>>文章导航
1 实验目的和要求
（1）掌握图像处理的基本原理和滤波器的作用，了解不同滤波器的特点和应用范围；
（2）理解并掌握基于拉普拉斯模板的图像锐化等处理方法；
（3）了解并掌握图像运算的基本概念和方法等；
（4）通过实验，提高对图像处理基本概念的理解，培养实际操作和解决问题的能力。
2 实验环境与配置
（1）计算机；
（2）Python及Anaconda软件；
（3）典型的灰度、彩色图像等文件。
3 空域滤波
空域滤波是一种邻域处理方法，通过直接在图像空间中对邻域内像素进行处理，达到平滑或锐化图像的作用。
3.1 图像平滑（均值滤波、中值滤波、高斯滤波）
（1）均值滤波--cv2.blur(原始图像,核大小) （2）中值滤波--cv2.medianBlur(src, ksize) （3）高斯滤波--cv2.GaussianBlur(src, ksize, sigmaX)
ksize = 3 :
import cv2
img = cv2.imread('D:\images\lena_color_512_saltpepper.jpg ') # 读取图片
result_blur = cv2.blur(img, (3, 3)) #均值滤波
result_GaussianBlur = cv2.GaussianBlur(img, (3, 3), 0) # 高斯滤波（即课本的“加权平均滤波”）
result_medianBlur = cv2.medianBlur(img, 3) # 中值滤波
cv2.imshow('original', img)
cv2.imshow('result_blur', result_blur)
cv2.imshow('result_GaussianBlur', result_GaussianBlur)
cv2.imshow('result_medianBlur', result_medianBlur)
cv2.waitKey(0)
cv2.destroyAllWindows()
1. 比较哪种滤波的去噪效果更好。
中值滤波效果最好。
均值滤波是一种简单的平滑滤波器，它取像素点邻域的平均值作为新的像素值。这种滤波器对于消除图像中的随机噪声（特别是高斯噪声）有较好的效果，但是它对于椒盐噪声的抑制效果较差。
高斯滤波实际上也是加权平均滤波，只不过它给离中心近的像素赋予更大的权重。相比于均值滤波，高斯滤波对于消除噪声的效果更好一些，特别是对于消除椒盐噪声。
中值滤波是一种非线性操作滤波器，它将像素邻域的灰度值进行排序，然后取中间值作为新的像素值。中值滤波对于消除椒盐噪声特别有效，但是对于高斯噪声的抑制效果不如前两者。
哪种滤波器的去噪效果更好，取决于你的图像具体存在哪种噪声。如果处理的是高斯噪声，那么均值滤波和高斯滤波的效果会更好。如果处理的是椒盐噪声，那么中值滤波的效果会更好。
2. 对每种滤波函数，尝试不同的核大小 ksize （如 3 ，5 ，7 ），比较输出的平滑效果有何不同。
对于均值滤波，改变核大小会影响到滤波器对图像的平滑程度。较大的核大小将使滤波器对图像的平滑效果更强，这将使图像看起来更加模糊。较小的核大小将使滤波器的平滑效果较弱，图像将保留更多的细节。
对于高斯滤波，改变核大小也会影响到滤波器对图像的平滑程度。与均值滤波类似，较大的核大小将使图像看起来更加模糊，较小的核大小将使图像保留更多的细节。
对于中值滤波，改变核大小主要影响滤波器对图像的平滑程度。由于中值滤波是一种非线性操作，它对消除椒盐噪声特别有效，因此改变核大小对中值滤波的效果影响不大。
ksize = 5 :
import cv2
img = cv2.imread('D:\images\lena_color_512_saltpepper.jpg ') # 读取图片
result_blur = cv2.blur(img, (5, 5)) #均值滤波
result_GaussianBlur = cv2.GaussianBlur(img, (5, 5), 0) # 高斯滤波（即课本的“加权平均滤波”）
result_medianBlur = cv2.medianBlur(img, 5) # 中值滤波
cv2.imshow('original', img)
cv2.imshow('result_blur', result_blur)
cv2.imshow('result_GaussianBlur', result_GaussianBlur)
cv2.imshow('result_medianBlur', result_medianBlur)
cv2.waitKey(0)
cv2.destroyAllWindows()
ksize = 7 :
import cv2
img = cv2.imread('D:\images\lena_color_512_saltpepper.jpg ') # 读取图片
result_blur = cv2.blur(img, (7, 7)) #均值滤波
result_GaussianBlur = cv2.GaussianBlur(img, (7, 7), 0) # 高斯滤波（即课本的“加权平均滤波”）
result_medianBlur = cv2.medianBlur(img, 7) # 中值滤波
cv2.imshow('original', img)
cv2.imshow('result_blur', result_blur)
cv2.imshow('result_GaussianBlur', result_GaussianBlur)
cv2.imshow('result_medianBlur', result_medianBlur)
cv2.waitKey(0)
cv2.destroyAllWindows()
3. 自选一幅没有噪声的图片， 分别用上述三种滤波函数进行滤波， 观察无噪声情况下的平滑效果有何特点。
在无噪声的情况下，这三种滤波函数都可以使图像变得平滑，但是它们的特点有所不同。均值滤波和中值滤波都会使图像稍微变模糊，但是中值滤波对于边缘的保留效果更好一些。高斯滤波可以在保持图像清晰度的同时，去除一些小的噪声。
这三种滤波函数的效果还受到滤波器大小的影响。较大的滤波器可以更好地去除噪声，但是会使图像变得更加模糊。较小的滤波器可以更好地保留图像的细节，但是去除噪声的效果会较差。
import cv2
img = cv2.imread('D:\myimages\lake.jpg ') # 读取图片
result_blur = cv2.blur(img, (7, 7)) #均值滤波
result_GaussianBlur = cv2.GaussianBlur(img, (7, 7), 0) # 高斯滤波（即课本的“加权平均滤波”）
result_medianBlur = cv2.medianBlur(img, 7) # 中值滤波
cv2.imshow('original', img)
cv2.imshow('result_blur', result_blur)
cv2.imshow('result_GaussianBlur', result_GaussianBlur)
cv2.imshow('result_medianBlur', result_medianBlur)
cv2.waitKey(0)
cv2.destroyAllWindows()
4. 在不调用上述 cv2 自带 滤波 函数 的 情况下， 自己手动编程分别实现中值滤波、 高斯滤波(课本 p62 加权平均滤波)， 要提供自己实现的代码和滤波效果。 滤波器大小为定为 3 ×3。
中值滤波:
import cv2
import numpy as np
def median_filter(image):
height, width = image.shape
result = np.zeros((height, width), dtype=np.uint8)
for i in range(1, height - 1):
for j in range(1, width - 1):
neighborhood = image[i - 1:i + 2, j - 1:j + 2]
result[i, j] = np.median(neighborhood)
return result
# 读取图像
image = cv2.imread('D:\myimages\cat.jfif', cv2.IMREAD_GRAYSCALE)
# 应用中值滤波
filtered_image = median_filter(image)
# 显示原始图像和滤波后的图像
cv2.imshow('Original Image', image)
cv2.imshow('Median Filtered Image', filtered_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
高斯滤波:
import cv2
import numpy as np
def gaussian_filter(image):
height, width = image.shape
result = np.zeros((height, width), dtype=np.uint8)
kernel = np.array([[1, 2, 1],
[2, 4, 2],
[1, 2, 1]]) / 16
for i in range(1, height - 1):
for j in range(1, width - 1):
neighborhood = image[i - 1:i + 2, j - 1:j + 2]
weighted_sum = np.sum(neighborhood * kernel)
result[i, j] = weighted_sum
return result
# 读取图像
image = cv2.imread('D:\myimages\cat.jfif', cv2.IMREAD_GRAYSCALE)
# 应用高斯滤波
filtered_image = gaussian_filter(image)
# 显示原始图像和滤波后的图像
cv2.imshow('Original Image', image)
cv2.imshow('Gaussian Filtered Image', filtered_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
3.2 图像锐化
dst = cv2.filter2D(src, -1, kernel) 上式中-1 表示目标图像和原图像深度（数据位数）一致，kernel 为滤波器模板，不同的模板具有的滤波效果。
(1) 拉普拉斯模板（线性）
kernel = 8:
import cv2
import numpy as np
src = cv2.imread('D:\myimages\dog_single.png')
kernel = np.array([[-1, -1, -1],
[-1, 8, -1],
[-1, -1, -1]])
dst = cv2.filter2D(src, -1, kernel)
cv2.imshow('original', src)
cv2.imshow('dst', dst)
cv2.imshow('src+dst', src+dst)
cv2.waitKey(0)
cv2.destroyAllWindows()
2. 思考题：如果将上例中滤波模板中心的值由 8 改为 9 ，经filter2D(src, -1, kernel) 滤波后的图像是什么？简要分析为何会出现这样的滤波图像。
如果将滤波模板中心的值由8改为9，那么滤波器将变为一个锐化滤波器。经过filter2D(src, -1, kernel)滤波后，图像将变得更加清晰。因为锐化滤波器可以突出图像的边缘和细节，使图像看起来更加清晰。同时，由于滤波器中心值的变化，滤波器对图像的平滑程度也会有所不同，因此滤波后的图像可能会略有变化。
kernel = 9:
import cv2
import numpy as np
src = cv2.imread('D:\myimages\dog_single.png')
kernel = np.array([[-1, -1, -1],
[-1, 9, -1],
[-1, -1, -1]])
dst = cv2.filter2D(src, -1, kernel)
cv2.imshow('original', src)
cv2.imshow('dst', dst)
cv2.imshow('src+dst', src+dst)
cv2.waitKey(0)
cv2.destroyAllWindows()
3. 换另一幅图像（不限于文件夹 images 内的图像，可以自己找）进行基于拉普拉斯模板的图像锐化。
import cv2
import numpy as np
src = cv2.imread('D:\myimages\cat.jfif')
kernel = np.array([[-1, -1, -1],
[-1, 8, -1],
[-1, -1, -1]])
dst = cv2.filter2D(src, -1, kernel)
cv2.imshow('original', src)
cv2.imshow('dst', dst)
cv2.imshow('src+dst', src+dst)
cv2.waitKey(0)
cv2.destroyAllWindows()
4. 在不调用 filter2D 函数的情况下， 自己手动编程实现下面这个拉普拉斯模板的锐化滤波，要提供自己实现的代码和滤波效果。 滤波器 大小为 定为 3 ×3。
import cv2
import numpy as np
def laplacian_sharpening(image):
height, width = image.shape
result = np.zeros((height, width), dtype=np.uint8)
# 定义拉普拉斯锐化滤波器
laplacian_kernel = np.array([[0, -1, 0],
[-1, 4, -1],
[0, -1, 0]])
for i in range(1, height - 1):
for j in range(1, width - 1):
neighborhood = image[i - 1:i + 2, j - 1:j + 2]
weighted_sum = np.sum(neighborhood * laplacian_kernel)
result[i, j] = np.clip(weighted_sum, 0, 255) # 确保像素值在 0 到 255 之间
return result
# 读取图像
image = cv2.imread('D:\myimages\cat.jfif', cv2.IMREAD_GRAYSCALE)
# 应用拉普拉斯锐化滤波
sharpened_image = laplacian_sharpening(image)
# 显示原始图像和锐化后的图像
cv2.imshow('Original Image', image)
cv2.imshow('Sharpened Image', sharpened_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
4 实验心得与思考
4.1 实验心得总结
通过本次实验，我深入了解了图像处理的基本原理和不同滤波器的特点和应用范围。我不仅掌握了如何使用均值滤波、高斯滤波和中值滤波对图像进行去噪和平滑处理，还学习了如何利用拉普拉斯模板对图像进行锐化处理。同时，我也了解了图像运算的基本概念和方法。
在实验过程中，我通过观察和比较处理后的图像，发现不同滤波器在去噪效果和图像平滑效果方面有着不同的表现。均值滤波对消除图像中的随机噪声（特别是高斯噪声）有较好的效果，但会降低图像的清晰度。高斯滤波能更好地消除高斯噪声，但仍然会保留一部分噪声。中值滤波对消除椒盐噪声特别有效，但会使图像变得模糊。我还发现拉普拉斯锐化方法能够增强图像的边缘细节，使图像看起来更加清晰。
4.2 实验问题与解决
在实验中遇到预想之外的问题（比如得到的图像处理效果与预期不同），自己找到原因，并想到办法加以解决。
（1）用拉普拉斯滤波的将数组元素与序列进行赋值时出现问题, result数组用于存储整个滤波后的图像解决遇到的错误:
如果觉得作者写得还不错的话, 点赞 / 收藏 / 评论 / 转发 四连支持一下吧~😘
最重要的是点一个大大的关注, 你的支持就是作者创作的最大动力!!!
扫一扫
551
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
