数字图像处理与深度学习-实验3（python）

happy果2023

已于 2024-03-26 17:02:28 修改

阅读量1.4k

点赞数 36

分类专栏：数字图像处理与深度学习文章标签：计算机视觉图像处理人工智能 python

于 2024-03-26 17:01:21 首次发布

本文链接：https://blog.csdn.net/qq_63237596/article/details/137039722

版权

数字图像处理与深度学习专栏收录该内容

1 篇文章 0 订阅

订阅专栏

一、实验目的和要求

理解邻域运算的实现原理。
理解图像平滑滤波的用途与实现方法。
理解图像锐化滤波的用途与实现方法。

二、实验内容和步骤

1. 图像加噪声函数列举如下，选择调用相关函数，编写Python程序完成下列图像处理要求：

（1）train1.jpg图像加入高斯噪声,然后分别采用3╳3滤波核和7╳7滤波核进行均值滤波，将原图像、添加噪声的图像、不同滤波核滤波后的图像放置在同一绘图区域并保存。

（2）train1.jpg图像加入高斯噪声，分别采用5╳5滤波核的高斯滤波和均值滤波，将原图像、添加噪声的图像、不同滤波算法滤波后的图像放置在同一绘图区域并保存。

（3）lena.jpg图像添加椒盐噪声，变换阈值邻域平滑滤波的阈值参数，比较均值滤波和阈值邻域平滑滤波的效果，结果显示在同一绘图区域。

（4）为train1.jpg图像加入椒盐噪声，分别采用5╳5滤波核的中值滤波和均值滤波，将原图像、添加噪声的图像、不同滤波算法滤波后的图像放置在同一绘图区域并保存。

定义高斯噪声函数
def addGaussianNoise(src,mu,sigma):
    NoiseImg=src.copy()
    NoiseImg=NoiseImg/NoiseImg.max()
    rows,cols=NoiseImg.shape[:2]
    for i in range(rows):
        for j in range(cols):
            #python里使用random.gauss函数加高斯噪声
            NoiseImg[i,j]=NoiseImg[i,j]+random.gauss(mu,sigma) 
            if NoiseImg[i,j]< 0:
               NoiseImg[i,j]=0
            elif NoiseImg[i,j]>1:
               NoiseImg[i,j]=1
    NoiseImg=np.uint8(NoiseImg*255)
    return NoiseImg
src.copy() ：在图像处理中，src.copy() 通常用于创建一个原始图像 src 的副本，并将其存储在另一个变量中，以便在不改变原始图像的情况下对其进行修改或添加噪声。
NoiseImg = NoiseImg / NoiseImg.max() ：在图像处理中，对图像进行归一化处理是一种常见的预处理步骤。NoiseImg = NoiseImg / NoiseImg.max() 这行代码就是对图像 NoiseImg 进行归一化，将图像的像素值缩放到 0 到 1 的范围内。具体来说，NoiseImg.max() 计算了图像中所有像素值的最大值。然后，通过将每个像素值除以这个最大值，你确保了图像中所有像素的新值都在 0 到 1 之间。
rows, cols = NoiseImg.shape[:2] ：NoiseImg.shape[:2] 是一个切片操作，它获取 NoiseImg.shape 元组的前两个元素，即 rows 和 cols。这样，rows 和 cols 分别被赋值为图像的行数和列数。
NoiseImg[i, j] = NoiseImg[i, j] + random.gauss(mu, sigma)：将一个符合高斯分布的随机数加到 NoiseImg 图像在坐标 (i, j) 处的像素值上。
      if NoiseImg[i,j]< 0:

                 NoiseImg[i,j]=0

           elif NoiseImg[i,j]>1:

              NoiseImg[i,j]=1

如果添加噪声后，像素值小于0，那么将这个像素值设置为0。这是为了确保像素值不会低于有效范围的下限。

如果像素值在添加噪声后大于1，那么将这个像素值设置为1。这是为了确保像素值不会高于有效范围的上限。

NoiseImg = np.uint8(NoiseImg * 255) ：在图像处理中，当你有一个归一化后的图像数组，其像素值范围在0到1之间，并且你想要将这个数组转换回一个常见的8位无符号整数（uint8）格式，以便能够直接显示或保存为图像文件时，你需要将像素值重新缩放回0到255的范围。这是因为大多数图像处理和显示系统都使用8位来表示每个像素的强度（对于灰度图像）或颜色分量（对于彩色图像）。代码 NoiseImg = np.uint8(NoiseImg * 255) 完成了这个转换。这里，NoiseImg * 255 将每个像素值乘以255，将其从0-1的范围转换到0-255的范围。然后，np.uint8 函数将这个缩放后的浮点数数组转换为8位无符号整数数组。

定义图像添加椒盐噪声
def addSaltAndPepper(src, percentage):
    NoiseImg = src.copy()   #在此要使用copy函数，否则src和主程序中的img都会跟着改变
    NoiseNum = int(percentage * src.shape[0] * src.shape[1])
    #NoiseNum代表了基于给定percentage的图像中的随机像素数
    for i in range(NoiseNum):
        randX = random.randint(0, src.shape[0] - 1)  #产生[0, src.shape[0] - 1]之间随机整数
        randY = random.randint(0, src.shape[1] - 1)
        if random.randint(0, 1) == 0:
            NoiseImg[randX, randY] = 0
        else:
            NoiseImg[randX, randY] = 255
    return NoiseImg
randX = random.randint(0, src.shape[0] - 1) 和 randY = random.randint(0, src.shape[1] - 1)：这两行代码分别生成两个随机整数randX和randY，它们分别代表图像src中的随机行（高度）和列（宽度）索引。注意，索引是从0开始的，并且需要减去1以确保随机坐标不会超出图像的边界。
if random.randint(0, 1) == 0: NoiseImg[randX, randY] = 0：这两行代码检查另一个随机生成的整数（只能是0或1）是否为0。如果是0，则将NoiseImg图像在(randX, randY)位置的像素值设置为0（黑色）。
else: NoiseImg[randX, randY] = 255：如果上面的随机整数不是0（即为1），则将NoiseImg图像在(randX, randY)位置的像素值设置为255（白色）。

定义阈值均值平滑滤波

目的：是通过比较原始噪声图像和其模糊版本来创建一个阈值化图像，以突出显示那些与周围像素显著不同的像素
#阈值均值平滑滤波
def threshAverFilter(imgNoise,T):
    imgAver=cv2.blur(imgNoise,(5,5))#blur函数对imgNoise进行模糊处理
    row,col=imgNoise.shape
    imgThresh=np.zeros((row,col))
    for i in range(row):
        for j in range(col):
            if np.abs(imgNoise[i,j]-imgAver[i,j])>T:
                imgThresh[i,j]=imgAver[i,j]
            else:
                imgThresh[i,j]=imgNoise[i,j]
    return imgThresh
（1）train1.jpg图像加入高斯噪声,然后分别采用3╳3滤波核和7╳7滤波核进行均值滤波，将原图像、添加噪声的图像、不同滤波核滤波后的图像放置在同一绘图区域并保存。
# 均值滤波处理高斯噪声
import matplotlib.pyplot as plt
import cv2
import numpy as np
import random
# from ImageAddNoise import *
plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来正常显示负

img = cv2.imread(r"C:\Users\Administrator\Desktop\photo\train1.jpg",0)
ImgGuassNoise = addGaussianNoise(img,0,0.1)    #添加0均值，0.1标准差的高斯分布噪声
imgAver3=cv2.blur(ImgGuassNoise,(3,3))
imgAver7=cv2.blur(ImgGuassNoise,(7,7))

plt.figure(figsize=(8,5))
plt.subplot(221)
plt.imshow(img,cmap='gray')# 使用灰度颜色映射显示图像
plt.title("原图")
plt.axis('off')  #不显示坐标轴

plt.subplot(222)
plt.imshow(ImgGuassNoise,cmap='gray')
plt.title("加高斯噪声图像")
plt.axis('off')  #不显示坐标轴

plt.subplot(223)
plt.imshow(imgAver3,cmap='gray')# 使用灰度颜色映射显示图像
plt.title("3x3均值滤波")
plt.axis('off')  #不显示坐标轴

plt.subplot(224)
plt.imshow(imgAver7,cmap='gray')# 使用灰度颜色映射显示图像
plt.title("7x7均值滤波")
plt.axis('off')  #不显示坐标轴

plt.savefig("sy3-1-1-blur.jpg")
plt.show()
运行结果：

（2）train1.jpg图像加入高斯噪声，分别采用5╳5滤波核的高斯滤波和均值滤波，将原图像、添加噪声的图像、不同滤波算法滤波后的图像放置在同一绘图区域并保存。
# 高斯滤波处理高斯噪声
import matplotlib.pyplot as plt
import cv2
import numpy as np
import random
# from ImageAddNoise import *
plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来正常显示负

img = cv2.imread(r"C:\Users\Administrator\Desktop\图像素材\train1.jpg",0)
ImgGuassNoise = addGaussianNoise(img,0,0.1)    #添加0均值，0.1标准差的高斯分布噪声
imgAverG=cv2.GaussianBlur(ImgGuassNoise,(5,5),1)
imgAver5=cv2.blur(ImgGuassNoise,(5,5))

plt.figure(figsize=(12,5))
plt.subplot(221)
plt.imshow(img,cmap='gray')
plt.title("原图")
plt.axis('off')  #不显示坐标轴

plt.subplot(222)
plt.imshow(ImgGuassNoise,cmap='gray')
plt.title("加高斯噪声图像")
plt.axis('off')  #不显示坐标轴

plt.subplot(223)
plt.imshow(imgAverG,cmap='gray')
plt.title("5x5高斯滤波")
plt.axis('off')  #不显示坐标轴

plt.subplot(224)
plt.imshow(imgAver5,cmap='gray')
plt.title("5x5均值滤波")
plt.axis('off')  #不显示坐标轴

plt.show()
plt.savefig(r"C:\Users\Administrator\Desktop\sy3-1-2-gaussianBlur.jpg")
运行结果：

（3）lena.jpg图像添加椒盐噪声，变换阈值邻域平滑滤波的阈值参数，比较均值滤波和阈值邻域平滑滤波的效果，结果显示在同一绘图区域。
img = cv2.imread(r"C:\Users\Administrator\Desktop\photo\lena.jpg",0)

imgNoise=addSaltAndPepper(img, 0.1)
imgAver=cv2.blur(imgNoise,(5,5))
imgThresh1=threshAverFilter(imgNoise,0)
imgThresh2=threshAverFilter(imgNoise,30)
imgThresh3=threshAverFilter(imgNoise,255)


plt.figure(figsize=(12,7))
plt.subplot(231)
plt.imshow(img,cmap='gray')
plt.title("原图")
plt.axis('off')  #不显示坐标轴

plt.subplot(232)
plt.imshow(imgNoise,cmap='gray')
plt.title("加椒盐噪声图像")
plt.axis('off')  #不显示坐标轴

plt.subplot(233)
plt.imshow(imgAver,cmap='gray')
plt.title("5x5均值滤波")
plt.axis('off')  #不显示坐标轴

plt.subplot(234)
plt.imshow(imgThresh1,cmap='gray')
plt.title("T=0的阈值邻域平滑滤波")
plt.axis('off')  #不显示坐标轴

plt.subplot(235)
plt.imshow(imgThresh2,cmap='gray')
plt.title("T=30的阈值邻域平滑滤波")
plt.axis('off')  #不显示坐标轴

plt.subplot(236)
plt.imshow(imgThresh3,cmap='gray')
plt.title("T=255的阈值邻域平滑滤波")
plt.axis('off')  #不显示坐标轴

plt.savefig(r"C:\Users\Administrator\Desktopsy3-1-3-Thresh.jpg")
plt.show()
运行结果：

（4）为train1.jpg图像加入椒盐噪声，分别采用5╳5滤波核的中值滤波和均值滤波，将原图像、添加噪声的图像、不同滤波算法滤波后的图像放置在同一绘图区域并保存。
# 中值滤波处理高斯噪声
img = cv2.imread(r"C:\Users\Administrator\Desktop\photo\train1.jpg",0)
imgNoise = addSaltAndPepper(img, 0.1)    #添加10%比例的椒盐噪声
imgAver=cv2.blur(imgNoise,(5,5))       #对加入噪声的图像使用5X5大小滤波核的均值滤波
imgMedian=cv2.medianBlur(imgNoise,5)

plt.figure(figsize=(10,6))
plt.subplot(221)
plt.imshow(img,cmap='gray')
plt.title("原图像")
plt.axis('off')  #不显示坐标轴

plt.subplot(222)
plt.imshow(imgNoise,cmap='gray')
plt.title("加椒盐噪声图像")
plt.axis('off')  #不显示坐标轴

plt.subplot(223)
plt.imshow(imgAver,cmap='gray')
plt.title("5x5均值滤波")
plt.axis('off')  #不显示坐标轴

plt.subplot(224)
plt.imshow(imgMedian,cmap='gray')
plt.title("5x5中值滤波")
plt.axis('off')  #不显示坐标轴

plt.savefig(r"C:\Users\Administrator\Desktop\sy3-1-4Median.jpg")
plt.show()
运行结果：

2．对图像moon.jpg调用函数cv2.filter2D( )，分别添加Laplacian锐化算子和增强算子，在同一绘图区域显示原图像和锐化、增强后的图像，并保存。
import matplotlib.pyplot as plt
import cv2
import numpy as np
#get_ipython().run_line_magic('matplotlib', 'inline')
plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来正常显示负

img=cv2.imread(r"C:\Users\Administrator\Desktop\photo\moon.jpg",0)

#拉普拉斯锐化：
fi1=np.array([[0,1,0],[1,-4,1],[0,1,0]])
fi2=np.array([[0,-1,0],[-1,5,-1],[0,-1,0]])
#使用opencv的卷积函数 滤波去噪声
img1 = cv2.filter2D(img,-1,fi1,borderType=cv2.BORDER_DEFAULT) #-1 表示图像输出类型和输入相同
img2 = cv2.filter2D(img,-1,fi2,borderType=cv2.BORDER_DEFAULT)

#输出对应的图片
plt.figure(figsize=(12,6))
plt.subplot(131)
plt.imshow(img,vmin=0,vmax=255,cmap=plt.cm.gray)#设置内部的坐标，以及灰度的最大值和最小值
plt.title("原图像")
plt.axis('off')

plt.subplot(132)
plt.imshow(img1,vmin=0,vmax=255,cmap=plt.cm.gray)
plt.title("拉普拉斯滤波图像")
plt.axis('off')

plt.subplot(133)
plt.imshow(img2,vmin=0,vmax=255,cmap=plt.cm.gray)
plt.title("拉普拉斯锐化增强图像")
plt.axis('off')

plt.savefig(r"C:\Users\Administrator\Desktop\sy3-2-Laplacian.jpg")
plt.show()
运行结果：

3. 对图像line.tif使用函数cv2.copyMakeBorder（），变换边界扩展方式，包括常量法（BORDER_CONSTANT），复制法（BORDER_REFLICATE），反射法（BORDER_REFLECT），外包装法（BORDER_WRAP）。将原图像和不同方式扩展后的图像展示在同一绘图区域。
import matplotlib.pyplot as plt
import cv2
import numpy as np
#get_ipython().run_line_magic('matplotlib', 'inline')
plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来正常显示负

def border_fill(src,type=cv2.BORDER_DEFAULT,size=10):
    borderImg = cv2.copyMakeBorder(src, size, size, size, size, borderType=type)
    return borderImg

img=cv2.imread(r"C:\Users\Administrator\Desktop\photo\line.tif",0)
img1=border_fill(img,cv2.BORDER_CONSTANT,size=10)
img2=border_fill(img,cv2.BORDER_REPLICATE,size=10)
img3=border_fill(img,cv2.BORDER_REFLECT,size=10)
img4=border_fill(img,cv2.BORDER_REFLECT_101,size=10)
img5=border_fill(img,cv2.BORDER_WRAP,size=10)
#输出对应的图片
plt.figure(figsize=(12,6))
plt.subplot(161)
plt.imshow(img,vmin=0,vmax=255,cmap=plt.cm.gray)#设置内部的坐标，以及灰度的最大值和最小值
plt.title("原图像")
plt.axis('off')

plt.subplot(162)
plt.imshow(img1,vmin=0,vmax=255,cmap=plt.cm.gray)
plt.title("BORDER_CONSTANT")
plt.axis('off')

plt.subplot(163)
plt.imshow(img2,vmin=0,vmax=255,cmap=plt.cm.gray)
plt.title("BORDER_REPLICATE")
plt.axis('off')

plt.subplot(164)
plt.imshow(img3,vmin=0,vmax=255,cmap=plt.cm.gray)
plt.title("BORDER_REFLECT")
plt.axis('off')

plt.subplot(165)
plt.imshow(img4,vmin=0,vmax=255,cmap=plt.cm.gray)
plt.title("BORDER_REFLECT_101")
plt.axis('off')

plt.subplot(166)
plt.imshow(img5,vmin=0,vmax=255,cmap=plt.cm.gray)
plt.title("BORDER_WRAP")
plt.axis('off')

plt.savefig(r"C:\Users\Administrator\Desktop\sy3-3Border.jpg")
plt.show()
运行结果：