一、实验目的与要求
- 加深对图像增强及边缘检测技术的感性认识，应用MATLAB工具箱自带的处理函数或自己编程完成相关的工作，分析处理结果，巩固所学理论知识。
- 熟练掌握空域滤波中常用的平滑和锐化滤波器，针对不同类型和强度的噪声，进行滤波处理，体会并正确评价滤波效果，了解不同滤波方式的使用场合，能够从理论上作出合理的解释。
二、实验内容
- 图像平滑（去噪）：编写超限像素平滑法，灰度最相近的K个邻点平均法（函数名称可以自定义），并对上面实验1选择的噪声图片进行处理，显示处理前后的各个图像，分析不同方法对不同噪声的处理效果及其优缺点。
- 图像锐化:编写梯度锐化算法函数my_grad(method，T)；参数method可以是梯度算子、Roberts算子、Prewitt和Sobel算子，T是梯度阈值，根据参数method和T选用不同的算子和阈值进行锐化处理，用二值图像表示处理结果，小于T的用黑色表示，大于等于T的用白色表示。显示处理前后的各个图像，分析不同方法对锐化效果及其优缺点。
三、实验图像
四、实验源程序
首先导入以下库：
import random
import numpy as np
import matplotlib.pyplot as plt
import cv2 as cv
import heapq
- 图像平滑（去噪）：编写超限像素平滑法，灰度最相近的K个邻点平均法（函数名称可以自定义），并对上面实验1选择的噪声图片进行处理，显示处理前后的各个图像，分析不同方法对不同噪声的处理效果及其优缺点。
A. 超限像素平滑法def neighborhood_smooth(img, k=4): """ 局部平滑法 k:默认为4邻域 """ h, w = img.shape[:2] smooth_img = np.zeros((h - 2, w - 2), dtype=np.uint8) for i in range(1, h - 1): for j in range(1, w - 1): smooth_img[i - 1, j - 1] = (int(img[i - 1, j]) + int(img[i + 1, j]) + int(img[i, j - 1]) + int(img[i, j + 1])) / k return smooth_img def Overite_pixel_smoothing_method(img, T=50): """ 超限像素平滑法 img:椒盐噪声/高斯噪声图片 T:默认50 """ # 首先调用局部平滑法进行处理 neighborhood_img = neighborhood_smooth(img, k=4) h, w = neighborhood_img.shape[:2] for i in range(h): for j in range(w): if np.abs(neighborhood_img[i, j] - img[i, j]) <= T: neighborhood_img[i, j] = img[i, j] return neighborhood_img # 读入图像 src = cv.imread("rice.png", 0) # 以灰度图像读入 img = src.copy() # 生成噪声图片 img_sp = sp_noise(img, prob=0.02) # 添加椒盐噪声，噪声比例为0.02 img_gauss = gasuss_noise(img, mean=0, var=0.01) # 添加高斯噪声，均值为0，方差为0.01 # 超限像素平滑法处理两种噪声图片 result_img_sp = Overite_pixel_smoothing_method(img_sp, T=60) result_img_gauss = Overite_pixel_smoothing_method(img_gauss, T=60) # 显示图像 plt.figure(figsize=(10, 8), dpi=100) plt.subplot(131) plt.imshow(src, cmap=plt.cm.gray) plt.title("原图") plt.subplot(232) plt.imshow(img_sp, cmap=plt.cm.gray) plt.title("椒盐噪声图片") plt.subplot(233) plt.imshow(result_img_sp, cmap=plt.cm.gray) plt.title("超限像素平滑法处理椒盐噪声") plt.subplot(235) plt.imshow(img_gauss, cmap=plt.cm.gray) plt.title("高斯噪声图片") plt.subplot(236) plt.imshow(result_img_gauss, cmap=plt.cm.gray) plt.title("超限像素平滑法处理高斯噪声") plt.show()
（注：本题中用到的添加噪声的函数 sp_noise 和 gasuss_noise 为：）
def sp_noise(image, prob): """ 添加椒盐噪声 prob:噪声比例 """ output = np.zeros(image.shape, np.uint8) thres = 1 - prob for i in range(image.shape[0]): for j in range(image.shape[1]): rdn = random.random() if rdn < prob: output[i][j] = 0 elif rdn > thres: output[i][j] = 255 else: output[i][j] = image[i][j] return output def gasuss_noise(image, mean=0, var=0.001): """ 添加高斯噪声 mean : 均值 var : 方差 """ image = np.array(image / 255, dtype=float) noise = np.random.normal(mean, var ** 0.5, image.shape) out = image + noise if out.min() < 0: low_clip = -1. else: low_clip = 0. out = np.clip(out, low_clip, 1.0) out = np.uint8(out * 255) return outB. 灰度最相近的K个邻点平均法
（仅写出了算法函数）def K_adjacent_point_average_method(img, s=3, k=5): """ 灰度最相近的k个邻点平均法 :param img: 传入的噪声图片 :param s: 默认为3*3的领域 :param k: 默认为5，包括中心像素 :return: 返回图片 """ h, w = img.shape[:2] smooth_img = np.zeros((h - 2, w - 2), dtype=np.uint8) dis = int((s - 1) / 2) temp = [] min_index = [] for i in range(1, h - 1): for j in range(1, w - 1): temp = img[i - dis:i + dis + 1, j - dis:j + dis + 1].ravel() # 将3*3的切片转换为1维数组 temp2 = [np.abs(k - int(img[i, j])) for k in temp] # 将列表中每个元素减去中心元素并取绝对值 min_num = heapq.nsmallest(k, temp2) # 找出结果列表中最小的k个数 sum = 0 for t in min_num: index = temp2.index(t) # 根据min_num寻找原列表的索引 sum += temp[index] temp2[index] = -1 smooth_img[i - 1, j - 1] = np.round(sum / k) # 给新图像赋值 return smooth_img
-
图像锐化:编写梯度锐化算法函数my_grad(method，T)；参数method可以是梯度算子、Roberts算子、Prewitt和Sobel算子，T是梯度阈值，根据参数method和T选用不同的算子和阈值进行锐化处理，用二值图像表示处理结果，小于T的用黑色表示，大于等于T的用白色表示。显示处理前后的各个图像，分析不同方法对锐化效果及其优缺点。
class Arth(): Grad = 0 Roberts = 1 Prewitt = 2 Sobel = 3 def my_grad(img, method, T=50): """ 梯度锐化算法 :param img:输入的灰度图像 :param method:不同的算子 :param T:梯度阈值，默认=50 """ h, w = img.shape[:2] new_img = np.zeros((h, w), dtype=np.uint8) for i in range(h - 1): for j in range(w - 1): # 梯度算子 if method == Arth.Grad: grad = abs(int(img[i, j + 1]) - int(img[i, j])) + abs(int(img[i + 1, j]) - int(img[i, j])) new_img[i, j] = 255 if grad >= T else 0 # Roberts算子 if method == Arth.Roberts: grad = abs(int(img[i + 1, j + 1]) - int(img[i, j])) + abs(int(img[i + 1, j]) - int(img[i, j + 1])) new_img[i, j] = 255 if grad >= T else 0 for i in range(h - 2): for j in range(w - 2): # Prewitt算子 if method == Arth.Prewitt: f_y = sum(img[i:i + 3, j:j + 3][2]) - sum(img[i:i + 3, j:j + 3][0]) f_x = sum(img[i:i + 3, j:j + 3][:, 2]) - sum(img[i:i + 3, j:j + 3][:, 0]) grad = abs(f_y) + abs(f_x) new_img[i, j] = 255 if grad >= T else 0 # Sobel算子 if method == Arth.Sobel: f_y = sum(img[i:i + 3, j:j + 3][2]) - sum(img[i:i + 3, j:j + 3][0]) \ + img[i + 2, j + 1] - img[i, j + 1] f_x = sum(img[i:i + 3, j:j + 3][:, 2]) - sum(img[i:i + 3, j:j + 3][:, 0]) \ + img[i + 1, j + 2] - img[i + 1, j] grad = abs(f_y) + abs(f_x) new_img[i, j] = 255 if grad >= T else 0 return new_img # 读入图像 src = cv.imread("rice.png", 0) # 以灰度图像读入 img = src.copy() Grad_img = my_grad(img, Arth.Grad, 50) Roberts_img = my_grad(img, Arth.Roberts, 50) Prewitt_img = my_grad(img, Arth.Prewitt, 70) Sobel_img = my_grad(img, Arth.Sobel, 70) # 显示图像 plt.figure(figsize=(10, 8), dpi=200) plt.subplot(131) plt.imshow(src, cmap=plt.cm.gray) plt.title("原图") plt.subplot(232) plt.imshow(Grad_img, cmap=plt.cm.gray) plt.title("梯度算子") plt.subplot(233) plt.imshow(Roberts_img, cmap=plt.cm.gray) plt.title("Roberts算子") plt.subplot(235) plt.imshow(Prewitt_img, cmap=plt.cm.gray) plt.title("Prewitt算子") plt.subplot(236) plt.imshow(Sobel_img, cmap=plt.cm.gray) plt.title("Sobel算子") plt.show()
另一组图像（T=20,20,60,60）：
扫描二维码关注公众号，回复： 14222360 查看本文章
