图像阈值处理-图像平滑处理-均值滤波-方框滤波-高斯滤波-中值滤波

最新推荐文章于 2024-05-31 22:36:03 发布
最新推荐文章于 2024-05-31 22:36:03 发布
阅读量193 收藏 1
点赞数 1
分类专栏： OpenCV图像处理 文章标签： 均值算法 opencv 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_56033928/article/details/131345732
版权

文章目录

图像阈值处理

标准范式

标准范式：res,dst = cv2.threshold(src, thresh, maxval, type)

参数说明

cv2.threshold()是OpenCV库中的一个图像阈值化函数，用于将输入图像二值化（将图像分离为两个灰度级别）。该函数采用以下参数：

  • src：输入图像，灰度图像（单通道图像）。
  • thresh：阈值，用于将图像分成两个灰度级别的像素值。
  • maxval：最大像素值，如果某个像素大于阈值，则设置为该值，可以是0或255。

type：阈值化类型，指定要应用的阈值化方法。以下是一些常见的类型：

  • cv2.THRESH_BINARY：二值化阈值类型，超过阈值的像素设置为maxval，低于阈值的像素设置为0。
  • cv2.THRESH_BINARY_INV：反二进制阈值类型，超过阈值的像素设置为0，低于阈值的像素设置为maxval。
  • cv2.THRESH_TRUNC：截断阈值类型，超过阈值的像素设置为阈值，低于阈值的像素保持不变。
  • cv2.THRESH_TOZERO：阈值化为零阈值类型，超过阈值的像素保持不变，低于阈值的像素设置为0
  • cv2.THRESH_TOZERO_INV：反零阈值类型，超过阈值的像素设置为0，低于阈值的像素保持不变。

返回两个值：阈值化的结果（dst）和使用的阈值（ret）。

代码
def BGR2RGB(img):
    """

    :param img:
    :return:
    """
    return cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    
if __name__ == '__main__':
    img_path_1 = 'sister.jpg'
    img_path_2 = 'baixue.png'
    ## 默认读取BGR
    image_1 = read_img(img_path_1, mode=cv2.IMREAD_GRAYSCALE)
    image_2 = read_img(img_path_2, mode=cv2.IMREAD_GRAYSCALE)
    img_1 = cv2.resize(image_1, (512, 512))
    img_2 = cv2.resize(image_2, (512, 512))
    ## 返回阈值和阈值处理后的图片
    ret, thresh1 = cv2.threshold(img_1, 127, 255, cv2.THRESH_BINARY)
    ret, thresh2 = cv2.threshold(img_1, 127, 255, cv2.THRESH_BINARY_INV)
    ret, thresh3 = cv2.threshold(img_1, 127, 255, cv2.THRESH_TRUNC)
    ret, thresh4 = cv2.threshold(img_1, 127, 255, cv2.THRESH_TOZERO)
    ret, thresh5 = cv2.threshold(img_1, 127, 255, cv2.THRESH_TOZERO)
    titles = ['Rti_imh',
              'THRESH_BINARY',
              'THRESH_BINARY_INV',
              'THRESH_TRUNC',
              'THRESH_TOZERO',
              'THRESH_TOZERO']
    images = [img_1, thresh1, thresh2, thresh3, thresh4, thresh5]
    plt.figure(figsize=(18, 12))
    for i in range(6):
        plt.subplot(f'23{i + 1}')
        plt.title(titles[i])
        plt.imshow(BGR2RGB(images[i]))
    plt.show()
可视化结果

在这里插入图片描述

图像平滑处理

图像加噪
if __name__ == '__main__':
    img_path_1 = 'sister.jpg'
    img_path_2 = 'baixue.png'
    ## 默认读取BGR
    image_1 = read_img(img_path_1, mode=cv2.IMREAD_GRAYSCALE)
    image_2 = read_img(img_path_2, mode=cv2.IMREAD_GRAYSCALE)
    img_1 = cv2.resize(image_1, (512, 512))
    img_2 = cv2.resize(image_2, (512, 512))
    ## 随机生成噪声数据
    noise = np.random.normal(0, 1, img_1.shape).astype(np.uint8)
    ## 往图片添加噪声
    reslut = noise + img_1
    img_show('==', reslut)

图像加噪结果

在这里插入图片描述

均值滤波

范式： blur = cv2.blur(reslut, (3, 3))

def BGR2RGB(img):
    """

    :param img:
    :return:
    """
    return cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    
if __name__ == '__main__':
    img_path_1 = 'sister.jpg'
    img_path_2 = 'baixue.png'
    ## 默认读取BGR
    image_1 = read_img(img_path_1)
    image_2 = read_img(img_path_2, mode=cv2.IMREAD_GRAYSCALE)
    img_1 = cv2.resize(image_1, (512, 512))
    img_2 = cv2.resize(image_2, (512, 512))
    ## 随机生成噪声数据
    noise = np.random.normal(0, 1, img_1.shape).astype(np.uint8)
    ## 往图片添加噪声
    reslut = noise + img_1
    blur = cv2.blur(reslut, (3, 3))
    plt.figure(figsize=(18, 12))
    plt.subplot(131), plt.imshow(BGR2RGB(img_1)), plt.title('Ori')
    plt.subplot(132), plt.imshow(BGR2RGB(reslut)), plt.title('noise')
    plt.subplot(133), plt.imshow(BGR2RGB(blur)), plt.title('blur')
    plt.show()

在上述示例代码中，我们使用cv2.blur()函数对图像进行均值滤波。第一个参数是输入图像，第二个参数是滤波器的大小。本例中使用（3, 3）作为滤波器的大小，表示在3x3的邻域内取像素均值，并将该均值作为输出图像中对应像素的值。最后，使用cv2.imshow()函数显示原始图像和滤波后的图像。

经过均值滤波之后，大部分噪声点都消失了
在这里插入图片描述

方框滤波

范式： blur = cv2.boxFilter(reslut, -1, (3, 3), normalize=True)

  • src: 输入图像
  • ddepth: 输出图像的深度，如果设置为-1，则输出图像与输入图像具有相同的深度
  • ksize: 滤波窗口的大小，指定为 (width, height)
  • normalize: 是否归一化滤波结果，默认为True，True时与均值滤波一样
def BGR2RGB(img):
    """

    :param img:
    :return:
    """
    return cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    
if __name__ == '__main__':
    img_path_1 = 'sister.jpg'
    img_path_2 = 'baixue.png'
    ## 默认读取BGR
    image_1 = read_img(img_path_1)
    image_2 = read_img(img_path_2, mode=cv2.IMREAD_GRAYSCALE)
    img_1 = cv2.resize(image_1, (512, 512))
    img_2 = cv2.resize(image_2, (512, 512))
    ## 随机生成噪声数据
    noise = np.random.normal(0, 1, img_1.shape).astype(np.uint8)
    ## 往图片添加噪声
    reslut = noise + img_1
    blur = cv2.boxFilter(reslut, -1, (3, 3), normalize=False)
    plt.figure(figsize=(18, 12))
    plt.subplot(131), plt.imshow(BGR2RGB(img_1)), plt.title('Ori')
    plt.subplot(132), plt.imshow(BGR2RGB(reslut)), plt.title('noise')
    plt.subplot(133), plt.imshow(BGR2RGB(blur)), plt.title('blur')
    plt.show()

在这里插入图片描述

高斯滤波

标准范式： blur = cv2.GaussianBlur(reslut, (5, 5), 1)

使用cv2.GaussianBlur()函数对图像进行高斯滤波。第一个参数是输入图像，第二个参数是滤波窗口的大小，指定为(5, 5)。第三个参数是高斯核的标准差，这里设置为1。较大的标准差会产生更大的模糊效果。

def BGR2RGB(img):
    """

    :param img:
    :return:
    """
    return cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

if __name__ == '__main__':
    img_path_1 = 'sister.jpg'
    img_path_2 = 'baixue.png'
    ## 默认读取BGR
    image_1 = read_img(img_path_1)
    image_2 = read_img(img_path_2, mode=cv2.IMREAD_GRAYSCALE)
    img_1 = cv2.resize(image_1, (512, 512))
    img_2 = cv2.resize(image_2, (512, 512))
    ## 随机生成噪声数据
    noise = np.random.normal(0, 1, img_1.shape).astype(np.uint8)
    ## 往图片添加噪声
    reslut = noise + img_1
    blur = cv2.GaussianBlur(reslut, (5, 5), 1)
    plt.figure(figsize=(18, 12))
    plt.subplot(131), plt.imshow(BGR2RGB(img_1)), plt.title('Ori')
    plt.subplot(132), plt.imshow(BGR2RGB(reslut)), plt.title('noise')
    plt.subplot(133), plt.imshow(BGR2RGB(blur)), plt.title('GaussianBlur')
    plt.show()

在这里插入图片描述

中值滤波

cv2.medianBlur(img, size) 函数对图像进行中值滤波，而不是添加噪声或其他滤波操作。中值滤波是一种常用的图像去噪方法，它使用滤波窗口中所有像素的中值来替代中心像素的值，size为窗口大小。

if __name__ == '__main__':
    img_path_1 = 'sister.jpg'
    img_path_2 = 'baixue.png'
    ## 默认读取BGR
    image_1 = read_img(img_path_1)
    image_2 = read_img(img_path_2, mode=cv2.IMREAD_GRAYSCALE)
    img_1 = cv2.resize(image_1, (512, 512))
    img_2 = cv2.resize(image_2, (512, 512))
    ## 随机生成噪声数据
    noise = np.random.normal(0, 1, img_1.shape).astype(np.uint8)
    ## 往图片添加噪声
    reslut = noise + img_1
    blur = cv2.medianBlur(reslut, 5)
    plt.figure(figsize=(18, 12))
    plt.subplot(131), plt.imshow(BGR2RGB(img_1)), plt.title('Ori')
    plt.subplot(132), plt.imshow(BGR2RGB(reslut)), plt.title('noise')
    plt.subplot(133), plt.imshow(BGR2RGB(blur)), plt.title('medianBlur')
    plt.show()

针对这张图片，均值滤波的效果是最好的，所有噪声点都消失了，但是图像变得过于平滑了
在这里插入图片描述

不同滤波结果对比

if __name__ == '__main__':
    img_path_1 = 'sister.jpg'
    img_path_2 = 'baixue.png'
    ## 默认读取BGR
    image_1 = read_img(img_path_1)
    image_2 = read_img(img_path_2, mode=cv2.IMREAD_GRAYSCALE)
    img_1 = cv2.resize(image_1, (512, 512))
    img_2 = cv2.resize(image_2, (512, 512))
    ## 随机生成噪声数据
    noise = np.random.normal(0, 1, img_1.shape).astype(np.uint8)
    ## 往图片添加噪声
    reslut = noise + img_1
    blur = cv2.blur(reslut, (3, 3))
    boxFilter = cv2.boxFilter(reslut, -1, (3, 3), normalize=False)
    GaussianBlur = cv2.GaussianBlur(reslut, (5, 5), 1)
    medianBlur = cv2.medianBlur(reslut, 5)
    res = np.hstack((blur, boxFilter, GaussianBlur, medianBlur))
    img_show('All', res)

所使用图片为模型生成，将图片路径替换为您的本地路径后可以直接运行，欢迎大家一起学习交流

JM-0808
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
实现简单图像处理，均值滤波
08-19
实现简单图像处理，包括256色转灰度图、Hough变换、Walsh变换、中值滤波、二值化变换、亮度增减、傅立叶变换、反色、取对数、取指数、图像平移、图像旋转、图像细化、图像缩放、图像镜像、均值滤波、对比度拉伸、拉普拉斯锐化（边缘检测）、方块编码、梯度锐化、灰度均衡、直方图均衡、离散余弦变换、维纳滤波处理、逆滤波处理、阈值变换、高斯平滑
图像处理学习代码_包括Hough变换_walsh变换等.zip
04-07
实现简单图像处理，包括256色转灰度图、Hough变换、Walsh变换、中值滤波、二值化变换、亮度增减、傅立叶变换、反色、取对数、取指数、图像平移、图像旋转、图像细化、图像缩放、图像镜像、均值滤波、对比度拉伸、拉普拉斯锐化（边缘检测）、方块编码、梯度锐化、灰度均衡、直方图均衡、离散余弦变换、维纳滤波处理、逆滤波处理、阈值变换、高斯平滑。
OpenCV-python 之 图像处理空间转换阈值形态学滤波边缘检测图像金字塔
feichangyanse的博客
12-24 373
python-opencv的空间转换
openCV实战-系列教程2：阈值与平滑处理（图像阈值/图像平滑处理/高斯/中值滤波）、源码解读
机器学习与软件工程
08-22 676
openCV实战-系列教程2：阈值与平滑处理（图像阈值/图像平滑处理/高斯/中值滤波）、源码解读
opencv图像处理技术（阈值处理与图像平滑）
m0_74859128的博客
04-07 1102
进行图像处理时，常常需要对图像进行预处理以提取所需的信息或改善图像质量。阈值处理和图像平滑是两种常见的预处理技术。阈值处理是一种图像分割技术，其基本思想是将图像中的像素值与一个或多个预先设定的阈值进行比较，根据比较结果将像素分为不同的类别，通常是目标和背景。主要包括二值化、自适应阈值处理等方法。
opencv——图像阈值设定及常见的滤波操作
syf的博客
01-15 737
本篇文章叙述了在图像处理中有关阈值设定和滤波操作，并对比了均值滤波、高斯滤波和中值滤波的效果。
小白教程：图像处理中的滤波与阈值
m0_74082954的博客
10-24 331
本文主要介绍图像处理中的滤波和阈值
【Opencv入门到项目实战】（二）：图像阈值与平滑处理
热门推荐
阿里云专家博主、数据科学领域优质创作者、统计er在读
08-04 1万+
在图像处理中，阈值处理和平滑处理都是对图像预处理常用的技术，接下来我们讨论一下在opencv如何对一个图形进行阈值和平滑处理
MATLAB数字图像处理算法演示程序GUI
06-25
图像增强：噪声（高斯、椒盐），平滑（均值法、邻域平均法、中值滤波法、巴特沃氏低通滤波）； 锐化：梯度锐化、拉普拉斯锐化、巴特沃氏高通滤波； 伪彩色增强：亮度切割法、灰度级彩色变换法； 图像分割：灰度阈值...
Matlab图像处理程序集
03-05
P0306：采用二维中值滤波函数medfilt2对受椒盐噪声干扰的图像滤波 P0307：采用MATLAB中的函数filter2对受噪声干扰的图像进行均值滤波 P0308：图像的自适应魏纳滤波 P0309：运用5种不同的梯度增强法进行图像锐化 ...
SEED-VPM642实验指导书
06-03
第二部分 图像处理实验程序................................................... 24 实验一 图像的点运算..................................................... 24 实验1.1 图像的反色.............................
opencv入门（10）--阈值与线性滤波及卷积边缘处理
weixin_43212588的博客
08-25 218
卷积是卷积核（kernel）在图像中的每个像素的操作；kernel本质上是一个固定大小的矩阵数组，通常将其中心称为锚点（anchor point）。计算与卷积核重叠区域一一对应的乘积和重新赋值到与锚点重叠的像素。Sum = 8x1+6x1+6x1+2x1+8x1+6x1+2x1+2x1+8x1 各乘积相加New pixel = sum / (m*n) 取平均值卷积的作用：模糊图像，提取边缘，图像增锐化等；return -1;else;Mat dst;/// 初始化滤波器参数。
【python】OpenCV—Tracking（10.2）
bryant_meng
05-28 478
借助 BackgroundSubtractor 类，可检测阴影，用阈值排除阴影，从而关注实际特征。做 gif 的时候只设置了播放一次，重复播放需要刷新。Opencv 有三种背景分割器。
c++ tensorrt 推理yolov5 (opencv-gpu、nms-cuda
WSNjiang的博客
05-29 965
@[TOC](c++ tensorrt 推理yolov5 (opencv-gpu、nms-cuda))yolov5_trt.h yolov5_trt.cpp postprocess.cuh postprocess.cu main.cpp 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的
【OpenCV 基础知识 20】计算积分图像
最新发布
记录日常技术经验
05-31 152
WriteLn(Format(‘[i] 图像: %s’, [filename]));
[数据集][目标检测]伤口检测数据集VOC+YOLO格式2760张1类别
FL1623863129的博客
05-27 375
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。重要说明：大部分是脚本伤口，也有一小部分是其他部分伤口。图片数量(jpg文件个数)：2760。标注数量(xml文件个数)：2760。标注数量(txt文件个数)：2760。使用标注工具：labelImg。标注规则：对类别进行画矩形框。
[数据集][目标检测]红外车辆检测数据集VOC+YOLO格式13979张类别
FL1623863129的博客
05-28 271
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。图片数量(jpg文件个数)：13979。标注数量(xml文件个数)：13979。标注数量(txt文件个数)：13979。car 框数 = 247622。使用标注工具：labelImg。标注类别名称:["car"]标注规则：对类别进行画矩形框。总框数：247622。
【音视频基础概念】图像与位深
m0_62599305的博客
05-28 460
在数字媒体领域中，图像和音视频的处理技术不断发展。为了更好地理解和掌握这些技术，了解一些基础概念是至关重要的。其中，图像和位深（Bit Depth）是两个核心概念。这篇文章将详细介绍图像的基本概念以及位深的含义和其在图像处理中的重要性，并使用通俗易懂的解释来帮助大家理解这些技术背后的原理。图像和位深是数字媒体领域中不可或缺的基础概念。理解图像的组成和位深的意义，有助于我们更好地处理和优化图像和视频。通过这篇文章，我们了解到图像是由像素组成的，而位深决定了每个像素能表示的颜色或灰度级别的数量。
图像处理-最常见面试题
01-31
常用的图像平滑处理方法包括均值滤波、中值滤波和高斯滤波等。 3. 什么是图像边缘检测？ 图像边缘检测是指通过寻找图像中明暗变化最为剧烈的区域，来确定图像中物体的边界。常用的边缘检测算法包括Sobel算子、Canny...

“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

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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