卷积运算
卷积可以说是图像处理中最基本的操作。线性滤波通过不同的卷积核,可以产生很多不同的效果。假如有一个要处理的二维图像,通过二维的滤波矩阵(卷积核),对于图像的每一个像素点,计算它的领域像素和滤波器矩阵的对应元素的乘积,然后累加,作为该像素位置的值。关于图像卷积和滤波的一些知识点可以参考这篇博客。
下面是通过python模拟实现的图像卷积操作,模拟了sobel
算子,prewitt
算子和拉普拉斯算子。python的np包中有convolve
函数可以直接调用,scipy
中也有scipy.signal.convolve
函数可以直接调用。
import matplotlib.pyplot as plt
import pylab
import cv2
import numpy as np
from PIL import Image
import os
def conv(image, kernel):
height, width = image.shape # 获取图像的维度
h, w = kernel.shape # 卷积核的维度
# 经过卷积操作后得到的新的图像的尺寸
new_h = height - h + 1
new_w = width - w + 1
# 对新的图像矩阵进行初始化
new_image = np.zeros((new_h, new_w), dtype=np.float)
# 进行卷积操作,矩阵对应元素值相乘
for i in range(new_w):
for j in range(new_h):
new_image[i, j] = np.sum(image[i:i+h, j:j+w] * kernel) # 矩阵元素相乘累加
# 去掉矩阵乘法后的小于0的和大于255的原值,重置为0和255
# 用clip函数处理矩阵的元素,使元素值处于(0,255)之间
new_image = new_image.clip(0, 255)
# 将新图像各元素的值四舍五入,然后转成8位无符号整型
new_image = np.rint(new_image).astype('uint8')
return new_image
if __name__ == "__main__":
# 读取图像信息,并转换为numpy下的数组
image = Image.open("图片.jpg", 'r')
output_path = "./outputPic/"
if not os.path.exists(output_path):
os.mkdir(output_path)
a = np.array(image)
# sobel 算子
sobel_x = np.array(([-1, 0, 1],
[-2, 0, 2],
[-1, 0, 1]))
sobel_y = np.array