图像高斯滤波python_python数字图像处理(10):图像简单滤波

对图像进行滤波,可以有两种效果:一种是平滑滤波,用来抑制噪声;另一种是微分算子,可以用来检测边缘和特征提取。

skimage库中通过filters模块进行滤波操作。

1、sobel算子

sobel算子可用来检测边缘

函数格式为:skimage.filters.sobel(image, mask=None)

from skimage importdata,filtersimportmatplotlib.pyplot as plt

img=data.camera()

edges=filters.sobel(img)

plt.imshow(edges,plt.cm.gray)

140867-20160112172421585-579522669.png

2、roberts算子

roberts算子和sobel算子一样,用于检测边缘

调用格式也是一样的:

edges = filters.roberts(img)

3、scharr算子

功能同sobel,调用格式:

edges = filters.scharr(img)

4、prewitt算子

功能同sobel,调用格式:

edges = filters.prewitt(img)

5、canny算子

canny算子也是用于提取边缘特征,但它不是放在filters模块,而是放在feature模块

函数格式:skimage.feature.canny(image,sigma=1.0)

可以修改sigma的值来调整效果

from skimage importdata,filters,featureimportmatplotlib.pyplot as plt

img=data.camera()

edges1= feature.canny(img) #sigma=1

edges2 = feature.canny(img,sigma=3) #sigma=3

plt.figure('canny',figsize=(8,8))

plt.subplot(121)

plt.imshow(edges1,plt.cm.gray)

plt.subplot(122)

plt.imshow(edges2,plt.cm.gray)

plt.show()

140867-20160112174024569-770895433.png

从结果可以看出,sigma越小,边缘线条越细小。

6、gabor滤波

gabor滤波可用来进行边缘检测和纹理特征提取。

函数调用格式:skimage.filters.gabor_filter(image, frequency)

通过修改frequency值来调整滤波效果,返回一对边缘结果,一个是用真实滤波核的滤波结果,一个是想象的滤波核的滤波结果。

from skimage importdata,filtersimportmatplotlib.pyplot as plt

img=data.camera()

filt_real, filt_imag= filters.gabor_filter(img,frequency=0.6)

plt.figure('gabor',figsize=(8,8))

plt.subplot(121)

plt.title('filt_real')

plt.imshow(filt_real,plt.cm.gray)

plt.subplot(122)

plt.title('filt-imag')

plt.imshow(filt_imag,plt.cm.gray)

plt.show()

140867-20160112175656507-129134192.png

以上为frequency=0.6的结果图。

140867-20160112175805100-1627760924.png

以上为frequency=0.1的结果图

7、gaussian滤波

多维的滤波器,是一种平滑滤波,可以消除高斯噪声。

调用函数为:skimage.filters.gaussian_filter(image, sigma)

通过调节sigma的值来调整滤波效果

from skimage importdata,filtersimportmatplotlib.pyplot as plt

img=data.astronaut()

edges1= filters.gaussian_filter(img,sigma=0.4) #sigma=0.4

edges2 = filters.gaussian_filter(img,sigma=5) #sigma=5

plt.figure('gaussian',figsize=(8,8))

plt.subplot(121)

plt.imshow(edges1,plt.cm.gray)

plt.subplot(122)

plt.imshow(edges2,plt.cm.gray)

plt.show()

140867-20160112180630600-1668779591.png

可见sigma越大,过滤后的图像越模糊

8.median

中值滤波,一种平滑滤波,可以消除噪声。

需要用skimage.morphology模块来设置滤波器的形状。

from skimage importdata,filtersimportmatplotlib.pyplot as pltfrom skimage.morphology importdisk

img=data.camera()

edges1= filters.median(img,disk(5))

edges2= filters.median(img,disk(9))

plt.figure('median',figsize=(8,8))

plt.subplot(121)

plt.imshow(edges1,plt.cm.gray)

plt.subplot(122)

plt.imshow(edges2,plt.cm.gray)

plt.show()

140867-20160112182116053-1956206043.png

从结果可以看出,滤波器越大,图像越模糊。

9、水平、垂直边缘检测

上边所举的例子都是进行全部边缘检测,有些时候我们只需要检测水平边缘,或垂直边缘,就可用下面的方法。

水平边缘检测:sobel_h, prewitt_h, scharr_h

垂直边缘检测: sobel_v, prewitt_v, scharr_v

from skimage importdata,filtersimportmatplotlib.pyplot as plt

img=data.camera()

edges1=filters.sobel_h(img)

edges2=filters.sobel_v(img)

plt.figure('sobel_v_h',figsize=(8,8))

plt.subplot(121)

plt.imshow(edges1,plt.cm.gray)

plt.subplot(122)

plt.imshow(edges2,plt.cm.gray)

plt.show()

140867-20160112181548678-424625426.png

上边左图为检测出的水平边缘,右图为检测出的垂直边缘。

10、交叉边缘检测

可使用Roberts的十字交叉核来进行过滤,以达到检测交叉边缘的目的。这些交叉边缘实际上是梯度在某个方向上的一个分量。

其中一个核:

0 1

-1 0

对应的函数:

roberts_neg_diag(image)

例:

from skimage importdata,filtersimportmatplotlib.pyplot as plt

img=data.camera()

dst=filters.roberts_neg_diag(img)

plt.figure('filters',figsize=(8,8))

plt.subplot(121)

plt.title('origin image')

plt.imshow(img,plt.cm.gray)

plt.subplot(122)

plt.title('filted image')

plt.imshow(dst,plt.cm.gray)

140867-20160115143207303-1110393879.png

另外一个核:

1 0

0 -1

对应函数为:

roberts_pos_diag(image)

from skimage importdata,filtersimportmatplotlib.pyplot as plt

img=data.camera()

dst=filters.roberts_pos_diag(img)

plt.figure('filters',figsize=(8,8))

plt.subplot(121)

plt.title('origin image')

plt.imshow(img,plt.cm.gray)

plt.subplot(122)

plt.title('filted image')

plt.imshow(dst,plt.cm.gray)

140867-20160115143403757-1522337026.png

你可能感兴趣的:(图像高斯滤波python)