计算机视觉应用--使用SciPy处理图像.pptx

使用SciPy处理图像1.5

1.5.1图像模糊1.5使用SciPy处理图像图像模糊可通过将(灰度)图像和一个高斯核进行卷积操作来实现,SciPy有用来进行滤波操作的gaussian_filter模块。该模块使用快速一维分离的方式来计算卷积。具体代码如下:

1.5使用SciPy处理图像程序运行结果如图1-38所示。图1-38对图像进行高斯模糊

1.5使用SciPy处理图像gaussian_filter()函数的最后一个参数表示标准差σ。随着σ的增加,一幅图像被模糊的程度越大处理后的图像细节丢失越多。σ=2和σ=10的模糊效果如图1-39(a)和图1-39(b)所示。图1-39不同σ值的模糊效果(a)σ=2的模糊效果;(b)σ=10的模糊效果

1.5使用SciPy处理图像若打算模糊一幅彩色图像,则简单地对每一个颜色通道进行高斯模糊即可,具体代码如下:

1.5使用SciPy处理图像程序运行结果如图1-40所示。图1-40对彩色图像进行高斯模糊

1.5.2图像导数1.5使用SciPy处理图像图像强度的变化情况是非常重要的信息。强度的变化可以用灰度图像(对于彩色图像,通常对每个颜色通道分别计算导数)的x和y方向导数进行描述。梯度有两个重要的属性,一个是梯度的大小,它描述了图像强度变化的强弱;另一个是梯度的角度,它描述了图像中在每个点(像素)上强度变化最大的方向。

1.5使用SciPy处理图像导数滤波器可以使用scipy.ndimage中的sobel模块的标准卷积操作来简单地实现,具体代码如下:

1.5使用SciPy处理图像上述代码使用Sobel导数滤波器来计算r和y的方向导数及梯度大小。sobel()函数的第二个参数表示选择x或y方向导数,第三个参数保存输出的变量。将上述代码plt.imshow(imx,cmap=plt.get_cmap(gray))中的第一个参数分别修改为imx、imy、magnitude,运行程序可得到x方向导数图像、y方向导数图像及梯度大小图像,如图1-41(a)至图1-41(c)所示。

1.5使用SciPy处理图像图1-41Sobel滤波器计算导数(a)x方向导数图像;(b)y方向导数图像;(c)梯度大小图像

1.5使用SciPy处理图像上述计算图像导数的方法有一些缺陷,在该方法中滤波器的尺度需要随着图像分辨率的变化而变化。为了在图像噪声方面保持稳定及在任意尺度上计算导数,可以使用高斯导数滤波器,具体代码如下:

1.5使用SciPy处理图像

1.5使用SciPy处理图像上述代码使用Gaussian导数滤波器来计算x和y的方向导数。gaussian_filter的第二个参数为使用的标准差,第三个参数指定计算哪种类型的导数。将上述代码plt,imshow(imx,cmap=plt.get.cmap(gray))中的第一个参数分别修改为imx、imy。程序运行结果如图1-42(a)和图1-42(b)所示。图1-42Gaussian导数滤波器计算导数(a)σ=5的x导数图像;(b)σ=5的y导数图像

1.5使用SciPy处理图像σ=2和σ=10的x、y方向导数图像如图1-43(a)至图1-43(d)所示。图1-43不同σ值的x、y方向导数图像(a)σ=2的x方向导数图像;(b)σ=2的y方向导数图像;(c)σ=10的x方向导数图像;(d)σ=10的y方向导数图像

使用scikit-image处理图像1.6

1.6.1图像的旋流变换1.6使用scikit-image处理图像scikit-image是一个开源的Python图像处理库,它为图像处理任务提供了广泛的算法和工具。该库建立在NumPy数组之上,可以轻松地与其他科学计算库集成。scikit-image提供了许多图像处理功能,包括旋流变换(swirltransform)和添噪等。旋流变换是scikit-image文档中定义的非线性变换。如下代码展示了如何使用swirl()函数来实现变换,其中,strength是函数的旋流量参数,radius以像素表示旋流程度,rotation用来添加旋转角度。小知识scikit-image是一个基于NumPy的图像处理库，提供了许多常用的图像处理算法和工具。

1.6使用scikit-image处理图像

1.6使用scikit-image处理图像程序运行结果如图1-44所示。图1-44图像的旋流变换

1.6.2图像的添噪1.6使用scikit-image处理图像使用random_noise()函数向图像添加不同类型的噪声。如下代码展示了如何将具有不同方差的高斯噪声添加到图像中。

1.6使用scikit-image处