Opencv中的滤波器

这篇具有很好参考价值的文章主要介绍了Opencv中的滤波器。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

一副图像通过滤波器得到另一张图像,其中滤波器又称为卷积核,滤波的过程称之为卷积。

Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉

这就是一个卷积的过程,通过一个卷积核得到另一张图片,明显发现新的到的图片边缘部分更加清晰了(锐化)。 

Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉

上图就是一个卷积的过程,下面的是原始图像,上面的是卷积核。卷积核以一定步长对于原始图像进行卷积处理,得到新的图像。 

卷积核的大小:上图中的卷积核是5x5大小的卷积核。

锚点:就是卷积核最中心的位置

边界扩充:进行卷积后的图像一般比原始图像要小一点,为了和原始图像大小相同,就需要进行边界扩充。

步长:就是卷积核对原始图像进行扫描时,每一次移动几个像素。

卷积核的大小

(1)卷积核一般为奇数,如3x3,5x5,7x7;

一方面是为了增加padding的原因,就是进行扩充操作。

另一方面是保证锚点在中间(大家可以自己画一下3x3和4x4的矩阵进行思考有什么区别)防止位置发生偏移。

(2)卷积核大小的影响:卷积核越大,看到的信息(感受野)就越多,提取的特征就越好,同时计算量就越大。(目前很多深度学习领域中,使用两个或多个小的卷积核代替大的卷积核)

(3)边界扩充:当卷积核大于1且不进行边界扩充时,输出的尺寸一定会变小,所以需要进行边界扩充维持原来的大小。

Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉

上图中下面的是原图,上面的是进行卷积后的图片,卷积核大小就是如图中的3x3,虚线部分就是进行边界扩充后的,所以很直观感受到,在进行边界扩充后才会变成原始的图像大小。 

Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉

利用上述公式就可以得出不同的参数了,这对我们使用多大的卷积核,希望得到多大尺寸的图片都很有帮助。 

(4)步长大小:

Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉

上图中的步长就是2。

低通滤波与高通滤波

低通滤波与高通滤波相关知识

低通滤波就是低于某个阈值是可以通过的

高通滤波就是高于某个阈值是可以通过的

低通滤波可以去除噪音或平滑图像(美颜中磨皮,去痘)

高通滤波可以帮助插值图像的边缘(抠图时需要边缘)

图像卷积

filter2D(src,ddepth,kernel,anchor,delta,borderType)

src:操作的原始图像

ddepth:位深,通常设置为-1

kernel:卷积核 (重要)

anchor:锚点(核的中心点)默认为-1,根据核直接去得到锚点

delta:原始图进行卷积后得到的图加上delta,默认为0

borderType:边界类型,加黑边等等  一般取默认值

Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉

如图卷积核是上图,就意味着在原图中选5x5的像素每个值都乘1进行相加,得到的结果乘(1/25)就取得平均值,更加平滑。

图像卷积实战代码

import cv2
import numpy as np

img = cv2.imread('../MM/preview.jpg')

# 自己设计的kernel的方法
kernel = np.ones((5, 5), np.float32) / 25
dst = cv2.filter2D(img, -1, kernel)

cv2.imshow('dst', dst)
cv2.imshow('img', img)

cv2.waitKey(0)

Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉 Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉

左边是原图,右边是处理后的图片。

看代码:我们设置的是5x5的全为1的矩阵,最后除25.得到结果更加平滑,但是清晰度明显下降了。(因此我们自己创的kernel往往不太合适,需要一些现存的效果较好的滤波器)

方盒滤波和均值滤波

方盒滤波:boxFilter(src,ddepth,ksize,anchor,normalize,borderType)

均值滤波:blur(src,ksize,anchor,borderType)

src:处理的图像

ddepth:位深,通常设置为-1

ksize:kernel size  卷积核大小

anchor:锚点(核的中心点)默认为-1,根据核直接去得到锚点

normalize:当normalize为True时,a=1/(W*H)  此时会退化成均值滤波

                    当normalize为False时,a=1     下图就是方盒滤波的卷积核

Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉

borderType:边界类型,加黑边等等  一般取默认值 。

方盒滤波和均值滤波实战代码

均值滤波:

# 均值滤波
dst = cv2.blur(img, (5, 5))  # 这个是均值滤波 用blur   其结果和自己设计kernel的结果相同

结果和我们在第二部分自己设置kernel的结果相同,因为此时矩阵进行相乘后也是除25。

方盒滤波:

# 这种是方盒滤波,其初始中normalize为true变成均值滤波,如果想变成方盒滤波需要把normalize设置false
dst = cv2.boxFilter(img, -1, (5, 5), False)  
dst1 = cv2.boxFilter(img, -1, (5, 5), True)

Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉 Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉

左边的是通过方盒滤波得到的结果,右边是均值滤波得到的结果。

高斯滤波 

高斯滤波相关知识

Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉

上图就是高斯滤波,发现一条曲线越靠近中间值越大(权重越大)

Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉

左边这张图代表的是矩阵中每个位置的大小,最中心的大小不一定是最大的(虽然第一张图25相较于周围较大), 但是最中心点的权重一定是最大的,并且越靠近中心权重越大(如第二张图,每一个数值乘一个权重的数值)

高斯滤波API:GaussianBlur(img,kernel,sigmaX,sigmaY,……)

img:需要对哪个图像进行处理

kernel:卷积核(大小) kernelsize

sigmaX,sigmaY:到中心点的延展宽度

Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉

可以看出不同的sigma值的结果,如果没有sigma时,就看kernelsize,如下图。

Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉

 高斯滤波实战代码

# 高斯滤波(解决高斯滤波,测量值会在均值附近产生大量的值,而离均值较远的值则会较少出现。)
# 设计中的锚点附近的权值较大
dst = cv2.GaussianBlur(img1, (5, 5), sigmaX=1)

Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉 Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉

左边是原图,发现每个环里面有很多的噪声点,经过高斯滤波后发现很多的噪声点都被去掉了,但是边缘部分也被处理掉了。(大家也可以自己去尝试改变sigma的值,看看会出现什么样的结果)

高斯滤波主要就是解决高斯噪点。

中值滤波

中值滤波相关知识

假如现在有一个数组[1556789],中值滤波就是取其中的中间值作为卷积后的结果值。

所以,当使用卷积核去卷积时,每一次都会对卷积后的结果进行排序,最后选择中间值。

中值滤波主要针对胡椒噪声(整张图像都有噪声)有很好的效果。

中值滤波API:medianBlur(img,ksize)

img:就是对哪张图片进行操作

ksize:kernelsize 卷积核的大小

中值滤波实战代码

# 中值滤波(解决胡椒噪音)
dst = cv2.medianBlur(img2, 7)

 Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉

左边是具有胡椒噪声的原图,右边是处理后的图片。 但是边缘也是被弱化了。

双边滤波

双边滤波相关知识

可以保留边缘,同时对边缘内的区域进行平滑处理。(大家思考,当时我们使用高斯滤波去除区域内的高斯噪声,但是边缘被弱化了。那是否我们可以使用双边滤波解决边缘弱化的问题?)

双边滤波应用于美颜。

Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉

对于输入图像来看,边沿就是色差特别大的区域,双边滤波并没有对其进行处理,而是将边沿两边进行平滑处理。 

双边滤波API:bilateralFilter(img,d,sigmaColor,sigmaSpace,……)

img:就是对哪张图片进行操作

d:直径(可以认为就是核的大小)

sigmaColor:对边沿的控制,在一定范围就不处理边沿

sigmaSpace:对边沿两边的控制,在一定范围内进行平滑处理

双边滤波实战代码

# 双边滤波(可以保留边缘,同时对边缘内的区域进行平滑处理)(主要作用是进行美颜)
dst = cv2.bilateralFilter(rita, 7, 20, 50)
# dst1=cv2.bilateralFilter(rita,20,20,50) #相比d=7,d=10磨皮效果更好

Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉

左边是原图,右边是进行双边滤波处理后的图片。大家也可以尝试去修改d等参数获得一个更好的美颜效果。

—————————————以下都是高通滤波——————————————————————

高通滤波

检测边缘

常见的高通滤波:

Sobel(索贝尔)(首先使用了高斯滤波去噪,后又一阶导,得到边沿)

Scharr(沙尔)当Sober的卷积核大小设置为-1就变成了Scharr

Sobel(索贝尔)和Scharr(沙尔)都只能对一个方向进行处理,所以得到结果后需要把x,y得到的结果加到一起

Laplacian(拉普拉斯)可以直接求出x,y方向的边缘。对于噪音比较敏感,因为内部没有降噪的处理。

大家可能这样看x,y方向的边缘不太理解,等后面实战会有所展示。

Sobel算子

Sobel算子相关知识点

先向x方向上求导,然后在y方向求导。最终结果相加。

Sobel算子API:Sobel(src,ddepth,dx,dy,ksize=3,scale=1,delta=0,borderType=BORDER_DEFAULT)

src:对哪张图进行操作

ddepth:输出图像的位深

dx=1 就检测出y边缘  dy=1就检测出x边缘

ksize:kernelsize 卷积核大小  。卷积核大小设置为-1就变成了Scharr

scale:用于缩放

delta:对结果进行加delta

borderType:边缘类型

Sobel实战代码

import cv2
import numpy as np

img = cv2.imread('../MM/chess.png')

# 索贝尔算子
# y方向的边缘
y = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=5)  # 3x3的卷积核就变成了scharr

# x方向的边缘
x = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=5)  # 默认ksize为3

dst = x + y  # python自身带的
dst1 = cv2.add(x, y)

cv2.imshow('img', img)
cv2.imshow('y', y)
cv2.imshow('x', x)
cv2.imshow('dst', dst)

cv2.waitKey(0)

Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉

Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉

第一张图是原图,第二张代码中使dy=1,得到x方向上的边沿。第三张代码中使dx=1,得到y方向上的边沿。最后代码中的dst和dst1得到的效果都是一样的,将x,y方向上的边沿加在一起。

Sobel不可以将dx,dy都设置成1。大家可以自己设置一些看看会出现什么样的结果。

Scharr算子

Scharr算子相关知识点

与Sobel类似,但是使用的kernel值不同。Scharr只支持3x3的卷积核。

Scharr只能求x方向或y方向的边缘。

Scharr的API :Scharr(src,ddepth,dx,dy,scale=1,delta=0,borderType=BORDER_DEFAULT)

src:对哪张图进行操作

ddepth:输出图像的位深

dx=1 就检测出y边缘  dy=1就检测出x边缘

scale:用于缩放

delta:对结果进行加delta

borderType:边缘类型

Scharr算子实战代码

Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉

 Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉

得到的图像和Sobel的图像相同。 但是Scharr还识别出来一些细小的点。(Soble用的较多)

拉普拉斯算子

拉普拉斯算子相关知识

可以同时求两个方向的边缘,不用和Sobel或Scharr一样单独求x,y。

拉普拉斯算子对于噪声比较敏感,所以一般需要进行去噪后再使用拉普拉斯。

拉普拉斯API:Laplacian(src,ddepth,ksize=1,scale=1,borderType=BORDER_DEFAULT)

src:对哪张图进行操作

ddepth:输出图像的位深

ksize=kernelsize卷积核大小

scale:用于缩放

borderType:边缘类型

拉普拉斯实战代码

ldst = cv2.Laplacian(img, cv2.CV_64F, ksize=5)

Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉 Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉

左图是原图,右图是进过拉普拉斯处理后的图片。由于原图中噪音比较少,所以直接使用了拉普拉斯。

边缘检测Canny(重要)

Canny的相关知识

对于Sobel,Scharr需要分别对x,y进行操作,拉普拉斯需要进行降噪处理。

而Canny相较于这三种就比较完美,效果好,并且简单。

canny使用的是5x5的高斯滤波消除噪声(比拉普拉斯好),计算图像梯度方向(0,45,90,135)(比Soble,Scharr全面),取局部最大值,阈值计算。

Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉

阈值计算原理,超过maxval的一定是边缘,小于minval的一定不是边缘。再maxval和minval之间的可能是可能不是,如果像c点一样于超过maxval确定是边缘的线是连续的,那c点就是边缘,否则像b一样就不是边缘。 

Canny的API:Canny(img,minval,maxval,……)

img:对哪张图片进行操作

minval,maxval:要进行手动设置阈值

Canny实战代码

import cv2
import numpy as np

img = cv2.imread('../MM/preview.jpg')

dst = cv2.Canny(img, 180, 200)

cv2.imshow('img', img)
cv2.imshow('dst', dst)

cv2.waitKey(0)

 Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉Opencv中的滤波器,opencv(python)(内含实战项目),opencv,人工智能,计算机视觉

大家可以根据自己的图片改变相关的maxval和minval来体会不同的感觉。 文章来源地址https://www.toymoban.com/news/detail-815084.html

到了这里,关于Opencv中的滤波器的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • openCV实战-系列教程5:边缘检测(Canny边缘检测/高斯滤波器/Sobel算子/非极大值抑制/线性插值法/梯度方向/双阈值检测 )、原理解析、源码解读 ?????OpenCV实战系列总目录

    打印一个图片可以做出一个函数: Canny是一个科学家在1986年写了一篇论文,所以用自己的名字来命名这个检测算法,Canny边缘检测算法这里写了5步流程,会用到之前《openCV实战-系列教程》的内容。  使用高斯滤波器,以平滑图像,滤除噪声。 计算图像中每个像素点的梯度强

    2024年02月11日
    浏览(53)
  • opencv009 滤波器01(卷积)

    图像卷积操作(convolution),或称为核操作(kernel),是进行图像处理的一种常用手段, 图像卷积操作的目的是利用像素点和其邻域像素之前的空间关系,通过加权求和的操作,实现模糊(blurring),锐化(sharpening),边缘检测(edge detection)等功能。 期末考试结束!又开始

    2024年01月22日
    浏览(47)
  • OpenCV 08(图像滤波器 算子)

    边缘是像素值发生跃迁的位置,是图像的显著特征之一,在图像特征提取,对象检测,模式识别等方面都有重要的作用。 人眼如何识别图像边缘? 比如有一幅图,图里面有一条线,左边很亮,右边很暗,那人眼就很容易识别这条线作为边缘.也就是** 像素的灰度值快速变化的地方

    2024年02月09日
    浏览(41)
  • OpenCV(图像处理)-基于Oython-滤波器(低通、高通滤波器的使用方法)

    低通滤波 :低通滤波可以去除图像的噪音或平滑图像。 高通滤波 :可以帮助查找图像的边缘。 噪音 :即对一幅图像的产生负面效果,过暗或过亮的部分,一幅图像中,低于或高于某个像素点的值,都可以认为是噪音。 卷积核 :即用来滤波的矩阵,卷积核一般为奇数,如

    2024年02月09日
    浏览(55)
  • 【电路中的滤波器】1.一阶RC低通滤波器详解

    本文旨在从硬件电路特性、动态系统建模分析、系统传递函数多方面结合的角度来详细总结一阶低通滤波器。 目的是从本质上多角度的去解析RC滤波器的原理,帮助自己通过RC低通走入模电频率部分这一“玄学”内容。 这将是一个专题,后续将会继续更新各种滤波器的整理、

    2024年02月01日
    浏览(45)
  • python实现陷波滤波器、低通滤波器、高斯滤波器、巴特沃斯滤波器

    在一幅图像中,其低频成分对应者图像变化缓慢的部分,对应着图像大致的相貌和轮廓,而其高频成分则对应着图像变化剧烈的部分,对应着图像的细节(图像的噪声也属于高频成分)。 低频滤波器,顾名思义,就是过滤掉或者大幅度衰减图像的高频成分,让图像的低频成分

    2024年02月11日
    浏览(46)
  • FPGA 的 DSP:Verilog 中的简单 FIR 滤波器

    本项目介绍如何用 Verilog 实现一个带有预生成系数的简单 FIR 滤波器。 简陋的 FIR 滤波器是 FPGA 数字信号处理中最基本的构建模块之一,因此了解如何利用给定的抽头数和相应的系数值组装一个基本模块非常重要。因此,在这个关于在 FPGA 上入门 DSP 基础知识的实用方法迷你系

    2024年03月17日
    浏览(42)
  • 高斯滤波器讲解(python实现)

    比均值滤波处理图像更加的平滑,边界保留效果更加好; 高斯滤波是一种线性滤波器,能够有效的抑制噪声,平滑图像。其作用原理和均值滤波器类似,都是取滤波器窗口内的像素的均值作为输出。但其窗口模板的系数和均值滤波器不同,均值滤波器的模板系数都是相同的为

    2024年02月03日
    浏览(44)
  • 用python实现高斯滤波器

    高斯滤波器是一种线性滤波器,能够有效的抑制噪声,平滑图像。其作用原理和均值滤波器类似,都是取滤波器窗口内的像素的均值作为输出。其窗口模板的系数和均值滤波器不同,均值滤波器的模板系数都是相同的为1;而高斯滤波器的模板系数,则随着距离模板中心的增大

    2024年02月16日
    浏览(51)
  • 一文讲懂图像处理中的低通、高通、带阻和带通滤波器

    点击上方“ 小白学视觉 ”,选择加\\\" 星标 \\\"或“ 置顶 ” 重磅干货,第一时间送达 空间域和频域滤波器通常分为四种类型的滤波器——低通、高通、带阻和带通滤波器。在本文中,我们为每一种滤波器提供了注释、代码示例和图像输出。 滤波器类型 低通滤波器:只允许通过

    2024年02月13日
    浏览(44)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包