Ⅰ 數字圖像處理python實現圖像灰度變換、直方圖均衡、均值濾波
import CV2
import
import numpy as np
import random
使用的是pycharm
因為最近看了《銀翼殺手2049》，裡面Joi實在是太好看了所以原圖像就用Joi了
要求是灰度圖像，所以第一步先把圖像轉化成灰度圖像
# 讀入原始圖像
img = CV2.imread('joi.jpg')
# 灰度化處理
gray = CV2.cvtColor(img, CV2.COLOR_BGR2GRAY)
CV2.imwrite('img.png', gray)
第一個任務是利用分段函數增強灰度對比，我自己隨便寫了個函數大致是這樣的
def chng(a):
if a < 255/3:
b = a/2
elif a < 255/3*2:
b = (a-255/3)*2 + 255/6
else:
b = (a-255/3*2)/2 + 255/6 +255/3*2
return b
rows = img.shape[0]
cols = img.shape[1]
cover = .deep(gray)
for i in range(rows):
for j in range(cols):
cover[i][j] = chng(cover[i][j])
CV2.imwrite('cover.png', cover)
下一步是直方圖均衡化
# histogram equalization
def hist_equal(img, z_max=255):
H, W = img.shape
# S is the total of pixels
S = H * W * 1.
out = img.()
sum_h = 0.
for i in range(1, 255):
ind = np.where(img == i)
sum_h += len(img[ind])
z_prime = z_max / S * sum_h
out[ind] = z_prime
out = out.astype(np.uint8)
return out
covereq = hist_equal(cover)
CV2.imwrite('covereq.png', covereq)
在實現濾波之前先添加高斯雜訊和椒鹽雜訊（代碼來源於網路）
不知道這個椒鹽雜訊的名字是誰起的感覺隔壁小孩都饞哭了
用到了random.gauss()
percentage是雜訊佔比
def GaussianNoise(src,means,sigma,percetage):
NoiseImg=src
NoiseNum=int(percetage*src.shape[0]*src.shape[1])
for i in range(NoiseNum):
randX=random.randint(0,src.shape[0]-1)
randY=random.randint(0,src.shape[1]-1)
NoiseImg[randX, randY]=NoiseImg[randX,randY]+random.gauss(means,sigma)
if NoiseImg[randX, randY]< 0:
NoiseImg[randX, randY]=0
elif NoiseImg[randX, randY]>255:
NoiseImg[randX, randY]=255
return NoiseImg
def PepperandSalt(src,percetage):
NoiseImg=src
NoiseNum=int(percetage*src.shape[0]*src.shape[1])
for i in range(NoiseNum):
randX=random.randint(0,src.shape[0]-1)
randY=random.randint(0,src.shape[1]-1)
if random.randint(0,1)<=0.5:
NoiseImg[randX,randY]=0
else:
NoiseImg[randX,randY]=255
return NoiseImg
covereqg = GaussianNoise(covereq, 2, 4, 0.8)
CV2.imwrite('covereqg.png', covereqg)
covereqps = PepperandSalt(covereq, 0.05)
CV2.imwrite('covereqps.png', covereqps)
下面開始均值濾波和中值濾波了
就以n x n為例，均值濾波就是用這n x n個像素點灰度值的平均值代替中心點，而中值就是中位數代替中心點，邊界點周圍補0；前兩個函數的作用是算出這個點的灰度值，後兩個是對整張圖片進行
#均值濾波模板
def mean_filter(x, y, step, img):
sum_s = 0
for k in range(x-int(step/2), x+int(step/2)+1):
for m in range(y-int(step/2), y+int(step/2)+1):
if k-int(step/2) 0 or k+int(step/2)+1 > img.shape[0]
or m-int(step/2) 0 or m+int(step/2)+1 > img.shape[1]:
sum_s += 0
else:
sum_s += img[k][m] / (step*step)
return sum_s
#中值濾波模板
def median_filter(x, y, step, img):
sum_s=[]
for k in range(x-int(step/2), x+int(step/2)+1):
for m in range(y-int(step/2), y+int(step/2)+1):
if k-int(step/2) 0 or k+int(step/2)+1 > img.shape[0]
or m-int(step/2) 0 or m+int(step/2)+1 > img.shape[1]:
sum_s.append(0)
else:
sum_s.append(img[k][m])
sum_s.sort()
return sum_s[(int(step*step/2)+1)]
def median_filter_go(img, n):
img1 = .deep(img)
for i in range(img.shape[0]):
for j in range(img.shape[1]):
img1[i][j] = median_filter(i, j, n, img)
return img1
def mean_filter_go(img, n):
img1 = .deep(img)
for i in range(img.shape[0]):
for j in range(img.shape[1]):
img1[i][j] = mean_filter(i, j, n, img)
return img1
完整main代碼如下：
if __name__ == "__main__":
# 讀入原始圖像
img = CV2.imread('joi.jpg')
# 灰度化處理
gray = CV2.cvtColor(img, CV2.COLOR_BGR2GRAY)
CV2.imwrite('img.png', gray)
rows = img.shape[0]
cols = img.shape[1]
cover = .deep(gray)
for i in range(rows):
for j in range(cols):
cover[i][j] = chng(cover[i][j])
CV2.imwrite('cover.png', cover)
covereq = hist_equal(cover)
CV2.imwrite('covereq.png', covereq)
covereqg = GaussianNoise(covereq, 2, 4, 0.8)
CV2.imwrite('covereqg.png', covereqg)
covereqps = PepperandSalt(covereq, 0.05)
CV2.imwrite('covereqps.png', covereqps)
meanimg3 = mean_filter_go(covereqps, 3)
CV2.imwrite('medimg3.png', meanimg3)
meanimg5 = mean_filter_go(covereqps, 5)
CV2.imwrite('meanimg5.png', meanimg5)
meanimg7 = mean_filter_go(covereqps, 7)
CV2.imwrite('meanimg7.png', meanimg7)
medimg3 = median_filter_go(covereqg, 3)
CV2.imwrite('medimg3.png', medimg3)
medimg5 = median_filter_go(covereqg, 5)
CV2.imwrite('medimg5.png', medimg5)
medimg7 = median_filter_go(covereqg, 7)
CV2.imwrite('medimg7.png', medimg7)
medimg4 = median_filter_go(covereqps, 7)
CV2.imwrite('medimg4.png', medimg4)
Ⅱ 如何用python實現圖像的一維高斯濾波
如何用python實現圖像的一維高斯濾波
建議你不要使用高斯濾波。
推薦你使用一維中值濾波
matlab的函數為
y = medfilt1(x,n);
x為數組，是你要處理原始波形，n是中值濾波器的參數（大於零的整數）。y是濾波以後的結果（是數組）
後面再
plot(y);
就能看到濾波以後的結果
經過medfilt1過濾以後，y里儲存的是低頻的波形，如果你需要高頻波形，x-y就是高頻波形
順便再說一點，n是偶數的話，濾波效果比較好。
N越小，y里包含的高頻成分就越多，y越大，y里包含的高頻成分就越少。
記住，無論如何y里保存的都是整體的低頻波。（如果你看不懂的話，濾一下，看y波形，你馬上就懂了）
Ⅲ OpenCV Python 系列教程4 - OpenCV 圖像處理（上）
學習目標：
OpenCV 中有 150 多種色彩空間轉化的方法，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]。不同的軟體使用不同的規模。如果要比較 OpenCV 值和它們，你需要標准化這些范圍。
HSV 和 HLV 解釋
運行結果：該段程序的作用是檢測藍色目標，同理可以檢測其他顏色的目標
結果中存在一定的噪音，之後的章節將會去掉它
這是物體跟蹤中最簡單的方法。一旦你學會了等高線的函數，你可以做很多事情，比如找到這個物體的質心，用它來跟蹤這個物體，僅僅通過在相機前移動你的手來畫圖表，還有很多其他有趣的事情。
菜鳥教程 在線 HSV-> BGR 轉換
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
學習目標：
對圖像進行閾值處理，算是一種最簡單的圖像分割方法，基於圖像與背景之間的灰度差異，此項分割是基於像素級的分割
threshold(src, thresh, maxval, type[, dst]) -> retval, dst
計算圖像小區域的閾值。所以我們對同一幅圖像的不同區域得到不同的閾值，這給我們在不同光照下的圖像提供了更好的結果。
三個特殊的輸入參數和一個輸出參數
adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst]) -> dst
opencv-threshold-python
OpenCV 圖片集
本節原文
學習目標：
OpenCV 提供兩種變換函數： cv2.warpAffine 和 cv2.warpPerspective
cv2.resize() 完成縮放
文檔說明
運行結果
說明 : cv2.INTER_LINEAR 方法比 cv2.INTER_CUBIC 還慢，好像與官方文檔說的不一致？ 有待驗證。
速度比較： INTER_CUBIC > INTER_NEAREST > INTER_LINEAR > INTER_AREA > INTER_LANCZOS4
改變圖像的位置，創建一個 np.float32 類型的變換矩陣，
warpAffine(src, M, dsize[, dst[, flags[, borderMode[, borderValue]]]]) -> dst
運行結果：
旋轉角度（ ）是通過一個變換矩陣變換的：
OpenCV 提供的是可調旋轉中心的縮放旋轉，這樣你可以在任何你喜歡的位置旋轉。修正後的變換矩陣為
這里
OpenCV 提供了 cv2.getRotationMatrix2D 控制
cv2.getRotationMatrix2D(center, angle, scale) → retval
運行結果
cv2.getAffineTransform(src, dst) → retval
函數關系：
egin{bmatrix} x'_i y'_i end{bmatrix}egin{bmatrix} x'_i y'_i end{bmatrix} =
其中
運行結果：圖上的點便於觀察，兩圖中的紅點是相互對應的
透視變換需要一個 3x3 變換矩陣。轉換之後直線仍然保持筆直，要找到這個變換矩陣，需要輸入圖像上的 4 個點和輸出圖像上的對應點。在這 4 個點中，有 3 個不應該共線。通過 cv2.getPerspectiveTransform 計算得到變換矩陣，得到的矩陣 cv2.warpPerspective 變換得到最終結果。
本節原文
平滑處理（smoothing）也稱模糊處理（bluring）,是一種簡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 減少圖像上的噪點或失真 。在涉及到降低圖像解析度時，平滑處理是很好用的方法。
圖像濾波：盡量保留圖像細節特徵的條件下對目標圖像的雜訊進行抑制，其處理效果的好壞將直接影響到後續圖像處理和分析的有效性和可靠性。
消除圖像中的雜訊成分叫做圖像的平滑化或濾波操作。信號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，有用的信息會被雜訊淹沒。因此一個能降低高頻成分幅度的濾波器就能夠減弱雜訊的影響。
濾波的目的：抽出對象的特徵作為圖像識別的特徵模式；為適應圖像處理的要求，消除圖像數字化時混入的雜訊。
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的空間濾波技術，目的：模糊和消除噪音。
空間域的平滑濾波一般採用簡單平均法，即求鄰近像元點的平均亮度值。鄰域的大小與平滑的效果直接相關，鄰域越大平滑效果越好，但是鄰域過大，平滑也會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：一個包含加權系數的窗口，利用濾波器平滑處理圖像時，把這個窗口放在圖像上，透過這個窗口來看我們得到的圖像。
線性濾波器：用於剔除輸入信號中不想要的頻率或者從許多頻率中選擇一個想要的頻率。
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
均值濾波是方框濾波歸一化後的特殊情況。歸一化就是要把處理的量縮放到一個范圍內如 (0,1)，以便統一處理和直觀量化。非歸一化的方框濾波用於計算每個像素鄰近內的積分特性，比如密集光流演算法中用到的圖像倒數的協方差矩陣。
運行結果：
均值濾波是典型的線性濾波演算法，主要方法為鄰域平均法，即用一片圖像區域的各個像素的均值來代替原圖像中的各個像素值。一般需要在圖像上對目標像素給出一個模板（內核），該模板包括了其周圍的臨近像素（比如以目標像素為中心的周圍8（3x3-1）個像素，構成一個濾波模板，即 去掉目標像素本身 ）。再用模板中的全體像素的平均值來代替原來像素值。即對待處理的當前像素點（x，y），選擇一個模板，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，再把該均值賦予當前像素點（x，y），作為處理後圖像在該點上的灰度個g（x，y），即個g（x，y）=1/m ∑f（x，y） ，其中m為該模板中包含當前像素在內的像素總個數。
均值濾波本身存在著固有的缺陷，即它不能很好地保護圖像細節，在圖像去噪的同時也破壞了圖像的細節部分，從而使圖像變得模糊，不能很好地去除雜訊點。
cv2.blur(src, ksize[, dst[, anchor[, borderType]]]) → dst
結果：
高斯濾波：線性濾波，可以消除高斯雜訊，廣泛應用於圖像處理的減噪過程。高斯濾波就是對整幅圖像進行加權平均的過程，每一個像素點的值，都由其本身和鄰域內的其他像素值經過 加權平均 後得到。高斯濾波的具體操作是：用一個模板（或稱卷積、掩模）掃描圖像中的每一個像素，用模板確定的鄰域內像素的加權平均灰度值去替代模板中心像素點的值。
高斯濾波有用但是效率不高。
高斯模糊技術生成的圖像，其視覺效果就像是經過一個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。高斯平滑也用於計算機視覺演算法中的預先處理階段，以增強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現）。從數學的角度來看，圖像的高斯模糊過程就是圖像與正態分布做卷積。由於正態分布又叫作高斯分布，所以這項技術就叫作高斯模糊。
高斯濾波器是一類根據高斯函數的形狀來選擇權值的線性平滑濾波器。 高斯平滑濾波器對於抑制服從正態分布的雜訊非常有效。
一維零均值高斯函數為: 高斯分布參數 決定了高斯函數的寬度。
高斯雜訊的產生
GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]]) -> dst
線性濾波容易構造，並且易於從頻率響應的角度來進行分析。
許多情況，使用近鄰像素的非線性濾波會得到更好的結果。比如在雜訊是散粒雜訊而不是高斯雜訊，即圖像偶爾會出現很大值的時候，用高斯濾波器進行圖像模糊時，雜訊像素不會被消除，而是轉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，基本思想是用像素點鄰域灰度值的中值來代替該像素點的灰度值，該方法在去除脈沖雜訊、椒鹽雜訊『椒鹽雜訊又稱脈沖雜訊，它隨機改變一些像素值，是由圖像感測器，傳輸信道，解碼處理等產生的黑白相間的亮暗點雜訊。椒鹽雜訊往往由圖像切割引起。』的同時又能保留圖像邊緣細節，
中值濾波是基於排序統計理論的一種能有效抑制雜訊的非線性信號處理技術，其基本原理是把數字圖像或數字序列中一點的值用該點的一個鄰域中各點值的中值代替，讓周圍的像素值接近的真實值，從而消除孤立的雜訊點，對於 斑點雜訊（speckle noise）和椒鹽雜訊（salt-and-pepper noise） 來說尤其有用，因為它不依賴於鄰域內那些與典型值差別很大的值。中值濾波器在處理連續圖像窗函數時與線性濾波器的工作方式類似，但濾波過程卻不再是加權運算。
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、方框濾波器、均值濾波等帶來的圖像細節模糊，而且對濾除脈沖干擾及圖像掃描雜訊非常有效，也常用於保護邊緣信息, 保存邊緣的特性使它在不希望出現邊緣模糊的場合也很有用，是非常經典的平滑雜訊處理方法。
與均值濾波比較：
說明：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）所帶來的圖像細節模糊，而且對濾除脈沖干擾即圖像掃描雜訊最為有效。在實際運算過程中並不需要圖像的統計特性，也給計算帶來不少方便。 但是對一些細節多，特別是線、尖頂等細節多的圖像不宜採用中值濾波。
雙邊濾波（Bilateral filter）是一種非線性的濾波方法，是結合 圖像的空間鄰近度和像素值相似度 的一種折衷處理，同時考慮空域信息和灰度相似性，達到保邊去噪的目的。具有簡單、非迭代、局部的特點。
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，都會較明顯地模糊邊緣，對於高頻細節的保護效果並不明顯。雙邊濾波器顧名思義比高斯濾波多了一個高斯方差 sigma－d ，它是基於空間分布的高斯濾波函數，所以在邊緣附近，離的較遠的像素不會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。 但是由於保存了過多的高頻信息，對於彩色圖像里的高頻雜訊，雙邊濾波器不能夠干凈的濾掉，只能夠對於低頻信息進行較好的濾波。
運行結果
學習目標:
形態變換是基於圖像形狀的一些簡單操作。它通常在二進制圖像上執行。
膨脹與腐蝕實現的功能
侵蝕的基本思想就像土壤侵蝕一樣，它會侵蝕前景物體的邊界（總是試圖保持前景為白色）。那它是做什麼的？內核在圖像中滑動（如在2D卷積中）。只有當內核下的所有像素都是 1 時，原始圖像中的像素（ 1 或 0 ）才會被視為 1 ，否則它將被侵蝕（變為零）
erode(src, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]]) -> dst
與腐蝕的操作相反。如果內核下的至少一個像素為「1」，則像素元素為「1」。因此它增加了圖像中的白色區域或前景對象的大小增加。通常，在去除噪音的情況下，侵蝕之後是擴張。因為，侵蝕會消除白雜訊，但它也會縮小我們的物體。所以我們擴大它。由於噪音消失了，它們不會再回來，但我們的物體區域會增加。它也可用於連接對象的破碎部分
Ⅳ openmv中顏色識別和測距怎麼同時實現
openmv中顏色識別和測距同時實現要通過OpenCV將物體通過閾值分割的方式提取出來後，畫出檔笑物體矩形輪廓，測距時為避免外圍物體和其他部分有交疊導致距離不準確的問題，只提取出物體中心的1/2區域進行50個隨機采樣點測距，並用中值濾波的方式穩定預測結果。OpenMV是一個開源，低成本，功能強大的機器視覺模塊。以STM32F767CPU為核心，集成了OV7725攝像頭晶元，在小巧的硬體模塊上，用C語言高效地實現了核心機器視覺演算法，提供Python編程介面。使用者們（包括發明家、愛好者以及智能閉念設備開發商）可以用python語言使用OpenMV提供的機器視覺功能，為自己的產品和發明增加有特色的競爭力。openmv中顏色識別和測距同時實現要通過OpenCV將物體通過閾值分割的方式提取出來後，畫出物體矩形輪廓，測距時為避免外圍物體和其他部分有交疊導致距離不準確的問題，只轎蠢困提取出物體中心的1/2區域進行50個隨機采樣點測距，並用中值濾波的方式穩定預測結果。
Ⅳ 【轉載】Python實現信號濾波（基於scipy）
利用Python scipy.signal.filtfilt() 實現信號濾波
https://blog.csdn.net/weixin_37996604/article/details/82864680
https://www.cnblogs.com/xiaosongshine/p/10831931.html
https://stackoverflow.com/questions/35565540/designing-an-fir-notch-filter-with-python
Required input defintions are as follows;
time: Time between samples
band: The bandwidth around the centerline freqency that you wish to filter
freq: The centerline frequency to be filtered
ripple: The maximum passband ripple that is allowed in db
order: The filter order. For FIR notch filters this is best set to 2 or 3, IIR filters are best suited for high values of order. This algorithm is hard coded to FIR filters
filter_type: 'butter', '陸攜稿bessel', '隱仔cheby1', 'cheby2', 'ellip'
data: the data to be filtered
用python設計FIR陷波濾波器早孝
https://docs.scipy.org/doc/scipy/reference/generated/scipy.signal.iirnotch.html
https://www.cnpython.com/qa/85882
https://vimsky.com/examples/usage/python-scipy.signal.iirnotch.html
https://github.com/scipy/scipy/blob/master/scipy/signal/filter_design.py
https://blog.csdn.net/qq_41978536/article/details/90736793
Ⅵ python 中一維數據中值濾波函數，在matlab中有 medfilt1函數，Python中有嗎，只找到了圖像2維的，
有的，在numpy包中
importnumpy漏陵as嫌褲np
dat=[1,3,5,6,7,2,4]
med=返者戚np.median(dat)#med=4.0
Ⅶ 均值濾波
一. 均值濾波簡介和原理
晌扒 均值濾波，是圖像處理中常用的手段，從頻率域觀點來看均值濾波是一種低通濾波器，高頻信號將會去掉。均值濾波可以幫助消除圖像尖銳雜訊，實現圖像平滑，模糊等功能。理想的均值濾波是用每個像素和它周圍像素計算出來歲蠢的平均值替換圖像中每個像素。
以3*3均值濾波器為例，均值濾波器演算法宴雀昌原理如下圖：
二. 用均值濾波器對椒鹽雜訊污染後的圖像去噪
python 源碼：
import cv2
import numpy as np
# mean filter
def mean_filter(img, K_size=3):
H, W, C = img.shape
# zero padding
pad = K_size // 2
out = np.zeros((H + pad * 2, W + pad * 2, C), dtype=np.float)
out[pad: pad + H, pad: pad + W] = img.().astype(np.float)
tmp = out.()
# filtering
for y in range(H):
for x in range(W):
for c in range(C):
out[pad + y, pad + x, c] = np.mean(tmp[y: y + K_size, x: x + K_size, c])
out = out[pad: pad + H, pad: pad + W].astype(np.uint8)
return out
# Read image
img = cv2.imread("../paojie_sp1.jpg")
# Mean Filter
out = mean_filter(img, K_size=5)
# Save result
cv2.imwrite("out.jpg", out)
cv2.imshow("result", out)
cv2.waitKey(0)
cv2.destroyAllWindows()
三. 實驗結果：
可以看到，均值濾波後，圖像中雜訊雖然有所減弱，但是圖像變模糊了。因為均值濾波器過濾掉了圖像中的高頻分量，所以圖像的邊緣都變模糊了。（去除一定量椒鹽雜訊，可以考慮使用中值濾波）
四. 參考內容：
https://www.cnblogs.com/wojianxin/p/12501891.html
Ⅷ 中值濾波
一. 中值濾波：
中值濾波器是一種可以使圖像平滑的濾波器。它使用濾波器范圍內的像素的中值去代表該范圍內所仔念中有的像素。中值濾波是消除圖像雜訊最常見的手念山段之一，特別是消除椒鹽雜訊，中值濾波的效果要比均值濾波更好。
二. python實現中值濾波和均值濾波，並用兩種濾波器對受到椒鹽雜訊污染的圖像進高帆行去噪
import cv2
import numpy as np
# Median filter
def median_filter(img, K_size=3):
H, W, C = img.shape
## Zero padding
pad = K_size // 2
out = np.zeros((H + pad*2, W + pad*2, C), dtype=np.float)
out[pad:pad+H, pad:pad+W] = img.().astype(np.float)
tmp = out.()
# filtering
for y in range(H):
for x in range(W):
for c in range(C):
out[pad+y, pad+x, c] = np.median(tmp[y:y+K_size, x:x+K_size, c])
out = out[pad:pad+H, pad:pad+W].astype(np.uint8)
return out
# Average filter
def average_filter(img, G=3):
out = img.()
H, W, C = img.shape
Nh = int(H / G)
Nw = int(W / G)
for y in range(Nh):
for x in range(Nw):
for c in range(C):
out[G*y:G*(y+1), G*x:G*(x+1), c] = np.mean(out[G*y:G*(y+1), G*x:G*(x+1), c]).astype(np.int)
return out
# Read image
img = cv2.imread("../paojie_sp.jpg")
# Median Filter and Average Filter
out1 = median_filter(img, K_size=3)
out2 = average_filter(img,G=3)
# Save result
cv2.imwrite("out1.jpg", out1)
cv2.imwrite("out2.jpg", out2)
cv2.waitKey(0)
cv2.destroyAllWindows()
三. 實驗結果
可以明顯看出，對於受到椒鹽雜訊污染的圖像，中值濾波往往比均值濾波的去噪效果要好！
四. 參考內容：
https://www.cnblogs.com/wojianxin/p/12500348.html
Ⅸ OpenCV-Python系列六：圖像濾波
圖像濾波是一種十分常見的圖像處理手段。通常，你可以認為相鄰位置像素是緊密聯系的，它們共同來顯示對某個物體，圖像濾波則通過運算來排除圖像中和周圍相差大的像素。當然，這並不是絕對的， 有時候你為了評估圖像的質量，也會將這些「特立獨行」的像素作為選取的目標 。無論你採用什麼方法，記住你要的目標就行，有時候你的目標可能是別人的背景。
濾波常常會使得圖像變得模糊(非絕對)，那麼，為什麼你需要將一幅清晰的圖像變得模糊呢？下面的例子應該可以解釋。
高斯濾波採用滿足正態分布的核模板，其參數的主要參數是標准差σ，代表核的離散程度，σ值越小，模板中心系數與邊緣系數差越大，平滑的程度越小。
高斯濾波對圖像採集過程中由於不良照明/高溫引起的感測器雜訊信號有較好的效果，消除了圖像中的高頻信號。
由於得到的是一維的Gaussian Kernel，你可以採用下面的方式轉為二維的
為了便於直觀感受高斯濾波的效果，使用Canny運算元來提取輪廓對比，你可以試試在特徵提取前加高斯濾波對比。
補充說明：對於均值濾波，你也可以使用cv2.boxFilter(src, ddepth, ksize[, dst[, anchor[, normalize[, borderType]]]])來實現，需要將normalize設置為True,當設置normalize為False時，實現的是將kernel內像素相加，官方文檔做出的描述為：
中值濾波對圖像中的脈沖型(椒鹽等)雜訊信號處理效果好，當 你的應用場景存在這種顆粒感的雜訊信號時，中值濾波會是一種很好的選擇 。它，選取kernel區域內像素點集的中值最為錨點的像素值，對類似投票機制中的最高分(高灰階點)和最低分(過低灰階點)影響有很好的抑製作用。
如果你的應用涉及到圖像美化，雙邊濾波可以初步達到你的期望，關於雙邊濾波，這里不做展開，由你來探索，其函數參數信息如下。
對於opencv-python的圖像濾波部分有問題歡迎留言， Have Fun With OpenCV-Python, 下期見。
Ⅹ 濾波方法及python實現
對濾波的 總結 ： 對特定頻率進行有效提取，並對提取部分進行特定的處理（增益，衰減，濾除）的動作被叫做濾波。
最常用的濾波器類型有三種： 通過式（Pass），擱架式（Shelving）和參量式（Parametric）。 濾波器都有一個叫 參考頻率（Reference Frequency）的東西 ，在不同類型的濾波器中，具體的叫法會有所不同。
通過式濾波器可以讓參考頻率一餘卜側的頻率成分完全通過該濾波器，同時對另一側的頻率成分做線性的衰減，就是，一邊讓通過，一邊逐漸被濾除。在信號學中，通過的區域被稱為通帶，濾除的區域被叫做阻帶，在通過式濾波器中，參考頻率通常被稱為截止頻率。
高通濾波器（high-pass filters）：讓截止頻率後的高頻區域通過，另一側濾除，低通濾波器（low-pass filters）：讓截止頻率前的低頻區域通過，另一側濾除，通
以下是高通濾波器與低通濾波器的核心參數：
截止頻率（Cut-off frequency） ：決定了通帶（通過的頻率部分）與阻帶（阻止的頻率部分）的分界曲線，截止頻率的位置並非是在曲線開始彎曲的那個點，而是在-3dB的位置。以圖2左側的高通濾波器為例，截止頻率點之上的部分頻率並沒有全部被通過，而是有個曲線，在曲線回歸平直後其頻率才被完全通過。至於為什麼要將-3dB的位置設為截止頻率，是因為-3dB對氏慧於濾波器的設計而言是個非常重要的位置，如果設為其他位置，則會讓通過式濾波器的設計變得尤為復雜。
斜率（Slope） ：表示的是通帶與阻帶的分界曲線的傾斜程度，也就是說斜率決定了分界曲線是偏向平緩的，還是偏向垂直的，斜率越大（更陡峭），人工處理的痕跡就越明顯。斜率的單位為dB/oct，中文稱為分貝每倍頻程。雖然繞口，但其實很簡單，如6dB/oct，意思為一個倍頻程的距離會產生6dB的衰減，數字濾波器常見的斜率選擇有6dB/oct，12dB/oct，18dB/oct，24dB/oct，30dB/oct等等（圖3）。
scipy.signal.filtfilt(b, a, x, axis=-1, padtype='odd', padlen=None, method='pad', irlen=None)
scipy.signal.butter(N, Wn, btype='low', analog=False, output='ba')
這里假設采樣頻率為1000hz,信號本身最大的頻率為500hz，殲毀答要濾除10hz以下和400hz以上頻率成分，即截至頻率為10hz和400hz,則wn1=2*10/1000=0.02,wn2=2*400/1000=0.8。Wn=[0.02,0.8]