本文目录一览：
用opencv去噪
使用opencv-python的内置函数，对图片进行降噪处理。
8Fourier变换的应用——图像去噪
给出的图片是RGB图片，也就是需要有三个通道。
下面的函数用来去噪。
img=np.uint8(cv2.fastNlMeansDenoisingColored(img,None,10,10,7,21))
对这个图片进行局部自适应二值化处理：
img=hui(img)
th1 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,31,5)
另一种局部自适应二值化处理：
th2 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,31,5)
在第一步连续执行两次去噪，得到的三幅图片是：
执行三次降噪。
连续10次降噪。
3种python3的canny边缘检测之静态，可调节和自适应
先看高级版的python3的canny的自适应边缘检测：
内容：
1 canny的边缘检测的介绍。
2 三种方法的canny的边缘检测，由浅入深地介绍：固定值的静态，可自调节的，自适应的。
说明：
1 环境：python3.8、opencv4.5.3和matplotlib3.4.3。
2 图片：来自品阅网正版免费图库。
3 实现自适应阈值的canny边缘检测的参考代码和文章：
上述的代码，本机均有报错，故对代码进行修改，注释和运行。
初级canny：
1 介绍：opencv中给出了canny边缘检测的接口，直接调用：
即可得到边缘检测的结果ret，其中，t1，t2是需要人为设置的阈值。
2 python的opencv的一行代码即可实现边缘检测。
3 Canny函数及使用：
4 Canny边缘检测流程：
去噪 — 梯度 — 非极大值抑制 — 滞后阈值
5 代码：
6 操作和过程：
7 原图：
8 疑问：
ret = cv2.canny(img,t1,t2)，其中，t1，t2是需要人为设置的阈值，一般人怎么知道具体数值是多少，才是最佳的呀？所以，这是它的缺点。
中级canny：
1 中级canny，就是可调节的阈值，找到最佳的canny边缘检测效果。
2 采用cv2.createTrackbar来调节阈值。
3 代码：
4 操作和效果：
5 原图：
高级canny：
1 自适应canny的算法：
ret = cv2.canny(img,t1,t2)
即算法在运行过程中能够自适应地找到较佳的分割阈值t1，t2。
2 文件结构：
3 main.py代码：
4 dog.py代码：
5 bilateralfilt.py代码：
6 原图：
7 效果图：本文第一个gif图，此处省略。
小结：
1 本文由浅入深，总结的很好，适合收藏。
2 对于理解python的opencv的canny的边缘检测，很有帮助。
3 本文高级版canny自适应的算法参考2篇文章，虽然我进行代码的删除，注释，修改，优化等操作，故我不标注原创，对原作者表达敬意。
4 自己总结和整理，分享出来，希望对大家有帮助。
怎样用python实现图像去噪
#coding:utf-8
import sys,os
from PIL import Image,ImageDraw
#二值数组
t2val = {}
def twoValue(image,G):
for y in xrange(0,image.size[1]):
for x in xrange(0,image.size[0]):
g = image.getpixel((x,y))
if g G:
t2val[(x,y)] = 1
else:
t2val[(x,y)] = 0
# 降噪
# 根据一个点A的RGB值，与周围的8个点的RBG值比较，设定一个值N（0 N 8），当A的RGB值与周围8个点的RGB相等数小于N时，此点为噪点
# G: Integer 图像二值化阀值
# N: Integer 降噪率 0 N 8
# Z: Integer 降噪次数
# 输出
# 0：降噪成功
# 1：降噪失败
def clearNoise(image,N,Z):
for i in xrange(0,Z):
t2val[(0,0)] = 1
t2val[(image.size[0] – 1,image.size[1] – 1)] = 1
for x in xrange(1,image.size[0] – 1):
for y in xrange(1,image.size[1] – 1):
nearDots = 0
L = t2val[(x,y)]
if L == t2val[(x – 1,y – 1)]:
nearDots += 1
if L == t2val[(x – 1,y)]:
nearDots += 1
if L == t2val[(x- 1,y + 1)]:
nearDots += 1
if L == t2val[(x,y – 1)]:
nearDots += 1
if L == t2val[(x,y + 1)]:
nearDots += 1
if L == t2val[(x + 1,y – 1)]:
nearDots += 1
if L == t2val[(x + 1,y)]:
nearDots += 1
if L == t2val[(x + 1,y + 1)]:
nearDots += 1
if nearDots N:
t2val[(x,y)] = 1
def saveImage(filename,size):
image = Image.new(“1”,size)
draw = ImageDraw.Draw(image)
for x in xrange(0,size[0]):
for y in xrange(0,size[1]):
draw.point((x,y),t2val[(x,y)])
image.save(filename)
image = Image.open(“d:/1.jpg”).convert(“L”)
twoValue(image,100)
clearNoise(image,4,1)
saveImage(“d:/5.jpg”,image.size)
python图像处理代码，望大神详细解释。越详细越好
#初始化一个矩形np.max(marks)+1行，3列，默认值为0
colorTab = np.zeros((np.max(marks)+1,3))
#遍历数组，给每行的3列赋值，就是RGB颜色值，8位的
for i in range(len(colorTab)):
aa = np.random.uniform(0,255)
bb = np.random.uniform(0,255)
cc = np.random.uniform(0,255)
colorTab[i] = np.array([aa,bb,cc],np.uint8)
#初始化另一个跟img图像形状大小一样的图像，一副黑色图像
bgrImage = np.zeros(img.shape,np.uint8)
#遍历marks形状的行列
for i in range(marks.shape[0]):
for j in range(marks.shape[1]):
index = marks[i][j]
#判断是不是区域与区域之间的分界,如果是边界(-1)，则使用白色显示
if index == -1:
bgrImage[i][j] = np.array([255,255,255]) #像素点设置位白色
else:
bgrImage[i][j] = colorTab[index] #像素点设置位上边随机生成的颜色值
#显示处理后的图像图像
cv2.imshow(‘After ColorFill’,bgrImage)
#总结，先生成一个跟marks相同数量的row*col的一张颜色表，然后创建一个跟marks相同大小的一副黑色图像
#最后对黑色图像画出白色边界和内部随机彩色像素值
中值滤波
一. 中值滤波：
中值滤波器是一种可以使图像平滑的滤波器。它使用滤波器范围内的像素的中值去代表该范围内所有的像素。中值滤波是消除图像噪声最常见的手段之一，特别是消除椒盐噪声，中值滤波的效果要比均值滤波更好。
二. python实现中值滤波和均值滤波，并用两种滤波器对受到椒盐噪声污染的图像进行去噪
import cv2
import numpy as np
# Median filter
def median_filter(img, K_size=3):
H, W, C = img.shape
## Zero padding
pad = K_size // 2
out = np.zeros((H + pad*2, W + pad*2, C), dtype=np.float)
out[pad:pad+H, pad:pad+W] = img.copy().astype(np.float)
tmp = out.copy()
# filtering
for y in range(H):
for x in range(W):
for c in range(C):
out[pad+y, pad+x, c] = np.median(tmp[y:y+K_size, x:x+K_size, c])
out = out[pad:pad+H, pad:pad+W].astype(np.uint8)
return out
# Average filter
def average_filter(img, G=3):
out = img.copy()
H, W, C = img.shape
Nh = int(H / G)
Nw = int(W / G)
for y in range(Nh):
for x in range(Nw):
for c in range(C):
out[G*y:G*(y+1), G*x:G*(x+1), c] = np.mean(out[G*y:G*(y+1), G*x:G*(x+1), c]).astype(np.int)
return out
# Read image
img = cv2.imread(“../paojie_sp.jpg”)
# Median Filter and Average Filter
out1 = median_filter(img, K_size=3)
out2 = average_filter(img,G=3)
# Save result
cv2.imwrite(“out1.jpg”, out1)
cv2.imwrite(“out2.jpg”, out2)
cv2.waitKey(0)
cv2.destroyAllWindows()
三. 实验结果
可以明显看出，对于受到椒盐噪声污染的图像，中值滤波往往比均值滤波的去噪效果要好！
四. 参考内容：
原创文章，作者：ESSLH，如若转载，请注明出处：https://www.506064.com/n/317891.html
微信扫一扫 
支付宝扫一扫 