【計算機視覺】卷積、均值濾波、高斯濾波、Sobel運算元、Prewitt運算元(Python實現)
阿新 • • 發佈：2019-01-24
1.環境的搭建
- Python 3.6
- OpenCV
Open Source Computer Vision Library.OpenCV於1999年由Intel建立，如今由Willow Garage提供支援。OpenCV是一個基於BSD許可（開源）發行的跨平臺計算機視覺庫，可以執行在Linux、Windows、MacOS作業系統上。它輕量級而且高效——由一系列 C 函式和少量C++類構成，同時提供了Python、Ruby、MATLAB等語言的介面，實現了影象處理和計算機視覺方面的很多通用演算法。最新版本是3.1 ，2016年1月29日釋出。
OpenCV 安裝命令
pip install opencv-python覺得有用就點顆星吧
2.卷積的實現
卷積的概念自行百度吧
# 卷積
def imgConvolve(image, kernel):
'''
:param image: 圖片矩陣
:param kernel: 濾波視窗
:return:卷積後的矩陣
'''
img_h = int(image.shape[0])
img_w = int(image.shape[1])
kernel_h = int(kernel.shape[0])
kernel_w = int(kernel.shape[1 3.均值濾波的實現
均值濾波實際上也就是卷積和的平均，卷積和/濾波大小
原圖
# 均值濾波
def imgAverageFilter(image, kernel):
'''
:param image: 圖片矩陣
:param kernel: 濾波視窗
:return:均值濾波後的矩陣
'''
return imgConvolve(image, kernel) * (1.0 / kernel.size)
3x3均值濾波效果圖
5x5均值濾波效果圖
4.高斯濾波的實現
- 1.根據σ獲得高斯濾波器的模板
- 2.然後使用該模板對影象進行卷積
σ是標準差。要想得到一個高斯濾波器的模板，可以對高斯函式進行離散化，得到的高斯函式值作為模板的係數。
原圖
# 高斯濾波
def imgGaussian(sigma):
'''
:param sigma: σ標準差
:return: 高斯濾波器的模板
'''
img_h = img_w = 2 * sigma + 1
gaussian_mat = np.zeros((img_h, img_w))
for x in range(-sigma, sigma + 1):
for y in range(-sigma, sigma + 1):
gaussian_mat[x + sigma][y + sigma] = np.exp(-0.5 * (x ** 2 + y ** 2) / (sigma ** 2))
return gaussian_matsigma=1 效果圖
sigma=2 效果圖
sigma=3 效果圖
5. Sobel運算元的實現
原圖
使用Sobel運算元作為模板，用來對影象進行邊緣檢測，水平 豎直邊緣
# sobel
sobel_1 = np.array([[-1, 0, 1],
[-2, 0, 2],
[-1, 0, 1]])
sobel_2 = np.array([[-1, -2, -1],
[0, 0, 0],
[1, 2, 1]])其中sobel_1是對豎直方向的邊緣檢查，sobel_2是對水平方向的邊緣檢測
# Sobel Edge
def sobelEdge(image, sobel):
'''
:param image: 圖片矩陣
:param sobel: 濾波視窗
:return: Sobel處理後的矩陣
'''
return imgConvolve(image, sobel)sobel_1 效果圖
sobel_2 效果圖
6. Prewitt運算元的實現
使用分別使用Prewitt1運算元、Prewitt2運算元作為模板，用來對影象進行邊緣檢測，水平+豎直邊緣
# prewitt 運算元
prewitt_1 = np.array([[-1, 0, 1],
[-1, 0, 1],
[-1, 0, 1]])
prewitt_2 = np.array([[-1, -1, -1],
[0, 0, 0],
[1, 1, 1]])# Prewitt Edge
def prewittEdge(image, prewitt_x, prewitt_y):
'''
:param image: 圖片矩陣
:param prewitt_x: 豎直方向
:param prewitt_y: 水平方向
:return:處理後的矩陣
'''
img_X = imgConvolve(image, prewitt_x)
img_Y = imgConvolve(image, prewitt_y)
img_prediction = np.zeros(img_X.shape)
for i in range(img_prediction.shape[0]):
for j in range(img_prediction.shape[1]):
img_prediction[i][j] = max(img_X[i][j], img_Y[i][j])
return img_predictionPrewitt效果圖
7.完整程式碼（圖片+程式碼請看github）
# -*- coding: utf-8 -*-
import cv2
import numpy as np
import math
'''
# @Time : 18-3-31 下午2:16
# @Author : 羅傑
# @ID : F1710w0249
# @File : assignments.py
# @Desc : 計算機視覺作業01
'''
# 卷積
def imgConvolve(image, kernel):
'''
:param image: 圖片矩陣
:param kernel: 濾波視窗
:return:卷積後的矩陣
'''
img_h = int(image.shape[0])
img_w = int(image.shape[1])
kernel_h = int(kernel.shape[0])
kernel_w = int(kernel.shape[1])
# padding
padding_h = int((kernel_h - 1) / 2)
padding_w = int((kernel_w - 1) / 2)
convolve_h = int(img_h + 2 * padding_h)
convolve_W = int(img_w + 2 * padding_w)
# 分配空間
img_padding = np.zeros((convolve_h, convolve_W))
# 中心填充圖片
img_padding[padding_h:padding_h + img_h, padding_w:padding_w + img_w] = image[:, :]
# 卷積結果
image_convolve = np.zeros(image.shape)
# 卷積
for i in range(padding_h, padding_h + img_h):
for j in range(padding_w, padding_w + img_w):
image_convolve[i - padding_h][j - padding_w] = int(
np.sum(img_padding[i - padding_h:i + padding_h + 1, j - padding_w:j + padding_w + 1] * kernel))
return image_convolve
# 均值濾波
def imgAverageFilter(image, kernel):
'''
:param image: 圖片矩陣
:param kernel: 濾波視窗
:return:均值濾波後的矩陣
'''
return imgConvolve(image, kernel) * (1.0 / kernel.size)
# 高斯濾波
def imgGaussian(sigma):
'''
:param sigma: σ標準差
:return: 高斯濾波器的模板
'''
img_h = img_w = 2 * sigma + 1
gaussian_mat = np.zeros((img_h, img_w))
for x in range(-sigma, sigma + 1):
for y in range(-sigma, sigma + 1):
gaussian_mat[x + sigma][y + sigma] = np.exp(-0.5 * (x ** 2 + y ** 2) / (sigma ** 2))
return gaussian_mat
# Sobel Edge
def sobelEdge(image, sobel):
'''
:param image: 圖片矩陣
:param sobel: 濾波視窗
:return:Sobel處理後的矩陣
'''
return imgConvolve(image, sobel)
# Prewitt Edge
def prewittEdge(image, prewitt_x, prewitt_y):
'''
:param image: 圖片矩陣
:param prewitt_x: 豎直方向
:param prewitt_y: 水平方向
:return:處理後的矩陣
'''
img_X = imgConvolve(image, prewitt_x)
img_Y = imgConvolve(image, prewitt_y)
img_prediction = np.zeros(img_X.shape)
for i in range(img_prediction.shape[0]):
for j in range(img_prediction.shape[1]):
img_prediction[i][j] = max(img_X[i][j], img_Y[i][j])
return img_prediction
######################常量################################
# 濾波3x3
kernel_3x3 = np.ones((3, 3))
# 濾波5x5
kernel_5x5 = np.ones((5, 5))
# sobel 運算元
sobel_1 = np.array([[-1, 0, 1],
[-2, 0, 2],
[-1, 0, 1]])
sobel_2 = np.array([[-1, -2, -1],
[0, 0, 0],
[1, 2, 1]])
# prewitt 運算元
prewitt_1 = np.array([[-1, 0, 1],
[-1, 0, 1],
[-1, 0, 1]])
prewitt_2 = np.array([[-1, -1, -1],
[0, 0, 0],
[1, 1, 1]])
# ######################均值濾波################################
# 讀圖片
image = cv2.imread('balloonGrayNoisy.jpg', cv2.IMREAD_GRAYSCALE)
# 均值濾波
img_k3 = imgAverageFilter(image, kernel_3x3)
# 寫圖片
cv2.imwrite('average_3x3.jpg', img_k3)
# 均值濾波
img_k5 = imgAverageFilter(image, kernel_5x5)
# 寫圖片
cv2.imwrite('average_5x5.jpg', img_k5)
######################高斯濾波################################
image = cv2.imread('balloonGrayNoisy.jpg', cv2.IMREAD_GRAYSCALE)
img_gaus1 = imgAverageFilter(image, imgGaussian(1))
cv2.imwrite('gaussian1.jpg', img_gaus1)
img_gaus2 = imgAverageFilter(image, imgGaussian(2))
cv2.imwrite('gaussian2.jpg', img_gaus2)
img_gaus3 = imgAverageFilter(image, imgGaussian(3))
cv2.imwrite('gaussian3.jpg', img_gaus3)
######################Sobel運算元################################
image=cv2.imread('buildingGray.jpg',cv2.IMREAD_GRAYSCALE)
img_spbel1 = sobelEdge(image, sobel_1)
cv2.imwrite('sobel1.jpg',img_spbel1)
img_spbel2 = sobelEdge(image, sobel_2)
cv2.imwrite('sobel2.jpg',img_spbel2)
######################prewitt運算元################################
img_prewitt1 = prewittEdge(image, prewitt_1,prewitt_2)
cv2.imwrite('prewitt1.jpg',img_prewitt1)