有选择保边缘平滑法对图像进行平滑

• 转载注明出处
  {
  @ANTenna
  https://blog.csdn.net/m0_38139098/article/details/105755329
  }

• 要求：编写一个程序完成如下功能：读入清晰图像，加上椒盐噪声，采用有选择保边缘平滑法对图像进行平滑。

• 该平滑方法可以保护边沿，具体原理见各种参考书和博客。最关键的地方在于边沿处方差较大。本帖主要是分享一下代码

• Python Implement

'''
# 8th
编写一个程序完成如下功能：读入清晰图像，加上椒盐噪声
采用－－有选择保边缘平滑法－－对图像进行平滑。
'''
import numpy as np
from PIL import Image
import matplotlib.pyplot as plt
from skimage.util import random_noise

# 读入清晰图像
#einstein.tif
#lena512color.jpg
#mandril_color.jpg
#cameraman.tif
src = Image.open("einstein.tif").convert('L') # 转换成灰度
src = np.array(src)

'''
加入椒盐噪声
输入：清晰灰度图
返回：噪声污染图
'''
def addnoise(img):
    print("addnoise is running ...")

    # 随机生成5000个椒盐点
    rows, cols = img.shape

    for i in range(5000):
        x = np.random.randint(0, rows)
        y = np.random.randint(0, cols)
        img[x, y, :] = 255

    output = img
    return output

'''
平滑滤波器：有选择保边缘平滑法
    按照PPT 处理5*5邻域
输入：清晰灰度图\methord 为填充方案\可选zero or replicate
返回：滤波后的图像
'''
def filter(img,methord):
    # 核大小 5*5
    kernel_lenth = 5
    rect_kernel_lenth = 3 # 3*3 kernel size

    b = np.array(img)

    # 读取原始矩阵大小
    line_0, col_0 = b.shape
    print("Ori_size:", b.shape)
    # 创建输出画布 全零阵
    output = np.zeros((line_0 + 2 * (kernel_lenth - 1), col_0 + 2 * (kernel_lenth - 1)))
    # 填充边界
    if (methord == "zero"):
        # 填0 先填充行，加两行后填充列
        for i in range(kernel_lenth - 1):
            line, col = b.shape  # Updata Matrix size
            b = np.insert(b, 0, np.zeros(col), axis=0)
            b = np.insert(b, line + 1, np.zeros(col), axis=0)

            b = np.insert(b, 0, np.zeros(line + 2), axis=1)
            b = np.insert(b, col + 1, np.zeros(line + 2), axis=1)
        # 0填充完毕

    elif (methord == "replicate"):
        # 填边界值
        # 先行后列，这样不必专门处理角点
        for i in range(kernel_lenth - 1):  # kernel_lenth
            line, col = b.shape  # Updata Matrix size
            side_up = b[:1]
            side_down = b[line - 1:line]

            b = np.insert(b, 0, side_up, axis=0)
            b = np.insert(b, line + 1, side_down, axis=0)

            side_left = b[:, 0]  # 提取某一列
            side_right = b[:, col - 1]

            b = np.insert(b, 0, side_left, axis=1)
            b = np.insert(b, col + 1, side_right, axis=1)
    # 复制填充完毕
    #print("expsize:", b.shape) # to 5*5 Size OK!

    # 5*5填充后对于5边形和6边形是友善的
    line, col = b.shape  # Updata Matrix size

    # 3*3 矩形区域计算 为了简化逻辑，该部分与其它(5*5)区域分立
    for i in range(2,line-2): # kernel center x
        for j in range(2,col-2): # kernel center y slide
            # 对于每个像素建立2*1的均值方差表 每次清零
            var_list = [[],[],[]]  # 0- 3;   5 6
            mean_list = [[],[],[]]  # 0- 3;  5 6

            # 提取欲处理的<9>个子区域
            # 3*3
            mask_temp_3 = b[i-1:i+2,j-1:j+2]  # 3*3的就这样提取出来了  notice that 要到3*3  即0-2 ，后面的要取到3
            var_list[0].append(np.var(mask_temp_3))
            mean_list[0].append(np.mean(mask_temp_3))

            local_var1 = []
            local_mean1 = []
            local_var2 = []
            local_mean2 = []
            # 5*5
            mask_temp_5 = b[i-2:i+3, j-2:j+3]

            # 1
            list51 = [mask_temp_5[2][2],mask_temp_5[1][1],mask_temp_5[0][1],mask_temp_5[0][3],mask_temp_5[1][3],mask_temp_5[1][2],mask_temp_5[0][2]]
            list52 = [mask_temp_5[2][2],mask_temp_5[1][3],mask_temp_5[1][4],mask_temp_5[2][4],mask_temp_5[3][4],mask_temp_5[3][3],mask_temp_5[2][3]]
            list53 = [mask_temp_5[2][2],mask_temp_5[3][3],mask_temp_5[4][3],mask_temp_5[4][2],mask_temp_5[4][1],mask_temp_5[3][1],mask_temp_5[3][2]]
            list54 = [mask_temp_5[2][2],mask_temp_5[3][1],mask_temp_5[3][0],mask_temp_5[2][0],mask_temp_5[1][0],mask_temp_5[1][1],mask_temp_5[2][1]]

            local_var1.append(np.var(list51))
            local_var1.append(np.var(list52))
            local_var1.append(np.var(list53))
            local_var1.append(np.var(list54))
            #
            local_mean1.append(np.mean(list51))
            local_mean1.append(np.mean(list52))
            local_mean1.append(np.mean(list53))
            local_mean1.append(np.mean(list54))
            # 2
            list61 = [mask_temp_5[2][2],mask_temp_5[2][3],mask_temp_5[4][3],mask_temp_5[4][4],mask_temp_5[4][3],mask_temp_5[3][2],mask_temp_5[4][4]]
            list62 = [mask_temp_5[2][2],mask_temp_5[3][2],mask_temp_5[4][1],mask_temp_5[4][0],mask_temp_5[3][0],mask_temp_5[2][1],mask_temp_5[3][1]]
            list63 = [mask_temp_5[2][2],mask_temp_5[2][1],mask_temp_5[1][0],mask_temp_5[0][0],mask_temp_5[0][1],mask_temp_5[1][2],mask_temp_5[1][1]]
            list64 = [mask_temp_5[2][2],mask_temp_5[1][2],mask_temp_5[0][3],mask_temp_5[0][4],mask_temp_5[1][4],mask_temp_5[2][3],mask_temp_5[1][3]]
            local_var2.append(np.var(list61))
            local_var2.append(np.var(list62))
            local_var2.append(np.var(list63))
            local_var2.append(np.var(list64))

            local_mean2.append(np.mean(list61))
            local_mean2.append(np.mean(list62))
            local_mean2.append(np.mean(list63))
            local_mean2.append(np.mean(list64))

            min_var_temp = 0
            for m in range(4): # 迭代查找5*5的最小方差 对应的均值
                if(local_var1[m]>local_var2[m]):
                    mean_value = local_mean2[m]
                    min_var_temp = local_var2[m]
                else:
                    mean_value = local_mean1[m]
                    min_var_temp = local_var1[m]
            # 找到包含3*3方差在内的最小方差位置
            # 根据索引找到对应的均值
            if(var_list[0][0]>min_var_temp): # 3的大 不取3
                output[i][j] = mean_value
            else:
                output[i][j] = mean_list[0][0]

            #output[i][j] = real_mean

        #print("Running...",i)

    # 裁剪
    output = output[kernel_lenth-1:line-kernel_lenth+1,kernel_lenth-1:col-kernel_lenth+1]
    #print("outputsize:",output.shape)
    return output

# Run to test
noise_img = random_noise(src, mode='s&p',amount=0.3)
filter_img = filter(noise_img,"zero")

filter_img2 = filter(noise_img,"replicate")

#print(filter_img)

src_dim1 = src.flatten()
noise_dim1 = noise_img.flatten()
filter_img_dim1 = filter_img.flatten()
filter_img_dim2 = filter_img2.flatten()

# 显示灰度图
plt.subplot(241), plt.imshow(src, 'gray'), plt.title('Src')
plt.axis('off')

plt.subplot(242), plt.imshow(noise_img, 'gray'), plt.title('NoiseImg')
plt.axis('off')

plt.subplot(243), plt.imshow(filter_img, 'gray'), plt.title('FilterImg_0')
plt.axis('off')

plt.subplot(244), plt.imshow(filter_img2, 'gray'), plt.title('FilterImg_copy')
plt.axis('off')

plt.subplot(245)
plt.title('SrcImg Hist')
n, bins, patches = plt.hist(src_dim1, bins=80, density=0, edgecolor='black', alpha=1, histtype='bar')

plt.subplot(246)
plt.title('NoiseImg Hist')
n, bins, patches = plt.hist(noise_dim1, bins=80, density=0, edgecolor='black', alpha=1, histtype='bar')

plt.subplot(247)
plt.title('FilterImg_0 Hist')
n, bins, patches = plt.hist(filter_img_dim1, bins=80, density=0, edgecolor='black', alpha=1, histtype='bar')

plt.subplot(248)
plt.title('FilterImg_copy Hist')
n, bins, patches = plt.hist(filter_img_dim2, bins=80, density=0, edgecolor='black', alpha=1, histtype='bar')

plt.show()

# Liu Yaohua - 2019.10.31 in UCAS

• 效果展示
  

  总结：可以看出，该算法可以对椒盐噪声形成有效抑制，有很高的实用价值