vim+python+OpenCV学习六 ： 滤波初级

#coding=utf-8

#用低通滤波来平滑图像，低通滤波器的目标是降低图像的变化率。
#将每个像素替换为该像素周围像素的均值。
#这样就可以平滑并替代那些强度变化明显的区域

import cv2

img=cv2.imread('test5.jpg')
'''
其中dst是blur处理后返回的图像，参数一是输入的待处理图像，
参数2是低通滤波器的大小。其后含有几个可选参数，
用来设置滤波器的细节，

下面这个滤波器也可以达到同样的效果
result1 = cv2.boxFilter(img, -1, (5, 5))  
'''
result1=cv2.blur(img,(5,5))   #这个是低通滤波器
result2=cv2.blur(img,(15,15))   #这个是低通滤波器

cv2.imshow('Origin',img)
cv2.imshow('Blur5*5',result1)
cv2.imshow('Blur15*15',result2)

cv2.waitKey(0)
cv2.destroyAllWindows()

#coding=utf-8

#高斯滤波的效果比低通滤波的效果好很多，辨识度要高

'''
高斯模糊:
在某些情况下，需要对一个像素的周围的像素给予更多的重视。
因此，可通过分配权重来重新计算这些周围点的值。
这可通过高斯函数（钟形函数，即喇叭形数）的权重方案来解决。

低通滤波与高斯滤波的不同之处在于：低通滤波中，滤波器中每个像素的权重是相同的，
即滤波器是线性的。而高斯滤波器中像素的权重与其距中心像素的距离成比例。

'''

import cv2

img=cv2.imread('test5.jpg')

gaussianResult1 = cv2.GaussianBlur(img,(5,5),1.5)      #这个是高斯滤波器
gaussianResult2 = cv2.GaussianBlur(img,(15,15),1.5)     

cv2.imshow('Origin',img)
cv2.imshow('GaussianBlur(img,(5,5),1.5)',gaussianResult1)
cv2.imshow('GaussianBlur(img,(15,15),1.5) ',gaussianResult2)

cv2.waitKey(0)
cv2.destroyAllWindows()

#coding=utf-8
import numpy as np 

'''
中值滤波：
前面介绍的是线性过滤器，这里介绍非线性过滤器——中值滤波器。
由于中值滤波器对消除椒盐现象特别有用。所以我们使用
椒盐函数先对图像进行处理，将处理结果作为示例图片。

函数返回处理结果，第一个参数是待处理图像，第二个参数是孔径的尺寸，
一个大于1的奇数。
比如这里是5，中值滤波器就会使用5×5的范围来计算。即对像素的中心值及其5×5邻域组成
了一个数值集，对其进行处理计算，当前像素被其中值替换掉。

'''

import cv2

def salt(img, n):    
    for k in range(n):    
        i = int(np.random.random() * img.shape[1]);    
        j = int(np.random.random() * img.shape[0]);    
        if img.ndim == 2:     
            img[j,i] = 255    
        elif img.ndim == 3:     
            img[j,i,0]= 255    
            img[j,i,1]= 255    
            img[j,i,2]= 255    
    return img   



img=cv2.imread('test5.jpg')
result = salt(img, 500) 
median = cv2.medianBlur(result, 3)  #这个是中值滤波

cv2.imshow('Salt',result)

cv2.imshow('MedianBlur ',median)

cv2.waitKey(0)
cv2.destroyAllWindows()