上一节中我们讲解了灰度变换的原理以及实现方法,本节我们讲解空域滤波增强,与灰度变换相同,空域滤波增强是一种空域处理的方法,不过空域滤波不是一种对点做处理的方法,而是利用相邻像素间的关系进行增强。空域滤波可以按照增强效果的不同分为平滑与锐化两类,又都可分为线性与非线性方法,线性滤波利用空域卷积来实现。接下来我们对平滑与锐化一一进行讲解。
一、图像平滑
图像平滑的目的是抑制和消除噪声,我们首先介绍一种线性平滑方法—邻域平均,平滑算子为
A A A表示已以 ( i , j ) (i,j) (i,j)为中心的邻域点的集合, M M M是 A A A中像素点的总数,邻域平均的实现代码如下:
import cv2
import numpy as np
import matplotlib.pyplot as plt
import pylab
img = cv2.imread('Lena.jpg',1)
kernel = np.ones((5,5),np.float32)/25 #5×5卷积核,邻域平均
res = cv2.filter2D(img,-1,kernel)
cv2.imshow('res',res)
cv2.waitKey(0)
opencv提供cv2.filter2D()函数来对图像进行卷积操作
dst = cv2.filter2D(src, ddepth, kernel[, dst[, anchor[, delta[, borderType]]]])
#dst:输出图像
#src:输入图像
#ddepth:输出图像深度,-1为与原图相同
#kernel:卷积核
#anchor:锚点,默认为(-1, -1),指卷积核的中心点
#delta:输出结果时的附加值,默认为0
#borderType:边界模式,默认为BORDER_DEFAULT
我们采用不同大小的卷积核,依次对源图像进行卷积操作,结果如下,
卷积核半径越大,图像平滑的效果越明显,图像越来越模糊。
除了上述线性平滑方法之外,还有非线性平滑滤波器,包括中值滤波、百分比滤波、最大值滤波、最小值滤波,我们特别讲解一下中值滤波,中值滤波是将选定的奇数像素窗口内的各像素灰度按大小排队,用中间的灰度值代替窗口中原图像中间位置的像素,因此是一种非线性滤波。中值滤波对既保留边缘又要求去噪的任务很有用,尤其对椒盐噪声。
我们为Lena添加椒盐噪声,分别对其进行邻域平均与中值滤波,实现代码如下,
import cv2
import numpy as np
import matplotlib.pyplot as plt
import random
import pylab
def cvToplt(img): #经过颜色转换后plt才能输出彩色图像
b,g,r = cv2.split(img)
img = cv2.merge([r,g,b])
return img
def main():
img = cv2.imread('Lena.jpg',1)
x,y,z = img.shape
for i in range(5000): #添加椒盐噪声
row = random.randint(0,x-1)
col = random.randint(0,y-1)
img[row][col] = 255
kernel = np.ones((5,5),np.float32)/25
res = cv2.filter2D(img,-1,kernel) #邻域平均
res2= cv2.medianBlur(img,5) #中值滤波
plt.subplot('131'),plt.imshow(cvToplt(img)),plt.title('Original')
plt.subplot('132'),plt.imshow(cvToplt(res)),plt.title('mean')
plt.subplot('133'),plt.imshow(cvToplt(res2)),plt.title('median')
pylab.show()
if __name__ =="__main__":
main()
结果如下,
经过对比发现,中值滤波的去噪效果好,且能够较好的保留图像边缘,邻域平均的平滑效果更好但去噪效果相对较差。
二、图像锐化
对正常的图像,通过锐化提取边缘、轮廓、线条等信息,供进一步识别。通过加重图像轮廓克服降质,以达到更好的视觉效果。常见的锐化算法包括Roberts算子、Sobel算子、Prewitt算子、拉普拉斯算子。
(1)基于一阶微分的图像增强—梯度法
我们把图像看成二维离散函数,为了提取图像的边缘,我们需要计算图像的梯度,梯度是方向导数取最大值的方向的向量 ,图像的边缘即为图像梯度较大的地方。
梯度用一个二维列向量来定义,
对于离散的二维图像,为计算方便,用绝对值代替幅值,用差分代替微分:
( 1 ) (1) (1)
为了更好的理解,我们考虑一个3×3的图像区域,
z z z代表灰度级,由式 ( 1 ) (1) (1),在点 z 5 z_5 z5的 ▽ f = ∣ z