1.2D卷积(图像过滤)
主要使用cv2.filter2D()函数来实现。
dst=cv.filter2D(src, ddepth, kernel[, dst[, anchor[, delta[, borderType]]]])
参数如下:
- src:原图像
- dst:目标图像,与原图像尺寸和通过数相同
- ddepth:目标图像的所需深度
- kernel:卷积核(或相当于相关核),单通道浮点矩阵
- anchor:内核的锚点,指示内核中过滤点的相对位置;锚应位于内核中;默认值(-1,-1)表示锚位于内核中心。
- detal:在将它们存储在dst中之前,将可选值添加到已过滤的像素中。类似于偏置。
- borderType:像素外推法
代码示例:
import numpy as np
import cv2 as cv
img = cv.imread('C:\\Users\\dell\\Desktop\\prac files\\prac1.jpg')
#kernel = np.array([[0, 0], [-1, 1]]) #正交梯度x方向卷积核
kernel = np.ones((5,5),np.float32)/25 #使图像模糊的卷积核(低通滤波器)
dst = cv.filter2D(img, -1, kernel)
cv.imshow("prac", dst)
cv.waitKey(0)
cv.destroyAllWindows()
2.图像模糊(图像平滑)
OpenCV主要提供四种模糊技术。
(1)均值模糊
主要使用cv2.blur()函数来实现。
cv2.blur(src, ksize[, dst[, anchor[, borderType]]]) -> dst
参数如下:
- src:待处理图像
- ksize:表示模糊内核大小。比如(5,5)表示生成的模糊内核是一个 5*5 的矩阵
- dst:表示输出与 src 相同大小和类型的图像
- anchor:可选参数,内核的锚点,指示内核中过滤点的相对位置;锚应位于内核中;默认值(-1,-1)表示锚位于内核中心
- borderType:可选参数,像素外推法
代码示例:
import cv2 as cv
img = cv.imread('C:\\Users\\dell\\Desktop\\prac files\\prac1.jpg')
dst = cv.blur(img, (5,5))
cv.imshow("prac", dst)
cv.waitKey(0)
cv.destroyAllWindows()
除此之外,还可以使用cv2. boxFilter()函数来实现,此函数可以不使用标准的框式过滤器。
cv2. boxFilter (src, ddepth, ksize [, dst [, anchor [, normalize [, borderType ] ] ] ] ) → dst
参数如下:
- src:输入图像
- dst:输出图像
- ddepth:输出图像深度(-1使用src.depth())。
- ksize:模糊核的大小。
- anchor:锚点;默认值点(-1,-1)表示锚点在内核中心。
- normalize:指定内核是否按其区域标准化。如果输入True等价于均值滤波,输入=False 时 卷积结果>255时,置为255
- borderType:可选参数,像素外推法
代码示例:
import cv2 as cv
img = cv.imread('C:\\Users\\dell\\Desktop\\prac files\\prac1.jpg')
dst2 = cv.boxFilter(img, -1, (2, 2), normalize = False)
cv.imshow("prac", dst2)
cv.waitKey(0)
cv.destroyAllWindows()
(2)高斯模糊
主要使用cv2.GaussianBlur()函数来实现。
cv2.GaussianBlur(src,ksize,sigmaX [,dst [,sigmaY [borderType]]])-> dst
参数如下:
- src:输入图像,图像可以具有任意数量的通道,这些通道可以独立处理,但深度应为CV_8U,CV_16U,CV_16S,CV_32F或CV_64F。
- dst:输出图像的大小和类型与src相同。
- ksize:高斯内核大小。ksize.width和ksize.height可以不同,但它们都必须为正数和奇数,也可以为零,然后根据sigma计算得出。
- sigmaX:X方向上的高斯核标准偏差。
- sigmaY:Y方向上的高斯核标准差;如果sigmaY为零,则将其设置为等于sigmaX;如果两个sigma为零,则分别从ksize.width和ksize.height计算得出;为了完全控制结果,而不管将来可能对所有这些语义进行的修改,建议指定所有ksize,sigmaX和sigmaY。
也可以使用cv2.getGaussianKernel()函数来创建高斯内核,返回值是一个一维的垂向kernel。
cv2.getGaussianKernel(kszie, sigma, ktype)
参数如下:
- kszie:核大小(奇数)
- sigma:高斯标准偏差
- ktype:过滤系数类型,它可以是CV_32f或CV_64F
代码示例:
import cv2 as cv
img = cv.imread('C:\\Users\\dell\\Desktop\\prac files\\prac1.jpg')
dst3 = cv.GaussianBlur(img, (5, 5), 0)
cv.imshow("prac", dst3)
cv.waitKey(0)
cv.destroyAllWindows()
(3)中位模糊
主要使用cv2.medianBlur()函数来实现。
cv2.medianBlur(src, ksize[, dst]) -> dst
参数如下:
- src:待处理的输入图像
- ksize:参数表示滤波窗口尺寸,必须是奇数并且大于1。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
- dst:参数表示输出与 src 相同大小和类型的图像
代码示例:
import cv2 as cv
img = cv.imread('C:\\Users\\dell\\Desktop\\prac files\\prac1.jpg')
dst4 = cv.medianBlur(img, 5)
cv.imshow("prac", dst4)
cv.waitKey(0)
cv.destroyAllWindows()
(4)双边滤波
主要使用cv2.bilateralFilter()函数来实现。
cv2.bilateralFilter(src, d,sigmaColor,sigmaSpace,dst,borderType) -> dst
参数如下:
- src:输入图像
- d:过滤时周围每个像素领域的直径
- sigmaColor:在color space中过滤sigma,这个参数的值越大,就表明该像素邻域内有更宽广的颜色会被混合到一起,产生较大的半相等颜色区域。
- sigmaSpace:在coordinate space中过滤sigma,参数越大,那些颜色足够相近的的颜色的影响越大
- dst:输出图像的大小和类型与src相同
- borderType:可选参数,像素外推法
代码示例:
import cv2 as cv
img = cv.imread('C:\\Users\\dell\\Desktop\\prac files\\prac1.jpg')
dst5 = cv.bilateralFilter(img, 9, 75, 75)
cv.imshow("prac", dst5)
cv.waitKey(0)
cv.destroyAllWindows()