数字图像的空间域滤波和频域滤波备课讲稿
- 格式:doc
- 大小:3.74 MB
- 文档页数:12
数字图像的空间域滤波和频域滤波
精品资料
数字图像的空间域滤波和频域滤波
2) 对加入噪声图像选用不同的平滑(低通)模板做运算,对比不同模板所形成的效果,
要求在同一窗口中显示。
加入椒盐噪声后图像的滤波:
img1 =cv2.imread("D:\\mote.jpg",0)
img=img1[100:300]
src =salt_pepperNoise(img)
cv2.imshow("origin",src)
dst = cv2.blur(src,(3,3)) #均值滤波模板
cv2.imshow("blur",dst)
dst1 = cv2.medianBlur(src,5) #中值滤波
cv2.imshow("medianBlur",dst1)
dst2 = cv2.GaussianBlur(src,(3,3),0) #高斯滤波
cv2.imshow("GaussianBlur",dst2)
cv2.waitKey(0)
cv2.destroyAllWindows()
3) 进行低通滤波,显示处理后的图像。
import cv2
import numpy as np
def function(img):
h,w=img.shape
newimg=np.zeros((h,w),np.uint8)
img2=np.fft.fft2(img)
fshift = np.fft.fftshift(img2)
st=fshift.copy()
h,w=fshift.shape
sh=h/2
sw=w/2
r=40
for i in range(h):
for j in range(w):
if ((sh - i) * (sh - i) + (sw - j) * (sw - j)) <= r * r: newimg[i, j] = 255
tmp = 1
else:
tmp = 0
st[i, j] = tmp * fshift[i, j]
sl=np.fft.ifftshift(st)
x2=np.fft.ifft2(sl)
x3=np.uint8(np.real(x2))
return newimg,x3
img=cv2.imread('D:\\mote.jpg',0)
img1,img2=function(img)
cv2.imshow("image",img)
cv2.imshow("low pass filtering",img2)
cv2.waitKey(0)
4) 显示均值处理后的图像。
代码:
import cv2
import matplotlib.pyplot as plt
img = cv2.imread('D:\\mote.jpg',0) #直接读为灰度图像
blur = cv2.blur(img,(3,5))#模板大小3*5
plt.subplot(1,2,1),plt.imshow(img,'gray')#默认彩色,另一种彩色bgr plt.title('img')
plt.xticks([]), plt.yticks([])
plt.subplot(1,2,2),plt.imshow(blur,'gray')
plt.title('blur')
plt.xticks([]), plt.yticks([])
plt.show()
5) 对加入椒盐噪声的图像分别采用均值滤波法,和中值滤波法对有噪声的图像做处
理,要求在同一窗口中显示结果。
代码:
import cv2
import matplotlib.pyplot as plt
img = cv2.imread('D:/img/salt.jpg',0) #直接读为灰度图像
blur = cv2.blur(img,(3,5))#模板大小3*5
mid =cv2.medianBlur(img,5)
plt.subplot(1,2,1),plt.imshow(mid,'gray')
plt.title('medianBlur')
plt.xticks([]), plt.yticks([])
plt.subplot(1,2,2),plt.imshow(blur,'gray')
plt.title('blur')
plt.xticks([]), plt.yticks([])
plt.show()
2. 锐化空间滤波
1) 读出一幅图像,采用3×3的拉普拉斯算子w = [ 1, 1, 1; 1 – 8 1; 1, 1, 1]对其进行滤波。
# 定义函数,实现拉普拉斯算子
def Laplace(src):
template = np.ones((3, 3), dtype=np.float32) # 模板
template[1, 1] = -8.0
addBorder = cv2.copyMakeBorder(src, 1, 1, 1, 1, cv2.BORDER_REFLECT_101) row, col = src.shape
dst = np.zeros((row, col), dtype=np.int16)
for i in range(row):
for j in range(col):
temp = addBorder [i:i+3, j:j+3]
dst[i, j] = np.sum(template*temp)
return dst