广州大学计算机视觉实验三：图像滤波

相关资料

广州大学计算机视觉实验一：图像处理入门
广州大学计算机视觉实验二：摄像机几何
广州大学计算机视觉实验三：图像滤波
广州大学计算机视觉实验四：图像分割
广州大学计算机视觉实验五：简易数字识别
广州大学计算机视觉实验六：车牌识别
六份实验报告下载链接Click me🔗

一、实验目的

本实验课程是计算机、智能、物联网等专业学生的一门专业课程，通过实验，帮助学生更好地掌握计算机视觉相关概念、技术、原理、应用等；通过实验提高学生编写实验报告、总结实验结果的能力；使学生对计算机视觉、模式识别实现等有比较深入的认识。
1.掌握模式识别中涉及的相关概念、算法。
2.熟悉计算机视觉中的具体编程方法；
3.掌握问题表示、求解及编程实现。

二、基本要求

1.实验前，复习《计算机视觉与模式识别》课程中的有关内容。
2.准备好实验数据。
3.编程要独立完成，程序应加适当的注释。
4.完成实验报告。

三、实验软件

使用Python实现。

四、实验内容

选择任意图片，随机加入椒盐噪声（随机改写像素值为0/255），分别进行：

1. 对图像进行方框滤波Box Filter
2. 对图像进行高斯滤波Gaussian Filter
3. 对图像进行中值滤波
4. 对图像进行锐化
5. 通过图像梯度提取图像边缘

五、实验过程

1、导入库

from skimage import data, img_as_float
from skimage import io, color
import matplotlib.pyplot as plt
import random
import numpy as np
import cv2

2、选择经典的宇航员图片

#原始图片
astro = img_as_float(data.astronaut())
img = astro
io.imsave('./astro.png', img)
plt.imshow(img)

3、添加椒盐噪声

def sp_noise(image, prob):
    '''
    添加椒盐噪声
    image:原始图片
    prob:噪声比例
    '''
    output = np.zeros(image.shape, np.float)
    thres = 1 - prob
    for i in range(image.shape[0]):
        for j in range(image.shape[1]):
            rdn = random.random()  # 随机生成0-1之间的数字
            if rdn < prob - 0.001:  # 如果生成的随机数小于噪声比例则将该像素点添加黑点，即椒噪声
                output[i, j, :] = 0

            elif rdn > thres + 0.001:  # 如果生成的随机数大于（1-噪声比例）则将该像素点添加白点，即盐噪声
                output[i, j, :] = 1

            else:
                output[i, j, :] = image[i, j, :]

    return output


noisy = sp_noise(img,0.05)#椒盐噪声
plt.imshow(noisy)
io.imsave('./noisy.png', noisy)

4、对图像进行方框滤波Box Filter

#读取图片
noisy = cv2.imread('./noisy.png')
source = cv2.cvtColor(noisy,cv2.COLOR_BGR2RGB)

# 均值滤波
result = cv2.blur(source, (5, 5))

# 显示图形

titles = ['Source Image', 'Blur Image']
images = [source, result]
for i in range(2):
    plt.subplot(1, 2, i + 1), plt.imshow(images[i])
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

5、对图像进行高斯滤波Gaussian Filter

# 高斯滤波
result = cv2.GaussianBlur(source, (3, 3), 0)

# 显示图形
titles = ['Source Image', 'GaussianBlur Image']
images = [source, result]
for i in range(2):
    plt.subplot(1, 2, i + 1), plt.imshow(images[i])
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

6、对图像进行中值滤波

# 中值滤波
result = cv2.medianBlur(source, 3)

# 显示图形
titles = ['Source Image', 'medianBlur Image']
images = [source, result]
for i in range(2):
    plt.subplot(1, 2, i + 1), plt.imshow(images[i])
    plt.title(titles[i])
    plt.xticks([]), plt.yticks([])
plt.show()

7、通过图像梯度提取图像边缘

采用了三种经典算子prewitt、sobel、roberts，还采用了拉普拉斯的变换拓展模版

import cv2
import numpy as np
#加载图像
#读取图片
image = cv2.imread('./astro.png')
source = cv2.cvtColor(image,cv2.COLOR_BGR2RGB)
plt.imshow(source) 


#自定义卷积核：prewitt算子
kernel_sharpen_1 = np.array([
        [-1,0,+1],
        [-1,0,+1],
        [-1,0,+1]])

kernel_sharpen_2 = np.array([
        [-1,-1,-1],
        [0,0,0],
        [+1,+1,+1]])

#相关
output_1 = cv2.filter2D(source,-1,kernel_sharpen_1)
output_2 = cv2.filter2D(source,-1,kernel_sharpen_2)
#显示图形
titles = ['Source Image', 'prewitt1 Image', 'prewitt2 Image']  
images = [source, output_1,output_2]  
for i in range(3):  
    plt.subplot(1,3,i+1), plt.imshow(images[i])  
    plt.title(titles[i])  
    plt.xticks([]),plt.yticks([])  
plt.show()

#自定义卷积核：sobel算子
kernel_sharpen_1 = np.array([
        [-1,0,+1],
        [-2,0,+2],
        [-1,0,+1]])

kernel_sharpen_2 = np.array([
        [-1,-2,-1],
        [0,0,0],
        [+1,+2,+1]])

#相关
output_1 = cv2.filter2D(source,-1,kernel_sharpen_1)
output_2 = cv2.filter2D(source,-1,kernel_sharpen_2)
#显示图形
titles = ['Source Image', 'sobel1 Image', 'sobel2 Image']  
images = [source, output_1,output_2]  
for i in range(3):  
    plt.subplot(1,3,i+1), plt.imshow(images[i])  
    plt.title(titles[i])  
    plt.xticks([]),plt.yticks([])  
plt.show()

#自定义卷积核：roberts算子

kernel_sharpen_1 = np.array([
        [0,-1],
        [+1,0]])

kernel_sharpen_2 = np.array([
        [+1,0],
        [0,-1]])

#相关
output_1 = cv2.filter2D(source,-1,kernel_sharpen_1)
output_2 = cv2.filter2D(source,-1,kernel_sharpen_2)
#显示图形
titles = ['Source Image', 'roberts1 Image', 'roberts2 Image']  
images = [source, output_1,output_2]  
for i in range(3):  
    plt.subplot(1,3,i+1), plt.imshow(images[i])  
    plt.title(titles[i])  
    plt.xticks([]),plt.yticks([])  
plt.show()

#拉普拉斯的变换拓展模版
kernel_sharpen_1 = np.array([
        [1,1,1],
        [1,-8,1],
        [1,1,1]])

#卷积
output_1 = cv2.filter2D(source,-1,kernel_sharpen_1)
#显示图形
titles = ['Source Image', 'Laplacian Image']  
images = [source, output_1]  
for i in range(2):  
    plt.subplot(1,2,i+1), plt.imshow(images[i])  
    plt.title(titles[i])  
    plt.xticks([]),plt.yticks([])  
plt.show()

在这里插入图片描述

8、对图像进行锐化

上面提取边缘的操作都可以改进成锐化操作，因此上面的算子都有对应的锐化操作，这里仅采用拉普拉斯的拓展模版举例。
原图像-拉普拉斯的拓展模版图像=锐化图像

kernel_sharpen_1 = np.array([
        [-1,-1,-1],
        [-1,9,-1],
        [-1,-1,-1]])

#卷积
output_1 = cv2.filter2D(source,-1,kernel_sharpen_1)
#显示图形
titles = ['Source Image', 'Sharpen Image']  
images = [source, output_1]  
for i in range(2):  
    plt.subplot(1,2,i+1), plt.imshow(images[i])  
    plt.title(titles[i])  
    plt.xticks([]),plt.yticks([])  
plt.show()