利用OpenCV进行空间滤波图像处理

引言

欢迎回到图像处理系列！在前面的章节中，我们已经探索了图像处理的基础知识，并展示了图像增强的魅力。在本节中，我们将深入研究空间滤波技术，这是图像处理中的重要工具之一。

基本概念

在图像处理中，空间滤波器是一种基本工具，它具有修改像素值的能力，根据周围像素的值进行操作，从而实现各种图像处理任务，如降噪、边缘检测和图像平滑。

首先，让我们导入必要的库：

<code>import numpy as np import matplotlib.pyplot as plt from fractions import Fraction from skimage.io import imread from scipy.signal import convolve2d from skimage.color import rgb2gray</code>

空间过滤器模板

我们定义了几种常见的空间滤波器模板，包括水平和垂直Sobel滤波器、边缘检测、锐化和盒子模糊。这些模板将应用于图像以产生不同的效果。

<code>def get_filters(): # 定义滤波器模板 kernels = { '水平Sobel滤波器': np.array([[1, 2, 1], [0, 0, 0], [-1, -2, -1]]), '垂直Sobel滤波器': np.array([[1, 0, -1], [2, 0, -2], [1, 0, -1]]), '边缘检测': np.array([[-1, -1, -1], [-1, 8, -1], [-1, -1, -1]]), '锐化': np.array([[0, -1, 0], [-1, 5, -1], [0, -1, 0]]), '盒子模糊': (1 / 9.0) * np.array([[1., 1., 1.], [1., 1., 1.], [1., 1., 1.]]) } return kernels</code>

展示效果

我们将展示这些滤波器模板的可视化效果，并将它们应用于真实的图像。

<code>def display_filters(image_path): # 读取图像 image = imread(image_path)[:,:,:3] kernels = get_filters() # 创建子图展示滤波器模板 fig, ax = plt.subplots(2, 3, figsize=(20, 15)) ax[0, 0].imshow(rgb2gray(image), cmap='gray') ax[0, 0].set_title('原始图像', fontsize=20) ax[0, 0].set_xticks([]) ax[0, 0].set_yticks([]) for i, (name, kernel) in enumerate(kernels.items(), 1): row = i // 3 col = i % 3 ax[row, col].imshow(kernel, cmap='gray') ax[row, col].set_title(name, fontsize=30) for (j, k), val in np.ndenumerate(kernel): if val < 1: ax[row, col].text(k, j, str(Fraction(val).limit_denominator()), ha='center', va='center', color='red', fontsize=30) else: ax[row, col].text(k, j, str(val), ha='center', va='center', color='red', fontsize=30) plt.tight_layout() plt.show() # 展示滤波器模板 display_filters('dorm_lobby.png')</code>

应用滤波器

接下来，我们将选定的滤波器应用于图像，以查看它们的效果。

<code>def apply_selected_kernels(image_path, selected_kernels, plot_cols=3): all_kernels = get_filters() for k in selected_kernels: if k not in all_kernels: raise ValueError(f"未定义滤波器 '{k}'。") image = imread(image_path)[:,:,:3] conv_rgb_images = {} for kernel_name in selected_kernels: kernel = all_kernels[kernel_name] transformed_channels = [] for i in range(3): conv_image = convolve2d(image[:, :, i], kernel, 'valid') transformed_channels.append(abs(conv_image)) conv_rgb_image = np.dstack(transformed_channels) conv_rgb_image = np.clip(conv_rgb_image, 0, 255).astype(np.uint8) conv_rgb_images[kernel_name] = conv_rgb_image # 应用选定的滤波器并显示效果 apply_selected_kernels('dorm_lobby.png', ['Edge Detection', '水平Sobel滤波器', '垂直Sobel滤波器'], plot_cols=2)</code>

分析

我们分析了每个滤波器模板的特点和作用，如边缘检测、Sobel滤波器、锐化和盒子模糊，以及它们在图像处理中的应用场景。

总结

空间滤波技术为我们提供了丰富的图像处理工具，可以增强图像的细节并改善视觉效果。通过深入了解每种滤波器的原理和应用，我们能够更好地利用这些工具，探索图像处理的无限可能性。