图像平滑处理

标签：mamicode   精确   info   blur   int   media   奇数   一个   des   

1，均值滤波：

　　任意一个点的像素都是周围N*N个像素值的均值，将N*N的大小称为核的大小核大小一般用元组表示：（行，列）

#图像平滑：均值滤波
#函数blur
#dst=cv2.blur(src,核)：核的格式=（行，列）
import cv2
a=cv2.imread("image\\lenaNoise.png")
r=cv2.blur(a,(5,5))
cv2.imshow("original",a)
cv2.imshow("result",r)
cv2.waitKey()
cv2.destroyAllWindows()

2方块滤波：

#图像平滑处理——方块滤波
#函数boxFilter
#dst=cv2.boxFiliter(src,目标图像深度，核大小，normalize属性）
#参数含义：目标图像深度：int类型的目标图像深度。通常设定为“-1”，表示与原始图像一致；
# normalize属性——是否对图像进行归一化处理；true（1）：和均值滤波相同；
# false（0）：一个点的像素值等于周围核大小区域内像素值的和，很容易发生溢出;
# 如果不指定，则默认为true
import cv2
o=cv2.imread("image\\lenaNoise.png")
f=cv2.boxFilter(o,-1,(2,2),normalize=0)
t=cv2.boxFilter(o,-1,(5,5),normalize=1)
cv2.imshow("original",o)
cv2.imshow("false",f)
cv2.imshow("true",t)
cv2.waitKey()
cv2.destroyAllWindows()

3，高斯滤波

　　让临近的像素有更高的重要度，对周围的像素计算加权平均，较近的像素具有较大的平均值；核包含的元素权重不在相同，离这个点越近则权重越大。

#图像平滑处理——高斯滤波；
# GaussianBlur函数
#dst=cv2.GaussianBlur(src,ksize,sigmax);
# ksize——核大小，（N,N)N必须是奇数
# sigmax——x方向的方差，控制权重；y方向与x保持一致，一般情况设成0
#高斯按权重平滑处理图像就比均值滤波更精确一点

import cv2
o=cv2.imread("image\\lenaNoise.png")
r=cv2.GaussianBlur(o,(3,3),0)
cv2.imshow("original",o)
cv2.imshow("result",r)
cv2.waitKey()
cv2.destroyAllWindows()

4.中值滤波

　　让临近的像素按大小顺序排列，取排序像素集中位于中间位置的值作为滤波后的像素值

#图像平滑处理——中值滤波
#medianBlur函数
#dst=cv2.medianBlur(src,ksize);
# ksize必须是比1大的奇数，格式就是int,不是元组了
#中值滤波的滤波效果比之前的都要好一点，不是平均值也不是加权平均值，由于取值还是点周围临近的像素，所以他能将一些奇异的点给过滤掉。

import cv2
o=cv2.imread("image\\lenaNoise.png")
r=cv2.medianBlur(o,3)
cv2.imshow("original",o)
cv2.imshow("result",r)
cv2.waitKey()
cv2.destroyAllWindows()

图像平滑处理

标签：mamicode   精确   info   blur   int   media   奇数   一个   des   

原文地址：https://www.cnblogs.com/djrcomeon/p/12365849.html