Python中的影象處理之Python影象平滑操作

2022-06-01 18:00:46

前言

隨著人工智慧研究的不斷興起，Python的應用也在不斷上升，由於Python語言的簡潔性、易讀性以及可延伸性，特別是在開源工具和深度學習方向中各種神經網路的應用，使得Python已經成為最受歡迎的程式設計語言之一。由於完全開源，加上簡單易學、易讀、易維護、以及其可移植性、解釋性、可延伸性、可擴充性、可嵌入性：豐富的庫等等，自己在學習與工作中也時常接觸到Python，這個系列文章的話主要就是介紹一些在Python中常用一些例程進行模擬演示！

本系列文章主要參考楊秀章老師分享的程式碼資源，楊老師部落格主頁是Eastmount，楊老師興趣廣泛，不愧是令人膜拜的大佬，他過成了我理想中的樣子，希望以後有機會可以向他請教學習交流。

因為自己是做影象語音出身的，所以結合《Python中的影象處理》，學習一下Python，OpenCV已經在Python上進行了多個版本的維護，所以相比VS，Python的環境設定相對簡單，缺什麼庫直接安裝即可。本系列文章例程都是基於Python3.8的環境下進行，所以大家在進行借鑑的時候建議最好在3.8.0版本以上進行模擬。本文繼續來對本書第十章的後4個例程進行介紹。

一. Python準備

如何確定自己安裝好了python

win+R輸入cmd進入命令列程式

點選“確定”

輸入：python，回車

看到Python相關的版本資訊，說明Python安裝成功。

二. Python模擬

（1）新建一個chapter10_06.py檔案，輸入以下程式碼，圖片也放在與.py檔案同級資料夾下

# -*- coding: utf-8 -*-
# By：Eastmount CSDN 2021-06-07
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
 
#讀取圖片
img = cv2.imread('te.png')
source = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
 
#雙邊濾波
result = cv2.bilateralFilter(source, 15, 150, 150)

#用來正常顯示中文標籤
plt.rcParams['font.sans-serif']=['SimHei']

#顯示圖形
titles = ['原始影象', '雙邊濾波']  
images = [source, result]  
for i in range(2):  
   plt.subplot(1,2,i+1), plt.imshow(images[i], 'gray')  
   plt.title(titles[i])  
   plt.xticks([]),plt.yticks([])  
plt.show()

儲存.py檔案
輸入eixt()退出python，輸入命令列進入工程檔案目錄

輸入以下命令，跑起工程

python chapter10_06.py

沒有報錯，直接彈出圖片，執行成功！

（2）新建一個chapter10_07.py檔案，輸入以下程式碼，圖片也放在與.py檔案同級資料夾下

# -*- coding: utf-8 -*-
# By：Eastmount CSDN 2021-06-07
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
 
#讀取圖片
img = cv2.imread('te.png')
source = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
 
#均值濾波
result1 = cv2.blur(source, (5,5))
result2 = cv2.blur(source, (10,10))

#方框濾波
result3 = cv2.boxFilter(source, -1, (5,5), normalize=1)
result4 = cv2.boxFilter(source, -1, (2,2), normalize=0)

#高斯濾波
result5 = cv2.GaussianBlur(source, (3,3), 0)
result6 = cv2.GaussianBlur(source, (15,15), 0)

#中值濾波
result7 = cv2.medianBlur(source, 3)

#高斯雙邊濾波
result8 =cv2.bilateralFilter(source, 15, 150, 150)

#顯示圖形
titles = ['Source', 'Blur 5*5', 'Blur 10*10', 'BoxFilter 5*5',
          'BoxFilter 2*2', 'GaussianBlur 3*3', 'GaussianBlur 15*15',
          'medianBlur', 'bilateralFilter']  
images = [source, result1, result2, result3,
          result4, result5, result6, result7, result8]  
for i in range(9):  
   plt.subplot(3,3,i+1), plt.imshow(images[i], 'gray')  
   plt.title(titles[i])  
   plt.xticks([]),plt.yticks([])  
plt.show()

儲存.py檔案輸入以下命令，跑起工程

python chapter10_07.py

沒有報錯，直接彈出圖片，執行成功！

（3）新建一個chapter10_08.py檔案，輸入以下程式碼，圖片也放在與.py檔案同級資料夾下

# -*- coding: utf-8 -*-
# By：Eastmount CSDN 2021-06-07
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
 
#讀取圖片
img = cv2.imread('test01_yn.png')
source = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
 
#中值濾波
result1 = cv2.medianBlur(source, 3)

#高斯雙邊濾波
result2 =cv2.bilateralFilter(source, 15, 150, 150)

#均值遷移
result3 = cv2.pyrMeanShiftFiltering(source, 20, 50)

#用來正常顯示中文標籤
plt.rcParams['font.sans-serif']=['SimHei']

#顯示圖形
titles = ['原始影象',  '中值濾波', '雙邊濾波', '均值遷移']  
images = [source, result1, result2, result3]  
for i in range(4):  
   plt.subplot(2,2,i+1), plt.imshow(images[i], 'gray')  
   plt.title(titles[i])  
   plt.xticks([]),plt.yticks([])  
plt.show()

儲存.py檔案輸入以下命令，跑起工程

python chapter10_08.py

沒有報錯，直接彈出圖片，執行成功！

（4）新建一個chapter10_09.py檔案，輸入以下程式碼，圖片也放在與.py檔案同級資料夾下

# -*- coding:utf-8 -*-
import cv2
import numpy as np

#讀取圖片
img = cv2.imread("te.png", cv2.IMREAD_UNCHANGED)
rows, cols, chn = img.shape

#加噪聲
for i in range(5000):    
    x = np.random.randint(0, rows) 
    y = np.random.randint(0, cols)    
    img[x,y,:] = 255

cv2.imshow("noise", img)
           
#等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

儲存.py檔案輸入以下命令，跑起工程

python chapter10_09.py

沒有報錯，直接彈出圖片，執行成功！

三. 小結

本文主要介紹在Python中呼叫OpenCV庫對影象進行影象平滑濾波處理與影象加噪處理，如雙邊濾波，高斯雙邊濾波，影象加隨機噪聲等操作。由於本書的介紹比較系統全面，所以會出一個系列文章進行全系列模擬實現，感興趣的還是建議去原書第十章深入學習理解，下一篇文章將繼續介紹第十一章節的5例模擬範例。每天學一個Python小知識，大家一起來學習進步阿！

到此這篇關於Python中的影象處理之Python影象平滑處理操作的文章就介紹到這了,更多相關Python影象平滑內容請搜尋it145.com以前的文章或繼續瀏覽下面的相關文章希望大家以後多多支援it145.com！

Python中的影象處理之Python影象平滑操作

目錄

前言

一. Python準備

二. Python模擬

三. 小結

熱門文章