大橙子网站建设,新征程启航

为企业提供网站建设、域名注册、服务器等服务

python去噪函数,python 降噪

3种python3的canny边缘检测之静态,可调节和自适应

先看高级版的python3的canny的自适应边缘检测:

成都创新互联坚持“要么做到,要么别承诺”的工作理念,服务领域包括:成都网站设计、网站建设、企业官网、英文网站、手机端网站、网站推广等服务,满足客户于互联网时代的凤庆网站设计、移动媒体设计的需求,帮助企业找到有效的互联网解决方案。努力成为您成熟可靠的网络建设合作伙伴!

内容:

1 canny的边缘检测的介绍。

2 三种方法的canny的边缘检测,由浅入深地介绍:固定值的静态,可自调节的,自适应的。

说明:

1 环境:python3.8、opencv4.5.3和matplotlib3.4.3。

2 图片:来自品阅网正版免费图库。

3 实现自适应阈值的canny边缘检测的参考代码和文章:

上述的代码,本机均有报错,故对代码进行修改,注释和运行。

初级canny:

1 介绍:opencv中给出了canny边缘检测的接口,直接调用:

即可得到边缘检测的结果ret,其中,t1,t2是需要人为设置的阈值。

2 python的opencv的一行代码即可实现边缘检测。

3 Canny函数及使用:

4 Canny边缘检测流程:

去噪 -- 梯度 -- 非极大值抑制 -- 滞后阈值

5 代码:

6 操作和过程:

7 原图:

8 疑问:

ret = cv2.canny(img,t1,t2),其中,t1,t2是需要人为设置的阈值,一般人怎么知道具体数值是多少,才是最佳的呀?所以,这是它的缺点。

中级canny:

1 中级canny,就是可调节的阈值,找到最佳的canny边缘检测效果。

2 采用cv2.createTrackbar来调节阈值。

3 代码:

4 操作和效果:

5 原图:

高级canny:

1 自适应canny的算法:

ret = cv2.canny(img,t1,t2)

即算法在运行过程中能够自适应地找到较佳的分割阈值t1,t2。

2 文件结构:

3 main.py代码:

4 dog.py代码:

5 bilateralfilt.py代码:

6 原图:

7 效果图:本文第一个gif图,此处省略。

小结:

1 本文由浅入深,总结的很好,适合收藏。

2 对于理解python的opencv的canny的边缘检测,很有帮助。

3 本文高级版canny自适应的算法参考2篇文章,虽然我进行代码的删除,注释,修改,优化等操作,故我不标注原创,对原作者表达敬意。

4 自己总结和整理,分享出来,希望对大家有帮助。

用opencv去噪

使用opencv-python的内置函数,对图片进行降噪处理。

8Fourier变换的应用——图像去噪

给出的图片是RGB图片,也就是需要有三个通道。

下面的函数用来去噪。

img=np.uint8(cv2.fastNlMeansDenoisingColored(img,None,10,10,7,21))

对这个图片进行局部自适应二值化处理:

img=hui(img)

th1 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,31,5)

另一种局部自适应二值化处理:

th2 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,31,5)

在第一步连续执行两次去噪,得到的三幅图片是:

执行三次降噪。

连续10次降噪。

怎样用python实现图像去噪

#coding:utf-8

import sys,os

from PIL import Image,ImageDraw

#二值数组

t2val = {}

def twoValue(image,G):

for y in xrange(0,image.size[1]):

for x in xrange(0,image.size[0]):

g = image.getpixel((x,y))

if g  G:

t2val[(x,y)] = 1

else:

t2val[(x,y)] = 0

# 降噪 

# 根据一个点A的RGB值,与周围的8个点的RBG值比较,设定一个值N(0 N 8),当A的RGB值与周围8个点的RGB相等数小于N时,此点为噪点 

# G: Integer 图像二值化阀值 

# N: Integer 降噪率 0 N 8 

# Z: Integer 降噪次数 

# 输出 

#  0:降噪成功 

#  1:降噪失败 

def clearNoise(image,N,Z):

for i in xrange(0,Z):

t2val[(0,0)] = 1

t2val[(image.size[0] - 1,image.size[1] - 1)] = 1

for x in xrange(1,image.size[0] - 1):

for y in xrange(1,image.size[1] - 1):

nearDots = 0

L = t2val[(x,y)]

if L == t2val[(x - 1,y - 1)]:

nearDots += 1

if L == t2val[(x - 1,y)]:

nearDots += 1

if L == t2val[(x- 1,y + 1)]:

nearDots += 1

if L == t2val[(x,y - 1)]:

nearDots += 1

if L == t2val[(x,y + 1)]:

nearDots += 1

if L == t2val[(x + 1,y - 1)]:

nearDots += 1

if L == t2val[(x + 1,y)]:

nearDots += 1

if L == t2val[(x + 1,y + 1)]:

nearDots += 1

if nearDots  N:

t2val[(x,y)] = 1

def saveImage(filename,size):

image = Image.new("1",size)

draw = ImageDraw.Draw(image)

for x in xrange(0,size[0]):

for y in xrange(0,size[1]):

draw.point((x,y),t2val[(x,y)])

image.save(filename)

image = Image.open("d:/1.jpg").convert("L")

twoValue(image,100)

clearNoise(image,4,1)

saveImage("d:/5.jpg",image.size)


网站名称:python去噪函数,python 降噪
文章分享:http://dzwzjz.com/article/dsgjdig.html
在线咨询
服务热线
服务热线:028-86922220
TOP