选取一张图片,通过滑动条控制参数,对图片进行均值滤波,高斯滤波,中值滤波,双波滤波的处理

选取一张图片,通过滑动条控制参数,对图片进行均值滤波,高斯滤波,中值滤波,双波滤波的处理

最近在学习人机交互,本文章是对python调用opencv实现图像平滑的一些总结。包括四个算法:均值滤波,中值滤波,高斯滤波,双边滤波。

均值滤波 cv2.blur(img, (ksize,ksize))

第一个参数是处理的图像
第二个参数是核的大小,核的大小只能是大于1的奇数,如3,5,7等。

中值滤波 cv2.medianBlur(img, kisze)

第一个参数是操作的图像
第二个参数是核的尺寸

高斯滤波 cv2.gaussianBlur(img, (ksize, ksize), sigmaX)

第二个参数是核的大小
第三个参数sigmaX影响模糊效果:
sigmaX小,表现在高斯曲线上就是曲线越高越尖,表现在滤波效果上就是模糊程度小;
sigmaX大,表现在高斯曲线上就是曲线越矮越平缓,表现在滤波效果上就是模糊程度大

双边滤波 cv2.bilateralFilter(img, d, sigmaColor, sigmaSpace)

第二个参数是领域的直径
第三个参数sigmaColor是灰度值相似性高斯函数标准差和空间高斯函数标准差。
第四个参数sigmaSpace是空间高斯函数标准差

代码如下:

#  -*- coding: utf-8 -*-
import cv2

WINDOWNAME = "lvbo"
MeanBlurValue = 1
GaussianBlurValue = 1
MedianBlurValue = 1
BilateralFilterValue = 1
KSIZE = 1
MaxVal = 20

#均值滤波回调函数
def on_MeanBlur(MeanBlurValue):
	KSIZE = MeanBlurValue * 2 + 1
	img1 = cv2.blur(img, (KSIZE, KSIZE))
	cv2. imshow(WINDOWNAME, img1)
#中值滤波回调函数
def on_MedianBlur(MedianBlurValue):
	KSIZE = MedianBlurValue * 2 + 1
	img3 = cv2.medianBlur(img, KSIZE)
	cv2.imshow(WINDOWNAME, img3)
#高斯滤波回调函数
def on_GaussianBlur(GaussianBlurValue):
	global KSIZE
	KSIZE = GaussianBlurValue * 2 + 3
	#后两个参数:核的大小和方差
	img2 = cv2.GaussianBlur(img, (KSIZE, KSIZE), 0)
	cv2.imshow(WINDOWNAME, img2)
#双边滤波回调函数
def on_BilarteralFilter(BilateralFilterValue):
	KSIZE = BilateralFilterValue * 20 + 5
	#后两个参数:空间高斯函数标准差和灰度值相似性高斯函数标准差
	img4 = cv2.bilateralFilter(img, 5, KSIZE, KSIZE)
	cv2.imshow(WINDOWNAME, img4)


img = cv2.imread('img.jpg')
cv2.namedWindow(WINDOWNAME)
cv2.createTrackbar("Blur", WINDOWNAME, MeanBlurValue, MaxVal, on_MeanBlur)
on_MeanBlur(1)
cv2.createTrackbar("Gauss", WINDOWNAME, GaussianBlurValue, MaxVal, on_GaussianBlur)
on_GaussianBlur(1)
cv2.createTrackbar("Median", WINDOWNAME, MedianBlurValue, MaxVal, on_MedianBlur)
on_MedianBlur(1)
cv2.createTrackbar("Bilateral", WINDOWNAME, BilateralFilterValue, 20, on_BilarteralFilter)
on_BilarteralFilter(1)

if cv2.waitKey(0) == 27:
	cv2.destroyAllWindows()


运行结果:
在这里插入图片描述

[1]: 《Python and OpenCV for starter》
[2]: 《Opencv官方教程中文版(For Python)》

  • 0
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1. 主要工作: 基于MATLAB图像处理中值滤波均值滤波以及高斯滤波的实现与对比: a) 中值滤波法是一种非线性平滑技术,它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值. b) 均值滤波是典型的线性滤波算法,它是指在图像上对目标像素给一个模板,该模板包括了其周围的临近像素(以目标像素为中心的周围8个像素,构成一个滤波模板,即去掉目标像素本身),再用模板中的全体像素的平均值来代替原来像素值。 c) 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。 2. 代码功能: 实现中值滤波均值滤波以及高斯滤波,并对图像进行输出 3. 结果分析 a) 图像经过中值滤波后,高斯噪声没有被完全去除,椒盐噪声几乎被完全去除效果较好。经过均值滤波后不管是高斯噪声还是椒盐噪声大部分都没有被去除,只是稍微模糊化。经过高斯滤波后,高斯噪声和椒盐噪声几乎被很大程度的模糊化,原图好像被加上了一层蒙版。 【注】若添加图片分辨率过高会发出警报,如果可以正常输出则可以忽视。

“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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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