2021-02-07 Python scipy ndimage.zoom()函數(shù)

此函數(shù)將輸入的圖片從一個(gè)顏色域轉(zhuǎn)換到另一個(gè)。

公司主營(yíng)業(yè)務(wù)：成都做網(wǎng)站、成都網(wǎng)站制作、移動(dòng)網(wǎng)站開發(fā)等業(yè)務(wù)。幫助企業(yè)客戶真正實(shí)現(xiàn)互聯(lián)網(wǎng)宣傳，提高企業(yè)的競(jìng)爭(zhēng)能力。創(chuàng)新互聯(lián)是一支青春激揚(yáng)、勤奮敬業(yè)、活力青春激揚(yáng)、勤奮敬業(yè)、活力澎湃、和諧高效的團(tuán)隊(duì)。公司秉承以“開放、自由、嚴(yán)謹(jǐn)、自律”為核心的企業(yè)文化，感謝他們對(duì)我們的高要求，感謝他們從不同領(lǐng)域給我們帶來(lái)的挑戰(zhàn)，讓我們激情的團(tuán)隊(duì)有機(jī)會(huì)用頭腦與智慧不斷的給客戶帶來(lái)驚喜。創(chuàng)新互聯(lián)推出順慶免費(fèi)做網(wǎng)站回饋大家。

input: 以數(shù)組形式輸入圖片

zoom:浮點(diǎn)數(shù)或數(shù)組。如果是一個(gè)浮點(diǎn)數(shù)，對(duì)每一個(gè)軸放縮相同的倍數(shù)。如果是一個(gè)數(shù)組，則對(duì)每一個(gè)軸分配一個(gè)值。

output:輸出，默認(rèn)為None

order:整型（范圍0-5）樣條插值的順序，默認(rèn)為3。詳見后續(xù)

mode:字符串，包括{‘reflect’, ‘constant’, ‘nearest’, ‘mirror’, ‘wrap’}，輸入的數(shù)組如何擴(kuò)展邊界，默認(rèn)為 ‘constant'（具體參考官方文檔 插值的邊界處理 ）

cval:浮點(diǎn)數(shù)，當(dāng)插值的邊界處理模式為’constant‘時(shí)發(fā)揮作用。默認(rèn)為0.0

prefilter:bool,input輸入的數(shù)組是否經(jīng)過一個(gè)預(yù)樣條濾波器，默認(rèn)為True

設(shè)原圖 ,

目標(biāo)圖片

設(shè) 之比為 , ,則:

設(shè)原圖坐標(biāo)上的像素點(diǎn) ，

目標(biāo)圖片坐標(biāo)上的像素的為

1.計(jì)算目標(biāo)圖片的坐標(biāo)點(diǎn)對(duì)應(yīng)原圖中哪個(gè)坐標(biāo)點(diǎn)，公式為：

2.根據(jù)dst_x,dst_y的值四舍五入為整數(shù)，填充到目標(biāo)圖片的相應(yīng)位置。

由上圖可以看到，經(jīng)過轉(zhuǎn)換后的圖片出現(xiàn)了鋸齒感。

1.計(jì)算目標(biāo)圖片的坐標(biāo)點(diǎn)對(duì)應(yīng)原圖中哪個(gè)坐標(biāo)點(diǎn)（此步與最鄰近插值算法相同），公式為：

2.由于點(diǎn) 是個(gè)浮點(diǎn)數(shù)坐標(biāo)，無(wú)法用整型的灰度值或RGB值來(lái)表示，因此雙線性插值算法通過尋找距離這個(gè)對(duì)應(yīng)坐標(biāo)最近的四個(gè)像素點(diǎn)，來(lái)計(jì)算該點(diǎn)的值（灰度值或者RGB值）。

設(shè)分解后的坐標(biāo)為：

首先，在x方向上進(jìn)行線性插值， 代表該點(diǎn)的像素值。

然后，在y方向上進(jìn)行線性插值：

得到的 就是該點(diǎn)經(jīng)過處理后的像素值，填充到目標(biāo)圖片的相應(yīng)位置。

可見，雙線性插值算法的鋸齒感要少于最鄰近插值法。

三次插值法(cubic interpolation method)是一種 多項(xiàng)式插值法 ，逐次以 三次曲線 φ(t)=a 0 +a 1 t+a 2 t 2 +a 3 t 3 的極小點(diǎn)逼近尋求函數(shù)f(t)的極小點(diǎn)的一種方法.(摘自 百度百科 )

可見，三次插值法處理后的圖片幾乎沒有鋸齒感

怎樣用Python將圖片轉(zhuǎn)為矩陣？

1、點(diǎn)擊鍵盤 win+r，打開運(yùn)行窗口。在運(yùn)行窗口中輸入“cmd"，點(diǎn)擊enter鍵，打開windows命令行窗口。

2、在windows命令行窗口中，輸入“python”，點(diǎn)擊enter鍵，進(jìn)入python的命令交互窗口。

3、使用import語(yǔ)句，引入numpy模塊，并重命名為np。

4、使用函數(shù)np.array()創(chuàng)建矩陣一個(gè)矩陣A，其中z矩陣A是2x2的矩陣。

5、使用函數(shù)np.linalg.inv(A)，求解矩陣A的逆矩陣。

6、使用函數(shù)np.array()創(chuàng)建矩陣一個(gè)矩陣B，其中矩陣B是3x3的矩陣。

python 8個(gè)常用內(nèi)置函數(shù)解說(shuō)

8個(gè)超好用內(nèi)置函數(shù)set（），eval（），sorted（），reversed（），map（），reduce（），filter（），enumerate（）

python中有許多內(nèi)置函數(shù)，不像print那么廣為人知，但它們卻異常的強(qiáng)大，用好了可以大大提高代碼效率。

這次來(lái)梳理下8個(gè)好用的python內(nèi)置函數(shù)

1、set()

當(dāng)需要對(duì)一個(gè)列表進(jìn)行去重操作的時(shí)候，set()函數(shù)就派上用場(chǎng)了。

用于創(chuàng)建一個(gè)集合，集合里的元素是無(wú)序且不重復(fù)的。集合對(duì)象創(chuàng)建后，還能使用并集、交集、差集功能。

2、eval()之前有人問如何用python寫一個(gè)四則運(yùn)算器，輸入字符串公式，直接產(chǎn)生結(jié)果。用eval()來(lái)做就很簡(jiǎn)單：eval(str_expression)作用是將字符串轉(zhuǎn)換成表達(dá)式，并且執(zhí)行。

3、sorted()在處理數(shù)據(jù)過程中，我們經(jīng)常會(huì)用到排序操作，比如將列表、字典、元組里面的元素正/倒排序。這時(shí)候就需要用到sorted() ，它可以對(duì)任何可迭代對(duì)象進(jìn)行排序，并返回列表。對(duì)列表升序操作：

對(duì)元組倒序操作：

使用參數(shù)：key，根據(jù)自定義規(guī)則，按字符串長(zhǎng)度來(lái)排序：

根據(jù)自定義規(guī)則，對(duì)元組構(gòu)成的列表進(jìn)行排序：

4、reversed()如果需要對(duì)序列的元素進(jìn)行反轉(zhuǎn)操作，reversed()函數(shù)能幫到你。reversed()接受一個(gè)序列，將序列里的元素反轉(zhuǎn)，并最終返回迭代器。

5、map()做文本處理的時(shí)候，假如要對(duì)序列里的每個(gè)單詞進(jìn)行大寫轉(zhuǎn)化操作。這個(gè)時(shí)候就可以使用map()函數(shù)。

map()會(huì)根據(jù)提供的函數(shù)，對(duì)指定的序列做映射，最終返回迭代器。也就是說(shuō)map()函數(shù)會(huì)把序列里的每一個(gè)元素用指定的方法加工一遍，最終返回給你加工好的序列。舉個(gè)例子，對(duì)列表里的每個(gè)數(shù)字作平方處理：

6、reduce()前面說(shuō)到對(duì)列表里的每個(gè)數(shù)字作平方處理，用map()函數(shù)。那我想將列表里的每個(gè)元素相乘，該怎么做呢？這時(shí)候用到reduce()函數(shù)。

reduce()會(huì)對(duì)參數(shù)序列中元素進(jìn)行累積。第一、第二個(gè)元素先進(jìn)行函數(shù)操作，生成的結(jié)果再和第三個(gè)元素進(jìn)行函數(shù)操作，以此類推，最終生成所有元素累積運(yùn)算的結(jié)果。再舉個(gè)例子，將字母連接成字符串。

你可能已經(jīng)注意到，reduce()函數(shù)在python3里已經(jīng)不再是內(nèi)置函數(shù)，而是遷移到了functools模塊中。這里把reduce()函數(shù)拎出來(lái)講，是因?yàn)樗匾恕?/p>

7、filter()一些數(shù)字組成的列表，要把其中偶數(shù)去掉，該怎么做呢？

filter()函數(shù)輕松完成了任務(wù)，它用于過濾序列，過濾掉不符合條件的元素，返回一個(gè)迭代器對(duì)象。filter()函數(shù)和map()、reduce()函數(shù)類似，都是將序列里的每個(gè)元素映射到函數(shù)，最終返回結(jié)果。我們?cè)僭囋嚕绾螐脑S多單詞里挑出包含字母w的單詞。

8、enumerate()這樣一個(gè)場(chǎng)景，同時(shí)打印出序列里每一個(gè)元素和它對(duì)應(yīng)的順序號(hào)，我們用enumerate()函數(shù)做做看。

enumerate翻譯過來(lái)是枚舉、列舉的意思，所以說(shuō)enumerate()函數(shù)用于對(duì)序列里的元素進(jìn)行順序標(biāo)注，返回(元素、索引)組成的迭代器。再舉個(gè)例子說(shuō)明，對(duì)字符串進(jìn)行標(biāo)注，返回每個(gè)字母和其索引。

python之pyplot

1、 定義x和y，畫圖展示，保存圖片

其中dpi參數(shù)指定圖像的分辨率為120

2、 優(yōu)化繪圖線條風(fēng)格

線條顏色color

線條標(biāo)記marker

線條風(fēng)格linestyle

3、 坐標(biāo)軸的控制

坐標(biāo)軸范圍和標(biāo)題

坐標(biāo)圖上標(biāo)記

坐標(biāo)間隔設(shè)定

函數(shù)plt.xticks()和plt.xticks()用來(lái)實(shí)現(xiàn)對(duì)x軸和y軸坐標(biāo)間隔（也就是軸記號(hào)）的設(shè)定。用法上，函數(shù)的輸入是兩個(gè)列表，第一個(gè)表示取值，第二個(gè)表示標(biāo)記。當(dāng)然如果你的標(biāo)記就是取值本身，則第二個(gè)列表可以忽略

多圖與子圖

figure() 函數(shù)可以幫助我們同時(shí)處理生成多個(gè)圖，而subplot()函數(shù)則用來(lái)實(shí)現(xiàn)，在一個(gè)大圖中，出現(xiàn)多個(gè)小的子圖。需要注意的是， figure() 中的參數(shù)為圖片序號(hào)，一般是按序增加的，這里面還涉及一個(gè)當(dāng)前圖的概念，其中 subplot() 的參數(shù)有3個(gè)，分別為行數(shù)、列數(shù)、以及子圖序號(hào)。比如 subplot(1,2,1) 表示這是一個(gè)1行，2列布局的圖（兩個(gè)子圖，在同一行，分居左右），其中，當(dāng)前處理的子圖是第一個(gè)圖（也就是左圖）。

這樣，我們就用一個(gè)腳本畫了兩張圖fig.1和fig.2。其中，fig.1包含了分居左右的兩個(gè)子圖，分別是y1和y3的曲線；fig.2是一張整圖，畫的是y2曲線。

如果想要某個(gè)子圖占據(jù)整行或者整列，可以采用下面

第三個(gè)圖，實(shí)際上相當(dāng)于將前面的兩個(gè)小的子圖看作是一個(gè)整圖

OpenCV Python 系列教程4 - OpenCV 圖像處理（上）

學(xué)習(xí)目標(biāo)：

OpenCV 中有 150 多種色彩空間轉(zhuǎn)化的方法，這里只討論兩種：

HSV的色相范圍為[0,179]，飽和度范圍為[0,255]，值范圍為[0,255]。不同的軟件使用不同的規(guī)模。如果要比較 OpenCV 值和它們，你需要標(biāo)準(zhǔn)化這些范圍。

HSV 和 HLV 解釋

運(yùn)行結(jié)果：該段程序的作用是檢測(cè)藍(lán)色目標(biāo)，同理可以檢測(cè)其他顏色的目標(biāo)

結(jié)果中存在一定的噪音，之后的章節(jié)將會(huì)去掉它

這是物體跟蹤中最簡(jiǎn)單的方法。一旦你學(xué)會(huì)了等高線的函數(shù)，你可以做很多事情，比如找到這個(gè)物體的質(zhì)心，用它來(lái)跟蹤這個(gè)物體，僅僅通過在相機(jī)前移動(dòng)你的手來(lái)畫圖表，還有很多其他有趣的事情。

菜鳥教程 在線 HSV- BGR 轉(zhuǎn)換

比如要找出綠色的 HSV 值，可以使用上面的程序，得到的值取一個(gè)上下界。如上面的取下界 [H-10, 100, 100]，上界 [H+10, 255, 255]

或者使用其他工具如 GIMP

學(xué)習(xí)目標(biāo)：

對(duì)圖像進(jìn)行閾值處理，算是一種最簡(jiǎn)單的圖像分割方法，基于圖像與背景之間的灰度差異，此項(xiàng)分割是基于像素級(jí)的分割

threshold(src, thresh, maxval, type[, dst]) - retval, dst

計(jì)算圖像小區(qū)域的閾值。所以我們對(duì)同一幅圖像的不同區(qū)域得到不同的閾值，這給我們?cè)诓煌庹障碌膱D像提供了更好的結(jié)果。

三個(gè)特殊的輸入?yún)?shù)和一個(gè)輸出參數(shù)

adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst]) - dst

opencv-threshold-python

OpenCV 圖片集

本節(jié)原文

學(xué)習(xí)目標(biāo)：

OpenCV 提供兩種變換函數(shù)： cv2.warpAffine 和 cv2.warpPerspective

cv2.resize() 完成縮放

文檔說(shuō)明

運(yùn)行結(jié)果

說(shuō)明 : cv2.INTER_LINEAR 方法比 cv2.INTER_CUBIC 還慢，好像與官方文檔說(shuō)的不一致？ 有待驗(yàn)證。

速度比較： INTER_CUBIC INTER_NEAREST INTER_LINEAR INTER_AREA INTER_LANCZOS4

改變圖像的位置，創(chuàng)建一個(gè) np.float32 類型的變換矩陣，

warpAffine(src, M, dsize[, dst[, flags[, borderMode[, borderValue]]]]) - dst

運(yùn)行結(jié)果：

旋轉(zhuǎn)角度（ ）是通過一個(gè)變換矩陣變換的：

OpenCV 提供的是可調(diào)旋轉(zhuǎn)中心的縮放旋轉(zhuǎn)，這樣你可以在任何你喜歡的位置旋轉(zhuǎn)。修正后的變換矩陣為

這里

OpenCV 提供了 cv2.getRotationMatrix2D 控制

cv2.getRotationMatrix2D(center, angle, scale) → retval

運(yùn)行結(jié)果

cv2.getAffineTransform(src, dst) → retval

函數(shù)關(guān)系：

\begin{bmatrix} x'_i \ y'_i \end{bmatrix}\begin{bmatrix} x'_i \ y'_i \end{bmatrix} =

其中

運(yùn)行結(jié)果：圖上的點(diǎn)便于觀察，兩圖中的紅點(diǎn)是相互對(duì)應(yīng)的

透視變換需要一個(gè) 3x3 變換矩陣。轉(zhuǎn)換之后直線仍然保持筆直，要找到這個(gè)變換矩陣，需要輸入圖像上的 4 個(gè)點(diǎn)和輸出圖像上的對(duì)應(yīng)點(diǎn)。在這 4 個(gè)點(diǎn)中，有 3 個(gè)不應(yīng)該共線。通過 cv2.getPerspectiveTransform 計(jì)算得到變換矩陣，得到的矩陣 cv2.warpPerspective 變換得到最終結(jié)果。

本節(jié)原文

平滑處理（smoothing）也稱模糊處理（bluring）,是一種簡(jiǎn)單且使用頻率很高的圖像處理方法。平滑處理的用途：常見是用來(lái) 減少圖像上的噪點(diǎn)或失真 。在涉及到降低圖像分辨率時(shí)，平滑處理是很好用的方法。

圖像濾波：盡量保留圖像細(xì)節(jié)特征的條件下對(duì)目標(biāo)圖像的噪聲進(jìn)行抑制，其處理效果的好壞將直接影響到后續(xù)圖像處理和分析的有效性和可靠性。

消除圖像中的噪聲成分叫做圖像的平滑化或?yàn)V波操作。信號(hào)或圖像的能量大部分集中在幅度譜的低頻和中頻段，在高頻段，有用的信息會(huì)被噪聲淹沒。因此一個(gè)能降低高頻成分幅度的濾波器就能夠減弱噪聲的影響。

濾波的目的：抽出對(duì)象的特征作為圖像識(shí)別的特征模式；為適應(yīng)圖像處理的要求，消除圖像數(shù)字化時(shí)混入的噪聲。

濾波處理的要求：不能損壞圖像的輪廓及邊緣等重要信息；圖像清晰視覺效果好。

平滑濾波是低頻增強(qiáng)的空間濾波技術(shù)，目的：模糊和消除噪音。

空間域的平滑濾波一般采用簡(jiǎn)單平均法，即求鄰近像元點(diǎn)的平均亮度值。鄰域的大小與平滑的效果直接相關(guān)，鄰域越大平滑效果越好，但是鄰域過大，平滑也會(huì)使邊緣信息的損失的越大，從而使輸出圖像變得模糊。因此需要選擇合適的鄰域。

濾波器：一個(gè)包含加權(quán)系數(shù)的窗口，利用濾波器平滑處理圖像時(shí)，把這個(gè)窗口放在圖像上，透過這個(gè)窗口來(lái)看我們得到的圖像。

線性濾波器：用于剔除輸入信號(hào)中不想要的頻率或者從許多頻率中選擇一個(gè)想要的頻率。

低通濾波器、高通濾波器、帶通濾波器、帶阻濾波器、全通濾波器、陷波濾波器

boxFilter(src, ddepth, ksize[, dst[, anchor[, normalize[, borderType]]]]) - dst

均值濾波是方框?yàn)V波歸一化后的特殊情況。歸一化就是要把處理的量縮放到一個(gè)范圍內(nèi)如 (0,1)，以便統(tǒng)一處理和直觀量化。非歸一化的方框?yàn)V波用于計(jì)算每個(gè)像素鄰近內(nèi)的積分特性，比如密集光流算法中用到的圖像倒數(shù)的協(xié)方差矩陣。

運(yùn)行結(jié)果：

均值濾波是典型的線性濾波算法，主要方法為鄰域平均法，即用一片圖像區(qū)域的各個(gè)像素的均值來(lái)代替原圖像中的各個(gè)像素值。一般需要在圖像上對(duì)目標(biāo)像素給出一個(gè)模板（內(nèi)核），該模板包括了其周圍的臨近像素（比如以目標(biāo)像素為中心的周圍8（3x3-1）個(gè)像素，構(gòu)成一個(gè)濾波模板，即 去掉目標(biāo)像素本身 ）。再用模板中的全體像素的平均值來(lái)代替原來(lái)像素值。即對(duì)待處理的當(dāng)前像素點(diǎn)（x，y），選擇一個(gè)模板，該模板由其近鄰的若干像素組成，求模板中所有像素的均值，再把該均值賦予當(dāng)前像素點(diǎn)（x，y），作為處理后圖像在該點(diǎn)上的灰度個(gè)g（x，y），即個(gè)g（x，y）=1/m ∑f（x，y） ，其中m為該模板中包含當(dāng)前像素在內(nèi)的像素總個(gè)數(shù)。

均值濾波本身存在著固有的缺陷，即它不能很好地保護(hù)圖像細(xì)節(jié)，在圖像去噪的同時(shí)也破壞了圖像的細(xì)節(jié)部分，從而使圖像變得模糊，不能很好地去除噪聲點(diǎn)。

cv2.blur(src, ksize[, dst[, anchor[, borderType]]]) → dst

結(jié)果：

高斯濾波：線性濾波，可以消除高斯噪聲，廣泛應(yīng)用于圖像處理的減噪過程。高斯濾波就是對(duì)整幅圖像進(jìn)行加權(quán)平均的過程，每一個(gè)像素點(diǎn)的值，都由其本身和鄰域內(nèi)的其他像素值經(jīng)過 加權(quán)平均 后得到。高斯濾波的具體操作是：用一個(gè)模板（或稱卷積、掩模）掃描圖像中的每一個(gè)像素，用模板確定的鄰域內(nèi)像素的加權(quán)平均灰度值去替代模板中心像素點(diǎn)的值。

高斯濾波有用但是效率不高。

高斯模糊技術(shù)生成的圖像，其視覺效果就像是經(jīng)過一個(gè)半透明屏幕在觀察圖像，這與鏡頭焦外成像效果散景以及普通照明陰影中的效果都明顯不同。高斯平滑也用于計(jì)算機(jī)視覺算法中的預(yù)先處理階段，以增強(qiáng)圖像在不同比例大小下的圖像效果（參見尺度空間表示以及尺度空間實(shí)現(xiàn)）。從數(shù)學(xué)的角度來(lái)看，圖像的高斯模糊過程就是圖像與正態(tài)分布做卷積。由于正態(tài)分布又叫作高斯分布，所以這項(xiàng)技術(shù)就叫作高斯模糊。

高斯濾波器是一類根據(jù)高斯函數(shù)的形狀來(lái)選擇權(quán)值的線性平滑濾波器。 高斯平滑濾波器對(duì)于抑制服從正態(tài)分布的噪聲非常有效。

一維零均值高斯函數(shù)為: 高斯分布參數(shù) 決定了高斯函數(shù)的寬度。

高斯噪聲的產(chǎn)生

GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]]) - dst

線性濾波容易構(gòu)造，并且易于從頻率響應(yīng)的角度來(lái)進(jìn)行分析。

許多情況，使用近鄰像素的非線性濾波會(huì)得到更好的結(jié)果。比如在噪聲是散粒噪聲而不是高斯噪聲，即圖像偶爾會(huì)出現(xiàn)很大值的時(shí)候，用高斯濾波器進(jìn)行圖像模糊時(shí)，噪聲像素不會(huì)被消除，而是轉(zhuǎn)化為更為柔和但仍然可見的散粒。

中值濾波（Median filter）是一種典型的非線性濾波技術(shù)，基本思想是用像素點(diǎn)鄰域灰度值的中值來(lái)代替該像素點(diǎn)的灰度值，該方法在去除脈沖噪聲、椒鹽噪聲『椒鹽噪聲又稱脈沖噪聲，它隨機(jī)改變一些像素值，是由圖像傳感器，傳輸信道，解碼處理等產(chǎn)生的黑白相間的亮暗點(diǎn)噪聲。椒鹽噪聲往往由圖像切割引起。』的同時(shí)又能保留圖像邊緣細(xì)節(jié)，

中值濾波是基于排序統(tǒng)計(jì)理論的一種能有效抑制噪聲的非線性信號(hào)處理技術(shù)，其基本原理是把數(shù)字圖像或數(shù)字序列中一點(diǎn)的值用該點(diǎn)的一個(gè)鄰域中各點(diǎn)值的中值代替，讓周圍的像素值接近的真實(shí)值，從而消除孤立的噪聲點(diǎn)，對(duì)于 斑點(diǎn)噪聲（speckle noise）和椒鹽噪聲（salt-and-pepper noise） 來(lái)說(shuō)尤其有用，因?yàn)樗灰蕾囉卩徲騼?nèi)那些與典型值差別很大的值。中值濾波器在處理連續(xù)圖像窗函數(shù)時(shí)與線性濾波器的工作方式類似，但濾波過程卻不再是加權(quán)運(yùn)算。

中值濾波在一定的條件下可以克服常見線性濾波器如最小均方濾波、方框?yàn)V波器、均值濾波等帶來(lái)的圖像細(xì)節(jié)模糊，而且對(duì)濾除脈沖干擾及圖像掃描噪聲非常有效，也常用于保護(hù)邊緣信息, 保存邊緣的特性使它在不希望出現(xiàn)邊緣模糊的場(chǎng)合也很有用，是非常經(jīng)典的平滑噪聲處理方法。

與均值濾波比較：

說(shuō)明：中值濾波在一定條件下，可以克服線性濾波器（如均值濾波等）所帶來(lái)的圖像細(xì)節(jié)模糊，而且對(duì)濾除脈沖干擾即圖像掃描噪聲最為有效。在實(shí)際運(yùn)算過程中并不需要圖像的統(tǒng)計(jì)特性，也給計(jì)算帶來(lái)不少方便。 但是對(duì)一些細(xì)節(jié)多，特別是線、尖頂?shù)燃?xì)節(jié)多的圖像不宜采用中值濾波。

雙邊濾波（Bilateral filter）是一種非線性的濾波方法，是結(jié)合 圖像的空間鄰近度和像素值相似度 的一種折衷處理，同時(shí)考慮空域信息和灰度相似性，達(dá)到保邊去噪的目的。具有簡(jiǎn)單、非迭代、局部的特點(diǎn)。

雙邊濾波器的好處是可以做邊緣保存（edge preserving），一般過去用的維納濾波或者高斯濾波去降噪，都會(huì)較明顯地模糊邊緣，對(duì)于高頻細(xì)節(jié)的保護(hù)效果并不明顯。雙邊濾波器顧名思義比高斯濾波多了一個(gè)高斯方差 sigma－d ，它是基于空間分布的高斯濾波函數(shù)，所以在邊緣附近，離的較遠(yuǎn)的像素不會(huì)太多影響到邊緣上的像素值，這樣就保證了邊緣附近像素值的保存。 但是由于保存了過多的高頻信息，對(duì)于彩色圖像里的高頻噪聲，雙邊濾波器不能夠干凈的濾掉，只能夠?qū)τ诘皖l信息進(jìn)行較好的濾波。

運(yùn)行結(jié)果

學(xué)習(xí)目標(biāo):

形態(tài)變換是基于圖像形狀的一些簡(jiǎn)單操作。它通常在二進(jìn)制圖像上執(zhí)行。

膨脹與腐蝕實(shí)現(xiàn)的功能

侵蝕的基本思想就像土壤侵蝕一樣，它會(huì)侵蝕前景物體的邊界（總是試圖保持前景為白色）。那它是做什么的？?jī)?nèi)核在圖像中滑動(dòng)（如在2D卷積中）。只有當(dāng)內(nèi)核下的所有像素都是 1 時(shí)，原始圖像中的像素（ 1 或 0 ）才會(huì)被視為 1 ，否則它將被侵蝕（變?yōu)榱悖?/p>

erode(src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]]) - dst

與腐蝕的操作相反。如果內(nèi)核下的至少一個(gè)像素為“1”，則像素元素為“1”。因此它增加了圖像中的白色區(qū)域或前景對(duì)象的大小增加。通常，在去除噪音的情況下，侵蝕之后是擴(kuò)張。因?yàn)椋治g會(huì)消除白噪聲，但它也會(huì)縮小我們的物體。所以我們擴(kuò)大它。由于噪音消失了，它們不會(huì)再回來(lái)，但我們的物體區(qū)域會(huì)增加。它也可用于連接對(duì)象的破碎部分

標(biāo)題名稱：圖片平滑python函數(shù),python繪制光滑曲線圖
當(dāng)前地址：http://chinadenli.net/article41/dsegdhd.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供網(wǎng)站收錄、面包屑導(dǎo)航、手機(jī)網(wǎng)站建設(shè)、企業(yè)建站、全網(wǎng)營(yíng)銷推廣、網(wǎng)站排名

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請(qǐng)盡快告知，我們將會(huì)在第一時(shí)間刪除。文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如需處理請(qǐng)聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時(shí)需注明來(lái)源： 創(chuàng)新互聯(lián)