對影象進行濾波，可以有兩種效果：一種是平滑濾波，用來抑制噪聲；另一種是微分運算元，可以用來檢測邊緣和特徵提取。

skimage庫中通過filters模組進行濾波操作。

1、sobel運算元

sobel運算元可用來檢測邊緣

函式格式為：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運算元

roberts運算元和sobel運算元一樣，用於檢測邊緣

呼叫格式也是一樣的：

edges = filters.roberts(img)

3、scharr運算元

功能同sobel，呼叫格式：

edges = filters.scharr(img)

4、prewitt運算元

功能同sobel，呼叫格式：

edges = filters.prewitt(img)

5、canny運算元

canny運算元也是用於提取邊緣特徵，但它不是放在filters模組，而是放在feature模組

函式格式：skimage.feature.canny

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徵提取。

函式呼叫格式：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。

呼叫函式為：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，過濾後的影象越模糊

8.median

中值濾波，一種平滑濾波，可以消除噪聲。

需要用skimage.morphology模組來設定濾波器的形狀。

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，影象越模糊。

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，有些時候我們只需要檢測水平邊緣，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

對應的函式：

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

對應函式為：

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)