-
Notifications
You must be signed in to change notification settings - Fork 3
/
Copy pathcv1.py
171 lines (140 loc) · 6.54 KB
/
cv1.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
# -*- coding:utf-8 -*-
# coding=utf-8
import cv2
import numpy as np
from matplotlib import pyplot as plt
def handle(imgname, grayname):
img = cv2.imread(imgname) # 载入图像
h, w = img.shape[:2] # 获取图像的高和宽
# cv2.imshow("Origin", img) # 显示原始图像
blured = cv2.blur(img, (5, 5)) # 进行滤波去掉噪声
# cv2.imshow("Blur", blured) # 显示低通滤波后的图像
mask = np.zeros((h + 2, w + 2), np.uint8) # 掩码长和宽都比输入图像多两个像素点，满水填充不会超出掩码的非零边缘
# 进行泛洪填充
cv2.floodFill(blured, mask, (w - 1, h - 1), (255, 255, 255), (2, 2, 2), (3, 3, 3), 8)
# cv2.imshow("floodfill", blured)
# 得到灰度图
gray = cv2.cvtColor(blured, cv2.COLOR_BGR2GRAY)
# cv2.imshow("gray", gray)
# 定义结构元素
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (50, 50))
# 开闭运算，先开运算去除背景噪声，再继续闭运算填充目标内的孔洞
opened = cv2.morphologyEx(gray, cv2.MORPH_OPEN, kernel)
closed = cv2.morphologyEx(opened, cv2.MORPH_CLOSE, kernel)
# cv2.imshow("closed", closed)
# 求二值图
ret, binary = cv2.threshold(closed, 250, 255, cv2.THRESH_BINARY)
# cv2.imshow("binary", binary)
# 找到轮廓
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# 绘制轮廓
cv2.drawContours(img, contours, -1, (0, 0, 255), 3)
# 绘制结果
# cv2.imshow("result", img)
cv2.imwrite(grayname, img)
cv2.waitKey(0)
cv2.destroyAllWindows()
def bilateral():
img = cv2.imread('all_type/dx/temp_denoise_demo.png')
'''
函数 cv2.bilateralFilter() 能在保持边界清晰的情况下有效的去除噪音。
但是这种操作与其他滤波器相比会比较慢。我们已经知道高斯滤波器是求
中心点邻近区域像素的高斯加权平均值。这种高斯滤波器只考虑像素之间的空
间关系，而不会考虑像素值之间的关系（像素的相似度）。所以这种方法不会考
虑一个像素是否位于边界。因此边界也会别模糊掉，而这正不是我们想要。
双边滤波在同时使用空间高斯权重和灰度值相似性高斯权重。空间高斯函
数确保只有邻近区域的像素对中心点有影响，灰度值相似性高斯函数确保只有
与中心像素灰度值相近的才会被用来做模糊运算。所以这种方法会确保边界不
会被模糊掉，因为边界处的灰度值变化比较大。
'''
blur = cv2.bilateralFilter(img, 9, 75, 75)
plt.subplot(121), plt.imshow(img), plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(blur), plt.title('Blurred')
plt.xticks([]), plt.yticks([])
plt.show()
def median():
img = cv2.imread('all_type/dx/temp_denoise_demo.png')
'''
用与卷积框对应像素的中值来替代中心像素的值。
这个滤波器经常用来去除椒盐噪声。
前面的滤波器都是用计算得到的一个新值来取代中心像素的值，
而中值滤波是用中心像素周围（也可以使他本身）的值来取代他。
他能有效的去除噪声。卷积核的大小也应该是一个奇数。
'''
median = cv2.medianBlur(img, 5)
plt.subplot(121), plt.imshow(img), plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(median), plt.title('Blurred')
plt.xticks([]), plt.yticks([])
plt.show()
def gaussian():
img = cv2.imread('all_type/dx/temp_denoise_demo.png')
# 0 是指根据窗口大小（5,5）来计算高斯函数标准差
blur = cv2.GaussianBlur(img, (5, 5), 0)
plt.subplot(121), plt.imshow(img), plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(blur), plt.title('Blurred')
plt.xticks([]), plt.yticks([])
plt.show()
def mean_blur(imname='all_type/dx/temp_denoise_demo.png'):
img = cv2.imread(imname)
# 用卷积框覆盖区域所有像素的平均值来代替中心元素。
blur = cv2.blur(img, (3, 3))
cv2.imwrite(imname, blur)
# plt.subplot(121), plt.imshow(img), plt.title('Original')
# plt.xticks([]), plt.yticks([])
# plt.subplot(122), plt.imshow(blur), plt.title('Blurred')
# plt.xticks([]), plt.yticks([])
# plt.show()
return imname
def conv2d():
img = cv2.imread('all_type/dx/temp_denoise_demo.png')
# 低通滤波
# 将核放在图像的一个像素 A 上，求与核对应的图像上 25（5x5）个像素的和，
# 再取平均数，用这个平均数替代像素 A 的值。
kernel = np.ones((5, 5), np.float32) / 25
# cv.Filter2D(src, dst, kernel, anchor=(-1, -1))
# ddepth – desired(期望) depth of the destination image;
# if it is negative(负的,消极的), it will be the same as src.depth();
# the following combinations of src.depth() and ddepth are supported:
# src.depth() = CV_8U, ddepth = -1/CV_16S/CV_32F/CV_64F
# src.depth() = CV_16U/CV_16S, ddepth = -1/CV_32F/CV_64F
# src.depth() = CV_32F, ddepth = -1/CV_32F/CV_64F
# src.depth() = CV_64F, ddepth = -1/CV_64F
# when ddepth=-1, the output image will have the same depth as the source.
dst = cv2.filter2D(img, -1, kernel)
plt.subplot(121), plt.imshow(img), plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(dst), plt.title('Averaging')
plt.xticks([]), plt.yticks([])
plt.show()
# 以上参考 https://lhchen74.github.io/2019/02/26/opencv-filter/
# 以下参考 https://www.jianshu.com/p/4ae5e8cef9ae
def median_blur():
img = cv2.imread('all_type/dx/temp_denoise_demo.png')
# 用 np.hstack，将多个 均值平滑处理后的图像水平合并起来
blured = np.hstack([
# img, kernel, std
cv2.medianBlur(img, 1),
cv2.medianBlur(img, 3),
cv2.medianBlur(img, 5)
])
plt.figure(figsize=(10, 8))
plt.imshow(blured[:, :, ::-1])
plt.show()
def bilateral_blur():
img = cv2.imread('all_type/dx/temp_denoise_demo.png')
# 用 np.hstack，将多个均值平滑处理后的图像水平合并起来
blured = np.hstack([
# img,
# 9 邻域直径，两个 10 分别是空间高斯函数标准差，灰度值相似性高斯函数标准差
cv2.bilateralFilter(img, 9, 5, 5),
cv2.bilateralFilter(img, 9, 100, 100),
cv2.bilateralFilter(img, 9, 30, 30)
])
plt.figure(figsize=(20, 10))
plt.imshow(blured[:, :, ::-1])
plt.show()
if __name__ == '__main__':
median_blur()