做外贸需要用到什么网站,嘉兴做网站费用,网站动态图怎么做,网页h51 图像噪声 由于图像采集、处理、传输等过程不可避免的会受到噪声的污染#xff0c;妨碍人们对图像理解及分析处理。常见的图像噪声有高斯噪声、椒盐噪声等。 1.1 椒盐噪声 椒盐噪声也称为脉冲噪声#xff0c;是图像中经常见到的一种噪声#xff0c;它是一种随机出现的白… 1 图像噪声 由于图像采集、处理、传输等过程不可避免的会受到噪声的污染妨碍人们对图像理解及分析处理。常见的图像噪声有高斯噪声、椒盐噪声等。 1.1 椒盐噪声 椒盐噪声也称为脉冲噪声是图像中经常见到的一种噪声它是一种随机出现的白点或者黑点可能是亮的区域有黑色像素或是在暗的区域有白色像素或是两者皆有。椒盐噪声的成因可能是影像讯号受到突如其来的强烈干扰而产生、类比数位转换器或位元传输错误等。例如失效的感应器导致像素值为最小值饱和的感应器导致像素值为最大值。 1.2 高斯噪声 高斯噪声是指噪声密度函数服从高斯分布的一类噪声。由于高斯噪声在空间和频域中数学上的易处理性这种噪声(也称为正态噪声)模型经常被用于实践中。高斯随机变量z的概率密度函数由下式给出   其中z表示灰度值μ表示z的平均值或期望值σ表示z的标准差。标准差的平方\sigma^{2}σ​2​​称为z的方差。高斯函数的曲线如图所示。 2 图像平滑简介 图像平滑从信号处理的角度看就是去除其中的高频信息保留低频信息。因此我们可以对图像实施低通滤波。低通滤波可以去除图像中的噪声对图像进行平滑。 根据滤波器的不同可分为均值滤波高斯滤波中值滤波 双边滤波。 2.1 均值滤波 API: cv.blur(src, ksize, anchor, borderType)参数: src输入图像ksize卷积核的大小anchor默认值 (-1,-1) 表示核中心borderType边界类型 示例 import cv2 as cv import numpy as np from matplotlib import pyplot as plt # 1 图像读取 img cv.imread(./image/dogsp.jpeg) # 2 均值滤波 blur cv.blur(img,(5,5)) # 3 图像显示 plt.figure(figsize(10,8),dpi100) plt.subplot(121),plt.imshow(img[:,:,::-1]),plt.title(原图) plt.xticks([]), plt.yticks([]) plt.subplot(122),plt.imshow(blur[:,:,::-1]),plt.title(均值滤波后结果) plt.xticks([]), plt.yticks([]) plt.show()2.2 高斯滤波 二维高斯是构建高斯滤波器的基础其概率分布函数如下所示   G(x,y)的分布是一个突起的帽子的形状。这里的σ可以看作两个值一个是x方向的标准差σ​x​​另一个是y方向的标准差σ​y​​。 当σ​x​​和σ​y​​取值越大整个形状趋近于扁平当σ​x​​和σ​y​​整个形状越突起。 正态分布是一种钟形曲线越接近中心取值越大越远离中心取值越小。计算平滑结果时只需要将中心点作为原点其他点按照其在正态曲线上的位置分配权重就可以得到一个加权平均值。 高斯平滑在从图像中去除高斯噪声方面非常有效。 高斯平滑的流程 首先确定权重矩阵 假定中心点的坐标是0,0那么距离它最近的8个点的坐标如下 更远的点以此类推。 为了计算权重矩阵需要设定σ的值。假定σ1.5则模糊半径为1的权重矩阵如下 这9个点的权重总和等于0.4787147如果只计算这9个点的加权平均还必须让它们的权重之和等于1因此上面9个值还要分别除以0.4787147得到最终的权重矩阵。 计算高斯模糊 有了权重矩阵就可以计算高斯模糊的值了。 假设现有9个像素点灰度值0-255如下 每个点乘以对应的权重值 得到 将这9个值加起来就是中心点的高斯模糊的值。 对所有点重复这个过程就得到了高斯模糊后的图像。如果原图是彩色图片可以对RGB三个通道分别做高斯平滑。 API cv2.GaussianBlur(src,ksize,sigmaX,sigmay,borderType)参数 src: 输入图像ksize:高斯卷积核的大小注意  卷积核的宽度和高度都应为奇数且可以不同sigmaX: 水平方向的标准差sigmaY: 垂直方向的标准差默认值为0表示与sigmaX相同borderType:填充边界类型 示例 import cv2 as cv import numpy as np from matplotlib import pyplot as plt # 1 图像读取 img cv.imread(./image/dogGasuss.jpeg) # 2 高斯滤波 blur cv.GaussianBlur(img,(3,3),1) # 3 图像显示 plt.figure(figsize(10,8),dpi100) plt.subplot(121),plt.imshow(img[:,:,::-1]),plt.title(原图) plt.xticks([]), plt.yticks([]) plt.subplot(122),plt.imshow(blur[:,:,::-1]),plt.title(高斯滤波后结果) plt.xticks([]), plt.yticks([]) plt.show()2.3 中值滤波 中值滤波是一种典型的非线性滤波技术基本思想是用像素点邻域灰度值的中值来代替该像素点的灰度值。 中值滤波对椒盐噪声salt-and-pepper noise来说尤其有用因为它不依赖于邻域内那些与典型值差别很大的值。 API cv.medianBlur(src, ksize )参数 src输入图像ksize卷积核的大小 示例 import cv2 as cv import numpy as np from matplotlib import pyplot as plt # 1 图像读取 img cv.imread(./image/dogsp.jpeg) # 2 中值滤波 blur cv.medianBlur(img,5) # 3 图像展示 plt.figure(figsize(10,8),dpi100) plt.subplot(121),plt.imshow(img[:,:,::-1]),plt.title(原图) plt.xticks([]), plt.yticks([]) plt.subplot(122),plt.imshow(blur[:,:,::-1]),plt.title(中值滤波后结果) plt.xticks([]), plt.yticks([]) plt.show()总结 图像噪声 椒盐噪声图像中随机出现的白点或者黑点高斯噪声噪声的概率密度分布是正态分布 图像平滑 均值滤波算法简单计算速度快在去噪的同时去除了很多细节部分将图像变得模糊 cv.blur() 高斯滤波: 去除高斯噪声 cv.GaussianBlur() 中值滤波: 去除椒盐噪声 cv.medianBlur()