【图像处理opencv】_图像锐化
目录
0 程序环境与所学函数
1 卷积
2 均值模糊
3 中值滤波
4 高斯模糊
5 双边滤波
0 程序环境与所学函数
本章程序运行需要导入下面三个库，并定义了一个显示图像的函数
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
def show(img):
if img.ndim == 2:
plt.imshow(img, cmap='gray')
else:
plt.imshow(cv.cvtColor(img, cv.COLOR_BGR2RGB))
plt.show()所学函数
#卷积
cv.filter2D(img, -1, kernel)
#均值模糊
cv.blur(img, (5,5))
cv.boxFilter(img, -1, (5,5))#中值滤波
cv.medianBlur(img,3)
#高斯模板
cv.GaussianBlur(img, (5,5), sigma)
#双边滤波
cv.bilateralFilter(img, -1, sigmaColor=50, sigmaSpace=3)
1 卷积
原理：
opencv里面提供了一个卷积函数 cv.filter2D(img,-1,kernel)
img-图像，-1--数据类型，用-1代替表示与原图像输出一致，kernel--卷积核
程序实现：
img = np.ones((5,5))
kernel = np.ones((3,3)) #卷积核的选择尽量选择3×3，5×5等有中心的矩阵，不然可能报错
print(img)
print(kernel)结果
#数学上的卷积应该先要将卷积核镜像一下再操作，这里是直接相乘相加只表示相关性
#卷积后得到的结果应该变小，边缘会默认填充，也可以指定边缘填充方式，具体可以在函数里查看
img2 = cv.filter2D(img,-1,kernel)
print(img2)结果
2 均值模糊
原理：均值滤波相当于对滤波器范围内的矩阵数值取均值输出得到的结果
程序实现
#读入一张带有噪声的图片
img = cv.imread('pic/rose_spnoise_200x200.jpg')
show(img)显示
#用一种原始的定义方法实现均值滤波
K = np.ones((3,3)) / 9
img1 = cv.filter2D(img,-1,K)
show(np.hstack([img,img1]))结果
opencv提供函数实现,下面这两个函数功能是一摸一样，效果也是一模一样的
cv.blur(img,(5,5))
cv.boxFilter(img,-1,(5,5))
img2 = cv.blur(img,(3,3))
show(np.hstack([img,img2]))结果
img3 = cv.boxFilter(img,-1,(3,3))
show(np.hstack([img,img3]))结果
3 中值滤波
原理
程序实现
img4= cv.medianBlur(img,3) #第二个数字必须是3，5，7...这样的奇数
show(np.hstack([img,img4]))结果
4 高斯模糊
原理： 高斯模糊卷积核与sigma（方差）的值有关，方差越大越平缓，方差越小越陡峭
sigma很小时是几乎没有滤波效果的，sigma很大时和均值滤波结果相似
程序实现
img = cv.imread('pic/rose_spnoise_200x200.jpg')
show(img)
#使用opencv里面提供的函数实现 cv.GaussianBlur(img,(5,5),sigma) 图像 卷积核大小 方差
sigma = 0.5
img2 = cv.GaussianBlur(img,(5,5),sigmaX=sigma)
show(np.hstack([img,img2]))结果
5 双边滤波
原理：可以保留边缘等高频信息，平滑颜色（灰度）相近的地方
不断计算卷积核：颜色差异越大，加权值越小；距离越远，加权值越小
程序实现
img = cv.imread('pic/beer.jpg',0)
show(img)
#opencv提供函数实现 cv.bilateralFilter(img,-1,sigmaColor=50,sigmaSpace=3)
img2 = cv.bilateralFilter(img,-1,sigmaColor=50,sigmaSpace=3)
show(np.hstack([img,img2]))结果
