python數字圖像處理之圖像簡單濾波實現
引言
對圖像進行濾波,可以有兩種效果:一種是平滑濾波,用來抑制噪聲;另一種是微分算子,可以用來檢測邊緣和特征提取。
skimage庫中通過filters模塊進行濾波操作。
1、sobel算子
sobel算子可用來檢測邊緣
函數格式為:skimage.filters.sobel(image, mask=None)
from skimage import data,filters import matplotlib.pyplot as plt img = data.camera() edges = filters.sobel(img) plt.imshow(edges,plt.cm.gray)
2、roberts算子
roberts算子和sobel算子一樣,用於檢測邊緣
調用格式也是一樣的:
edges = filters.roberts(img)
3、scharr算子
功能同sobel,調用格式:
edges = filters.scharr(img)
4、prewitt算子
功能同sobel,調用格式:
edges = filters.prewitt(img)
5、canny算子
canny算子也是用於提取邊緣特征,但它不是放在filters模塊,而是放在feature模塊
函數格式:skimage.feature.canny(image,sigma=1.0)
可以修改sigma的值來調整效果
from skimage import data,filters,feature import matplotlib.pyplot as plt img = data.camera() edges1 = feature.canny(img) #sigma=1 edges2 = feature.canny(img,sigma=3) #sigma=3 plt.figure('canny',figsize=(8,8)) plt.subplot(121) plt.imshow(edges1,plt.cm.gray) plt.subplot(122) plt.imshow(edges2,plt.cm.gray) plt.show()
從結果可以看出,sigma越小,邊緣線條越細小。
6、gabor濾波
gabor濾波可用來進行邊緣檢測和紋理特征提取。
函數調用格式:skimage.filters.gabor_filter(image, frequency)
通過修改frequency值來調整濾波效果,返回一對邊緣結果,一個是用真實濾波核的濾波結果,一個是想象的濾波核的濾波結果。
from skimage import data,filters import matplotlib.pyplot as plt img = data.camera() filt_real, filt_imag = filters.gabor_filter(img,frequency=0.6) plt.figure('gabor',figsize=(8,8)) plt.subplot(121) plt.title('filt_real') plt.imshow(filt_real,plt.cm.gray) plt.subplot(122) plt.title('filt-imag') plt.imshow(filt_imag,plt.cm.gray) plt.show()
以上為frequency=0.6的結果圖。
以上為frequency=0.1的結果圖
7、gaussian濾波
多維的濾波器,是一種平滑濾波,可以消除高斯噪聲。
調用函數為:skimage.filters.gaussian_filter(image, sigma)
通過調節sigma的值來調整濾波效果
from skimage import data,filters import matplotlib.pyplot as plt img = data.astronaut() edges1 = filters.gaussian_filter(img,sigma=0.4) #sigma=0.4 edges2 = filters.gaussian_filter(img,sigma=5) #sigma=5 plt.figure('gaussian',figsize=(8,8)) plt.subplot(121) plt.imshow(edges1,plt.cm.gray) plt.subplot(122) plt.imshow(edges2,plt.cm.gray) plt.show()
可見sigma越大,過濾後的圖像越模糊
8、median
中值濾波,一種平滑濾波,可以消除噪聲。
需要用skimage.morphology模塊來設置濾波器的形狀。
from skimage import data,filters import matplotlib.pyplot as plt from skimage.morphology import disk img = data.camera() edges1 = filters.median(img,disk(5)) edges2= filters.median(img,disk(9)) plt.figure('median',figsize=(8,8)) plt.subplot(121) plt.imshow(edges1,plt.cm.gray) plt.subplot(122) plt.imshow(edges2,plt.cm.gray) plt.show()
從結果可以看出,濾波器越大,圖像越模糊。
9、水平、垂直邊緣檢測
上邊所舉的例子都是進行全部邊緣檢測,有些時候我們隻需要檢測水平邊緣,或垂直邊緣,就可用下面的方法。
水平邊緣檢測:sobel_h, prewitt_h, scharr_h
垂直邊緣檢測: sobel_v, prewitt_v, scharr_v
from skimage import data,filters import matplotlib.pyplot as plt img = data.camera() edges1 = filters.sobel_h(img) edges2 = filters.sobel_v(img) plt.figure('sobel_v_h',figsize=(8,8)) plt.subplot(121) plt.imshow(edges1,plt.cm.gray) plt.subplot(122) plt.imshow(edges2,plt.cm.gray) plt.show()
上邊左圖為檢測出的水平邊緣,右圖為檢測出的垂直邊緣。
10、交叉邊緣檢測
可使用Roberts的十字交叉核來進行過濾,以達到檢測交叉邊緣的目的。這些交叉邊緣實際上是梯度在某個方向上的一個分量。
其中一個核:
0 1
-1 0
對應的函數:
roberts_neg_diag(image)
例:
from skimage import data,filters import matplotlib.pyplot as plt img =data.camera() dst =filters.roberts_neg_diag(img) plt.figure('filters',figsize=(8,8)) plt.subplot(121) plt.title('origin image') plt.imshow(img,plt.cm.gray) plt.subplot(122) plt.title('filted image') plt.imshow(dst,plt.cm.gray)
另外一個核:
1 0
0 -1
對應函數為:
roberts_pos_diag(image)
from skimage import data,filters import matplotlib.pyplot as plt img =data.camera() dst =filters.roberts_pos_diag(img) plt.figure('filters',figsize=(8,8)) plt.subplot(121) plt.title('origin image') plt.imshow(img,plt.cm.gray) plt.subplot(122) plt.title('filted image') plt.imshow(dst,plt.cm.gray)
以上就是python數字圖像處理之圖像簡單濾波實現的詳細內容,更多關於python數字圖像處理簡單濾波的資料請關註WalkonNet其它相關文章!
推薦閱讀:
- python數字圖像處理圖像的繪制詳解
- python數字圖像處理之圖像自動閾值分割示例
- Python實現邊緣提取的示例代碼
- OpenCV中Canny邊緣檢測的實現
- python數字圖像處理實現圖像的形變與縮放