快捷導(dǎo)航

Python+OpenCV 實(shí)現(xiàn)簡(jiǎn)單的高斯濾波(推薦)

更新時(shí)間：2021年09月18日 15:31:16 作者：林林zonzon

這篇文章主要介紹了Python+OpenCV 實(shí)現(xiàn)簡(jiǎn)單的高斯濾波,在文中需要注意的是，這里我沒有特判當(dāng)sigma = 0的時(shí)候的情況，具體實(shí)現(xiàn)過(guò)程跟隨小編一起看看吧

基本原理講解：高斯模糊的算法

高斯核函數(shù)的編寫：構(gòu)建權(quán)重矩陣，采用高斯二維分布函數(shù)的形式進(jìn)行處理。需要注意的是，這里我沒有特判當(dāng)sigma = 0的時(shí)候的情況。

即是實(shí)現(xiàn)：

1）權(quán)重矩陣的構(gòu)建

根據(jù)公式：

計(jì)算矩陣內(nèi)部結(jié)構(gòu)，其中因?yàn)橐M(jìn)行歸一化處理，e前方的系數(shù)會(huì)被約去，因此代碼中不體現(xiàn)。

2）矩陣元素歸一化處理

計(jì)算矩陣內(nèi)部元素總和sum,最后做矩陣除法得到歸一化處理后的權(quán)重矩陣。

# 高斯核生成函數(shù) kernel_size:濾波核大小  sigma:高斯核函數(shù)的局部影響范圍
def gauss(kernel_size, sigma):
    #定型0填充
    kernel = np.zeros((kernel_size, kernel_size))
    #確定正態(tài)分布中間值
    center = kernel_size // 2
    # s:方差 sum:記錄總和
    s = sigma ** 2
    sum = 0
    for i in range(kernel_size):
        for j in range(kernel_size):
            #由于最后要進(jìn)行歸一化處理，此處根號(hào)下2Π計(jì)算可以省略
            x, y = i - center, j - center
            kernel[i, j] = np.exp(-(x ** 2 + y ** 2) / (2 * s))
            sum += kernel[i, j]
    #歸一化處理后輸出
    kernel = kernel / sum
    return kernel

濾波函數(shù)的編寫：將圖片中的每個(gè)像素點(diǎn)（邊緣除外）及其周圍像素乘以權(quán)重矩陣，實(shí)現(xiàn)高斯濾波

需要注意的是此函數(shù)僅能處理彩色圖片，因?yàn)橹挥胁噬珗D片擁有img.shape[2]元素，灰度圖片沒有img.shape[2]元素不能用這個(gè)方法處理。

# 高斯濾波實(shí)現(xiàn)，img:輸入圖像 kermel:輸入高斯核函數(shù)
def myfilter(img,kernel):
    # 讀取img行數(shù)核列數(shù)
    h = img.shape[0]
    w = img.shape[1]
    # 直接拷貝父對(duì)象
    img1 = copy.copy(img)
    # 去掉邊緣
    for i in range(1,h-1):
        for j in range(1,w-1):
            # 三通道處理
            for c in range(0,2):
                sum = 0
                # 加權(quán)
                for k in range(-1,2):
                    for l in range(-1,2):
                        sum += img[i+k,j+l,c]*kernel[k+1,l+1]
                img1[i,j,c] = sum
    return img1

同時(shí)在處理高斯濾波的時(shí)候，函數(shù)采取的是針對(duì)3*3的kernel_size進(jìn)行編寫的，要更改kernel_size的大小，需要更改此處的range范圍。

下面是灰度圖像的處理方式：

def myfilter2(img,kernel):
    # 讀取img行數(shù)核列數(shù)
    h = img.shape[0]
    w = img.shape[1]
    # 直接拷貝父對(duì)象
    img1 = copy.copy(img)
    # 去掉邊緣
    for i in range(1,h-1):
        for j in range(1,w-1):
            sum = 0
            for k in range(-1,2):
                for l in range(-1,2):
                    sum += img[i+k,j+l]*kernel[k+1,l+1]
            img1[i,j] = sum
    return img1

最后整個(gè)運(yùn)行代碼：

import copy
import cv2
import numpy as np
#圖像讀取
img_y = cv2.imread('p2.jpg')
# 選擇高斯生成函數(shù)3*3，其中sigama = 3
kernel = gauss(3,3)
# 打印這個(gè)生成函數(shù)
print(kernel)
# 高斯濾波處理
img1 = myfilter(img_y, kernel)
cv2.imshow('P1_yuantu',img_y)
cv2.imshow('P1_gaussian', img1)
cv2.waitKey(0)

輸入輸出圖像結(jié)果展示：

原圖與高斯濾波后

需要注意的是采取的方法很原始，如果輸入的圖像過(guò)大，運(yùn)行時(shí)間會(huì)很久。

這方面東西挺有意思的，只是初略的學(xué)習(xí)，寫些基礎(chǔ)的東西，應(yīng)該還有錯(cuò)漏的地方，希望有大佬們多多指點(diǎn)。

到此這篇關(guān)于Python+OpenCV 實(shí)現(xiàn)簡(jiǎn)單的高斯濾波的文章就介紹到這了,更多相關(guān)Python OpenCV 高斯濾波內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: