计算机图像处理—高斯模糊

一、实验介绍

1. 实验内容

本实验将学习高斯模糊。

2. 实验要点

• 高斯模糊图像
• 使用高通滤波器测试性能

3. 实验环境

• Python 3.6.6
• numpy
• matplotlib
• cv2

二、实验步骤

1 导入资源并显示图像

import numpy as np
import matplotlib.pyplot as plt
import cv2

%matplotlib inline

# 读入图像
image = cv2.imread('images/birds.jpg')

# 制作图像副本
image_copy = np.copy(image)

# 将颜色更改为RGB（从BGR）
image_copy = cv2.cvtColor(image_copy, cv2.COLOR_BGR2RGB)

plt.imshow(image_copy)

<matplotlib.image.AxesImage at 0x7f71199c44a8>

2 高斯模糊图像

# 转换为灰度用于过滤
gray = cv2.cvtColor(image_copy, cv2.COLOR_RGB2GRAY)

# 创建高斯模糊图像
gray_blur = cv2.GaussianBlur(gray, (9, 9), 0)

f, (ax1, ax2) = plt.subplots(1, 2, figsize=(20,10))

ax1.set_title('original gray')
ax1.imshow(gray, cmap='gray')

ax2.set_title('blurred image')
ax2.imshow(gray_blur, cmap='gray')

<matplotlib.image.AxesImage at 0x7f7119956748>

3 使用高通滤波器测试性能

# 高通滤波器

# 3x3 Sobel滤波器用于边缘检测
sobel_x = np.array([[ -1, 0, 1], 
                   [ -2, 0, 2], 
                   [ -1, 0, 1]])


sobel_y = np.array([[ -1, -2, -1], 
                   [ 0, 0, 0], 
                   [ 1, 2, 1]])


# 使用filter2D过滤原始和模糊的灰度图像
filtered = cv2.filter2D(gray, -1, sobel_x)

filtered_blurred = cv2.filter2D(gray_blur, -1, sobel_y)
f, (ax1, ax2) = plt.subplots(1, 2, figsize=(20,10))

ax1.set_title('original gray')
ax1.imshow(filtered, cmap='gray')

ax2.set_title('blurred image')
ax2.imshow(filtered_blurred, cmap='gray')

<matplotlib.image.AxesImage at 0x7f7119897ef0>

# 创建一个阈值，将所有过滤的像素设置为白色
# 在一定的阈值之上

retval, binary_image = cv2.threshold(filtered_blurred, 50, 255, cv2.THRESH_BINARY)

plt.imshow(binary_image, cmap='gray')

<matplotlib.image.AxesImage at 0x7f71197af470>