMAGE_ELEM(src,uchar,i+1,j-1))/16;
//均值滤波函数,
uchar*ptr=(uchar*)(dst->imageData+i*dst->width+j);
*ptr=value;
}
else
{
int grayvalue=(int)CV_IMAGE_ELEM(src,uchar,i,j);
uchar*ptr=(uchar*)(dst->imageData+i*dst->width+j);
*ptr=grayvalue;
}

}
void FilterAverage2(IplImage*src,IplImage*dst)//均值滤波函数，利用3*3模板
{                                                                                                       //           1  1  1
for(int i=1;i<src->height;i++)                                                       //1/9*     1  1  1
for(int j=1;j<src->width;j++)
if((i-1)>=0&&j-1>=0&&i+1<src->height&&j+1<src->width)//            1  1  1
{                                                                                              //
int value=(int)((int)CV_IMAGE_ELEM(src,uchar,i,j)+(int)CV_IMAGE_ELEM(src,uchar,i-1,j-1)+(int)CV_IMAGE_ELEM(src,uchar,i+1,j+1)
+(int)CV_IMAGE_ELEM(src,uchar,i-1,j)+(int)CV_IMAGE_ELEM(src,uchar,i+1,j)+(int)CV_IMAGE_ELEM(src,uchar,i,j-1)+(int)CV_IMAGE_ELEM(src,uchar,i,j+1)+
(int)CV_IMAGE_ELEM(src,uchar,i-1,j+1)+(int)CV_IMAGE_ELEM(src,uchar,i+1,j-1))/9;
//均值滤波函数,
uchar*ptr=(uchar*)(dst->imageData+i*dst->width+j);
*ptr=value;
}
else
{
int grayvalue=(int)CV_IMAGE_ELEM(src,uchar,i,j);
uchar*ptr=(uchar*)(dst->imageData+i*dst->width+j);
*ptr=grayvalue;
}

}
void FilterMid(IplImage*src,IplImage*dst)//在3*3模板空间找到中间值
{
for(int i=1;i<src->height;i++)
for(int j=1;j<src->width;j++)
if((i-1)>=0&&j-1>=0&&i+1<src->height&&j+1<src->width)
{
int value[9],temp;
int midValue=(int)CV_IMAGE_ELEM(src,uchar,i-1,j-1);
value[0]=(int)CV_IMAGE_ELEM(src,uchar,i-1,j-1);
value[1]=(int)CV_IMAGE_ELEM(src,uchar,i-1,j);
value[2]=(int)CV_IMAGE_ELEM(src,uchar,i-1,j+1);
value[3]=(int)CV_IMAGE_ELEM(src,uchar,i,j-1);
value[4]=(int)CV_IMAGE_ELEM(src,uchar,i,j);
value[5]=(int)CV_IMAGE_ELEM(src,uchar,i,j+1);
value[6]=(int)CV_IMAGE_ELEM(src,uchar,i+1,j-1);
value[7]=(int)CV_IMAGE_ELEM(src,uchar,i+1,j);
value[8]=(int)CV_IMAGE_ELEM(src,uchar,i+1,j+1);
for(int m=0;m<8;m++)
{
temp=value[m];
for(int n=8;n>m;n--)
{
if(temp > value[n])
{
value[m] =  value[n];
value[n] = temp;
temp =value[m];
}
}
}
uchar*ptr=(uchar*)(dst->imageData+i*dst->width+j);
*ptr=value[4];
}
else
{
int grayvalue=(int)CV_IMAGE_ELEM(src,uchar,i,j);
uchar*ptr=(uchar*)(dst->imageData+i*dst->width+j);
*ptr=grayvalue;
}
}
void laplace(IplImage*src,IplImage*dst)
{
for (int i=1;i<src->height;i++)
for(int j=1;j<src->width;j++)
if((i-1)>=0&&j-1>=0&&i+1<src->height&&j+1<src->width)
{
int value=(5)*(int)CV_IMAGE_ELEM(src,uchar,i,j)-(int)CV_IMAGE_ELEM(src,uchar,i-1,j)-(int)CV_IMAGE_ELEM(src,uchar,i+1,j)-
(int)CV_IMAGE_ELEM(src,uchar,i,j-1)-(int)CV_IMAGE_ELEM(src,uchar,i,j+1);
uchar*ptr=(uchar*)(dst->imageData+i*dst->width+j);
*ptr=value;
}
else
{
int grayvalue=(int)CV_IMAGE_ELEM(src,uchar,i,j);
uchar*ptr=(uchar*)(dst->imageData+i*dst->width+j);
*ptr=grayvalue;
}
for (int i=1;i<src->height;i++)
for(int j=1;j<src->width;j++)
{
uchar*ptr=(uchar*)(dst->imageData+i*dst->width+j);
if ((int)CV_IMAGE_ELEM(dst,uchar,i,j)<=0)
{
*ptr=0;
}

}
}

调试分析：

                                          图1    加入椒盐噪声

                                   图二  第一种均值滤波

                                  图三  第二种均值滤波

 

 

Sunrise永不言弃
关注
  • 0
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
数字图像处理2_lena_matlab_energyzwg_中值滤波_图像处理_
09-29
任务1在测试图像“Lena”和“Li..”中加入方差var=162、322和642的零均值高斯噪声。a）将W＝3的平滑框滤波器应用于被噪声破坏的图像。计算原始图像和噪声图像的MSE。绘制MSE作为方差VAR的函数。b）应用W＝3的中值滤波器对噪声损坏的图像进行处理。计算原始图像和噪声图像的MSE。绘制MSE作为方差VAR的函数。任务2在测试图像“Lena”和“Li..”中加入椒盐噪声，噪声密度d=0.05、0.10和0.25。a）将W＝3的平滑框滤波器应用于被噪声破坏的图像。计算原始图像和已损坏图像的MSE，用于原始图像和滤波图像。绘制MSE作为噪声密度D的函数。b）应用W＝3的中值滤波器对噪声损坏的图像进行处理。计算原始图像和已损坏图像的MSE，用于原始图像和经过滤波的图像。绘制MSE作为噪声密度D的函数。任务3对测试图像“Lena”和“Li..”进行3×3盒滤波(平滑)。对α=0.10、0.20和0.25的平滑图像应用锐化滤波器g(xy)=f(xy)-α△f(xy)。计算原始和平滑图像的MSE，用于原始图像和锐化图像。绘制MSE作为参数α的函数。显示profile的一行测试图像、平滑图像和锐化图像（使用plot()Matlab方法）
MATLAB数字图像处理算法演示程序GUI
06-25
MATLAB数字图像处理 文件：打开、显示、重载、RGB变灰度、保存； 几何变换：垂直、水平镜像，图像转置、平移、缩放、旋转； 正交变换：FFT、DFT、DCT、DST、DHT、DWasht; 灰度处理：反色、直方图均衡、阈值变换、阈值变换、分段线性变换、对数非线性变换、指数非线性变换； 图像增强：噪声（高斯、椒盐），平滑（均值法、邻域平均法、中值滤波法、巴特沃氏低通滤波）； 锐化：梯度锐化、拉普拉斯锐化、巴特沃氏高通滤波； 伪彩色增强：亮度切割法、灰度级彩色变换法； 图像分割：灰度阈值法、边缘检测法（Robert算子、Laplacian算子、Prewitt算子、Canny算子、Sobel算子）； 图像恢复：退化模型（运动模糊、带噪声的运动模糊），复原方法（直接逆滤波、维纳滤波）； 图像编码：霍夫曼编码、行程编码；
GZU+数字图像处理期末大作业+MATLAB GUI代码和文档分析
06-10
主要功能：RGB到灰度图像，RGB到灰度图像，亮度和对比度变换，亮度拉伸变换，对数拉伸变换，二值化图像，灰度变化法，取反色，直方图调整法，图像几何变换，通用图像旋转，水平翻转，垂直翻转，图像缩放，错切变换，水平错切，垂直错切，图像噪声模型，椒盐噪声，高斯噪声，泊松噪声，空间域滤波，直方图均衡化，线性空间滤波，非线性滤波（中值滤波），中值滤波，排序滤波，逆谐波均值滤波器，经典锐化方法，经典梯度锐化，经典拉普拉斯锐化，经典平滑方法，模板均值法，领域均值法，频率域滤波，低通滤波器，理想低通滤波器，巴特沃斯低通滤波器，高斯低通滤波器，高通滤波器，理想高通滤波器，巴特沃斯高通滤波器，高斯高通滤波器，理想带通滤波器，理想带阻滤波器 傅里叶变换，傅里叶正变换，傅里叶反变换，没有中心化的傅里叶变换，没有中心化的傅里叶反变换，图像退化模型，运动造成的模糊，带噪声的运动模糊等
bmp图像添加椒盐噪声（vs2005）
12-20
对bmp图像添加椒盐噪声（vs2005实现）
opencv 图像滤波(均值,方框,高斯,中值)
12-17
为什么要使用滤波 消除图像中的噪声成分叫作图像的平滑化或滤波操作。信号或图像的能量大部分集中在幅度谱的低频和中频段是很常见的，而在较高频段，感兴趣的信息经常被噪声淹没。因此一个能降低高频成分幅度的滤波器就能够减弱噪声的影响。 如下图，左图带有椒盐噪声，右图为使用中值滤波处理后的图片。 图像滤波的目的有两个:一是抽出对象的特征作为图像识别的特征模式;另一个是为适应图像处理的要求，消除图像数字化时所混入的噪声。 python +opencv讲解 均值滤波 含义 如图：如果我们想对红色点进行处理，则它新值等于周围N乘N个像素点的平均（包括自身） 用表达式表达： 扩展到对整个图像进行均
空间滤波（平滑滤波）
JaxonChan的博客
07-10 6486
本实验所采用的空间滤波方法是平滑滤波，下图是两个3*3平滑（均值）滤波器模板，对图像进行平滑处理。 平滑线性空间滤波器的输出响应是包含在滤波器模板邻域内的像素的简单平均值。平滑滤波器多用于模糊处理和降低噪声。 第一个滤波器产生模板下方的标准像素平均值。其中第二个模板更为重要，它产生加权平均，是指使用不同的系数乘以像素，即一些像素的重要性（权重）比另一些像素的重要性大。 因此，一幅M×N的图像经过一个大小为m×n(m和n是奇数)的加权均值滤波器滤波的过程可由下式给出： 即一幅完全.
Opencv 笔记3 图像平滑
weixin_39354845的博客
12-03 2605
一、卷积定义与矩阵形式 常用的平滑处理算法是基于二维离散卷积的高斯滤波、均值滤波。以及基于统计方法的中值滤波。 假设有两个矩阵 将K旋转180度（为什么旋转，我也没有想通） 然后就是按照I的每个元素，从左到右，从上到下， 得到一个新的矩阵M 那么我们可以说矩阵K为一个卷积核（卷积掩码），M是I关于K的full 卷积。这个理解是很简单的。但是我们在图像像素处理的过程中一般使用的是same 卷积，就是说，在卷积后的图像的高和宽和原来图像的是一样的，如下： 对于same和full卷积，矩阵I....
【图像处理笔记】平滑空间滤波器
lc__________的博客
09-20 1万+
平滑空间滤波器是低频增强的空间滤波技术。它的目的有两类：一是模糊处理，二是降低噪声。 本文介绍的平滑空间滤波器也分为两类，一类是线性滤波器，比如最简单的简单平均法。但是大多数线性滤波器具有低通特性，去除噪声的同时也使得图像的边缘变得模糊了。另一类是统计排序滤波器。它是非线性滤波器，在去除噪声的同时，也能较好的保留了图像的边缘信息。
图像平滑(均值和中值滤波)和锐化(四种教科书卷积算子)处理以及MATLAB代码实现
qq_2787174606的博客
08-30 4039
所谓锐化就是应用锐化工具可以快速聚焦模糊边缘，提高图像中某一部位的清晰度或者焦距程度，使图像特定区域的色彩更加鲜明。就如同我们手机相册里面的图片锐化功能，能够是图片变的更加具体看起来细节更高。而图像的锐化处理，则是采用与滤波窗口同样大小的数值矩阵（此矩阵一般被称为算子），与窗口对应的图像上的像元值矩阵进行相乘处理，最后求和取绝对值赋值给待处理像元，遍历完之后就实现了整个图像的锐化操作。.........
C实现椒盐噪声生成
MikeDai的博客
09-21 2099
实现代码如下：void salt_peper_noise(uint8_t* gray, int width, int height) { uint8_t* img; int i, j; int low; int h; int tmp; uint32_t n; img = gray; n = width * height; low
实验二 数字图像增强与恢复技术
01-11
实验目的： ...7. 编程实现对数字图像进行加高斯噪声、椒盐噪声等常用噪声，并保存加噪的图片。 8. 编程实现图像的空域平滑，包括均值滤波和中值滤波。对上一题的结果进行去噪。要求：模板的大小可以选择。
Matlab实现图像添加椒盐噪声及中值滤波/均值滤波去除
热门推荐
Nothing is final！！！
11-29 1万+
Matlab实现图像添加椒盐噪声及中值滤波/均值滤波去除。
opencv笔记：高斯滤波和中值滤波对椒盐噪声的处理
panpan_jiang1的博客
06-01 3155
椒盐噪声又叫冲击噪声（或者脉冲噪声）。在图像上表现为离散分布的纯白色或者黑色像素点，出现的位置通常是随机的，不连续的。由于在正常情况下，在图像中不太可能出现最大/最小值的灰度像素，因此这个样的像素点可以被当成噪声。椒盐噪声产生的原因可能是环境的干扰（如电磁干扰）、传感器（ADC）内部时序错误等。
数字图像处理【3】图像空间滤波-平滑
vx number：zzr_admin，拉入技术交流群。
03-23 1568
介绍图像的各种空间滤波原理，及处理的目：去噪、特征提取、图像增强。
C#3*3图像平滑
斗罗FOXBY
05-21 510
public class ConvMatrix { public int TopLeft = 0, TopMid = 0, TopRight = 0; public int MidLeft = 0, Pixel = 1, MidRight = 0; public int BottomLeft = 0, BottomMid = 0, BottomRight = 0; public int Facto
图像处理：C代码实现 椒盐噪声的添加和中值滤波去除椒盐噪声
L888666Q的博客
01-12 2307
椒盐噪声简介：椒（pepper）即表示图像中某像素处的值为0（黑色），盐（salt）即表示图像中某像素处的值为255（白色）； 产生椒盐噪声的思路： 产生两个随机数（xPosition和yPosition），用来在图像中该坐标处添加椒盐点； 产生一个随机数，用来决定在1中的坐标点上添加椒点还是盐点； 注意事项：产生椒盐噪声的椒盐个数和椒盐颗粒的大小均需要通过参数设置，并且本程序是给灰度图片添加噪声。 代码如下： int peppersalt(unsigned char* buffer,
自选一幅灰度图像，添加椒盐噪声。用中值滤波器、最大值滤波器、最小值滤波器、修正 均值滤波器分别处理含噪图像。
qq_45847033的博客
10-18 1118
 本模板供Python环境使用。另外，你也可以选择用MATLAB完成，或用C++与Opencv完成。 # 对'rice.tif'添加椒盐噪声，再做中值滤波。使用Python+skimage实现 %matplotlib inline from skimage import io, util, filters from skimage.morphology import disk import skimage.filters.rank as sfr import matplotlib.pyplot as p
c语言数字图像处理（八）：噪声模型及均值滤波器
dkiln60242的专栏
10-30 560
图像退化/复原过程模型 高斯噪声 PDF（概率密度函数） 生成高斯随机数序列 算法可参考<http://www.doc.ic.ac.uk/~wl/papers/07/csur07dt.pdf> 代码实现 1 double gaussrand() 2 { 3 static double V1, V2, S; 4 sta...
数字图像处理(10)：图像复原（去噪，C语言）
ZhaoDongyu_AK47的博客
06-26 3146
文章目录1. 复原被加性高斯噪声污染的图像2. 复原被椒盐噪声污染的图像3. 代码实现遇到的问题 1. 复原被加性高斯噪声污染的图像 在数字图像中的高斯噪声的主要来源出现在采集期间。 由于不良照明和/或高温引起的传感器噪声。在数字图像处理中，可以使用空间滤波器来降低高斯噪声，但是当对图像进行平滑时，结果可能导致精细缩放的图像边缘和细节的模糊，因为它们也对应于被阻挡的高频。 用于噪声去除的常规空间滤波技术包括：平均（卷积）滤波，中值滤波和高斯平滑。 分析：对于加性高斯噪声污染的图像分别用了3x3算术均值滤波
平滑滤波、均值滤波、锐化滤波
最新发布
11-25
平滑滤波、均值滤波和锐化滤波都是数字图像处理中常用的滤波方法。 1. 平滑滤波 平滑滤波是一种常用的图像滤波方法，它可以去除图像中的噪声，使图像变得更加平滑。平滑滤波的基本思想是用一个模板对图像进行卷积，将每个像素的值替换为该像素周围像素的平均值。常用的平滑滤波方法有均值滤波、中值滤波等。 2. 均值滤波 均值滤波是一种最简单的平滑滤波方法，它的基本思想是用一个固定大小的模板对图像进行卷积，将每个像素的值替换为该像素周围像素的平均值。均值滤波可以有效地去除高斯噪声和椒盐噪声，但是会使图像变得模糊。 下面是一个3x3的均值滤波器的示例代码： ```python import cv2 import numpy as np img = cv2.imread('image.jpg') kernel = np.ones((3,3),np.float32)/9 dst = cv2.filter2D(img,-1,kernel) cv2.imshow('Original', img) cv2.imshow('Averaging', dst) cv2.waitKey(0) cv2.destroyAllWindows() ``` 3. 锐化滤波 锐化滤波是一种常用的图像增强方法，它可以使图像变得更加清晰。锐化滤波的基本思想是用一个模板对图像进行卷积，将每个像素的值替换为该像素周围像素的加权和。常用的锐化滤波方法有拉普拉斯滤波、Sobel滤波等。 下面是一个拉普拉斯滤波器的示例代码： ```python import cv2 import numpy as np img = cv2.imread('image.jpg') kernel = np.array([[0,-1,0],[-1,5,-1],[0,-1,0]],np.float32) dst = cv2.filter2D(img,-1,kernel) cv2.imshow('Original', img) cv2.imshow('Sharpened', dst) cv2.waitKey(0) cv2.destroyAllWindows() ```

“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
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