python 代码 心电信号去噪_Python-OpenCV 9. 图像滤波除噪

本文主要学习资源《机器学习实践指南》案例应用解析

一、图像平滑

Python可以使用滤波算法实现图像平滑， 是图像增强的一部分。图像平滑是一种区域增强的算法，平滑算法有邻域平均法、中指滤波、边界保持类滤波等，其目的有模糊、削除噪音两种。

滤波的本义是指信号有各种频率的成分,滤掉不想要的成分,即为滤掉常说的噪声,留下想要的成分.这即是滤波的过程,也是目的.

摘自《数字图像处理》

二、均一化滤波

1. 高斯噪声滤波

说明

高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。通俗的讲，高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。高斯滤波的具体操作是：用一个模板(或称卷积、掩模)扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。

高斯滤波(Gauss filter)实质上是一种信号的滤波器，其用途为信号的平滑处理，数字图像用于后期应用，其噪声是最大的问题，因为误差会累计传递等原因，大多图像处理教材会在很早的时候介绍Gauss滤波器，用于得到信噪比SNR较高的图像(反应真实信号)。高斯平滑滤波器对于抑制服从正态分布的噪声非常有效。 (百度百科)

OpenCV提供的blur函数可以进行归一化块滤波操作：

cv2.blur(src,ksize[, dst[, anchor[, borderType[]]]) -> dst

此外，该函数使用了如下脉冲响应函数(核函数)：

测试代码

# -*- coding: utf-8 -*-# coding=utf-8import cv2import numpy as npfn = "test.jpg"myimg = cv2.imread(fn)img = cv2.cvtColor(myimg, cv2.COLOR_BGR2GRAY)# 加上高斯噪声param=20# 灰阶范围grayscale = 256w = img.shape[1]h = img.shape[0]newimg = np.zeros((h,w),np.uint8)for x in range(0, h): for y in range(0, w-1, 2): r1 = np.random.random_sample() r2 = np.random.random_sample() z1 = param*np.cos(2*np.pi*r2)*np.sqrt((-2)*np.log(r1)) z2 = param*np.sin(2*np.pi*r2)*np.sqrt((-2)*np.log(r1)) fxy = int(img[x, y]+z1) fxy1 = int(img[x, y+1]+z2) #f(x,y) if fxy<0: fxy_val=0 elif fxy>grayscale-1: fxy_val=grayscale-1 else: fxy_val=fxy #f(x,y+1) if fxy1<0: fxy1_val=0 elif fxy1>grayscale-1: fxy1_val=grayscale-1 else: fxy1_val=fxy1 newimg[x,y]=fxy_val newimg[x,y+1]&