这篇文章主要给大家分享用OpenCV怎样实现图像模糊处理的操作,下文示例代码具有一定的借鉴价值,感兴趣的朋友可以参考,希望大家阅读完这篇文章能有所收获,下面我们一起来学习一下吧。
使用 opencv 中的cv2.blur(src, ksize)
函数。其参数说明是:
src
: 原图像ksize
: 模糊核大小原理:它只取内核区域下所有像素的平均值并替换中心元素。3x3 标准化的盒式过滤器如下所示:
# -*-coding:utf-8-*- """ File Name: image_deeplearning.py Program IDE: PyCharm Date: 2021/10/17 Create File By Author: Hong """ import cv2 as cv def image_blur(image_path: str): """ 图像卷积操作:设置卷积核大小,步距 :param image_path: :return: """ img = cv.imread(image_path, cv.IMREAD_COLOR) cv.imshow('input', img) # 模糊操作(类似卷积),第二个参数ksize是设置模糊内核大小 result = cv.blur(img, (5, 5)) cv.imshow('result', result) cv.waitKey(0) cv.destroyAllWindows() if __name__ == '__main__': path = 'images/2.png' image_blur(path)
结果展示:
高斯滤波使用的是cv2.GuassianBlur(img, ksize,sigmaX,sigmaY)
函数。
说明:sigmaX
,sigmaY
分别表示 X,Y 方向的标准偏差。如果仅指定了sigmaX
,则sigmaY
与sigmaX
相同;如果两者都为零,则根据内核大小计算它们。
def image_conv(image_path: str): """ 高斯模糊 :param image_path: :return: """ img = cv.imread(image_path, cv.IMREAD_COLOR) cv.imshow('img', img) # 高斯卷积(高斯滤波), 可以设置ksize,必须为奇数,不为0时,后面的步骤不起作用;也可以设置成(0,0),然后通过sigmaX和sigmaY计算标准偏差 result = cv.GaussianBlur(img, (0, 0), 15) cv.imshow('result', result) cv.waitKey(0) cv.destroyAllWindows() if __name__ == '__main__': path = 'images/2.png' image_conv(path)
结果展示:
双边滤波(模糊)使用的是cv2.bilateralFilter(img,d, sigmaColor, sigmaSpace)
函数。
说明:d
为邻域直径,sigmaColor
为空间高斯函数标准差,参数越大,临近像素将会在越远的地方越小。
sigmaSpace
灰度值相似性高斯函数标准差,参数越大,那些颜色足够相近的的颜色的影响越大。
双边滤波是一种非线性的滤波方法,是结合图像的空间邻近度和像素值相似度的一种折衷处理,同时考虑空间与信息和灰度相似性,达到保边去噪的目的,具有简单、非迭代、局部处理的特点。之所以能够达到保边去噪的滤波效果是因为滤波器由两个函数构成:一个函数是由几何空间距离决定滤波器系数,另一个是由像素差值决定滤波器系数。
# 边缘保留滤波器――高斯双边模糊 def image_bifilter(image_path: str): """ 高斯双边模糊 :param image_path: 图片文件 :return: 无返回值 """ img = cv.imread(image_path, cv.IMREAD_COLOR) cv.imshow('input', img) # 第三个参数是设置色彩、第四个参数是设置图像坐标 result = cv.bilateralFilter(img, 0, 50, 10) cv.imshow('result', result) cv.waitKey(0) cv.destroyAllWindows() if __name__ == '__main__': path = 'images/2.png' image_bifilter(path)
结果展示:
以上就是关于用OpenCV怎样实现图像模糊处理的操作,上述示例代码具有一定的借鉴价值,有需要的朋友可以参考学习,希望对大家学习opencv的使用有帮助,想要了解更多可以继续浏览群英网络其他相关的文章。
文本转载自脚本之家
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:mmqy2019@163.com进行举报,并提供相关证据,查实之后,将立刻删除涉嫌侵权内容。