openCv学习记录6

模糊操作

作用是在图片时减低噪声
均值模糊
用卷积核中的全体像素的平均值来代替原来像素值

def blur_demo(image):
    #cv.blur(图片,(水平方向模糊,垂直方向模糊))，
    dst=cv.blur(image,(30,1))
    cv.imshow("blur_demo",dst)
blur_demo(src)

中值模糊： 对椒盐模糊 效果最好
将卷积核中的全体像素从小到大排序，保留中值

def medianBlurr_demo(image):
    #cv.medianBlur(图片,5(固定值))，
    dst=cv.medianBlur(image,5)
    cv.imshow("medianBlurr_demo",dst)
medianBlurr_demo(src)

自定义模糊

def customr_demo(image):
    #数组定义
    #kernel=np.array([[1,1,1],[1,1,1],[1,1,1]],np.float32)/9    
    #ones定义
    #kernel=np.ones([5,5],np.float32)/25 
    #锐化
    kernel=np.array([[0,-1,0],[-1,5,-1],[0,-1,0]],np.float32)    
	#filter2D过滤器(图片，-1，自定义模糊)
    dst=cv.filter2D(image,-1,kernel)
    #显示
    cv.imshow("customr_demo",dst)
#调用    
customr_demo(src)

高斯模糊

高斯噪音

def gaussian_noise(image):
    #获取图片尺寸
    h,w,c=image.shape
    for row in range(h):
        for col in range(w):
      		#  np.random.normal(概率分布的均值，对应着整个分布的中心center
      		#概率分布的标准差，对应于分布的宽度，scale越大越矮胖，scale越小，越瘦高  		   
      		#输出的shape，默认为None，只输出一个值)	          
            s=np.random.normal(0,20,3)
            b=image[row,col,0]#蓝色
            g=image[row,col,1]#绿色
            r=image[row,col,2]#红色
            image[row,col,0]=clanp(b+s[0])
            image[row,col,1]=clanp(g+s[1])
            image[row,col,2]=clanp(r+s[2])
    cv.imshow("noise image",image)
            

高斯模糊

#cv.GaussianBlur(目标图像,(高斯内核的大小),X方向的的标准偏差,Y方向的的标准偏差)
dst= cv.GaussianBlur(src,(0,0),15，16)
cv.imshow("GaussianBlur",dst)

边缘保留滤波（EPF）

高斯双边

#高斯的双边模糊
def b1_demo(image):
	   #bilateralFilter：双侧滤波器
       #cv.bilateralFilter(处理的图形；在过滤期间使用的每个像素邻域的直径；色彩空间的标准方差，一般尽可能大；坐标空间的标准方差(像素单位)，一般尽可能小)
    dst=cv.bilateralFilter(image,0,100,15)
    cv.imshow("b1_demo",dst)

均值迁移

#均值滤波
def ShiftFiltering_demo(image):
	#cv.pyrMeanShiftFiltering(处理的图形,空间窗的半径,色彩窗的半径)
    dst=cv.pyrMeanShiftFiltering(image,10,5)
    cv.imshow("ShiftFiltering_demo",dst)