python數字影象處理(10):影象簡單濾波
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)