热门标签
当前位置: article > 正文
python图像处理——频率域增强_pil图像频域增强
作者：Monodyee | 2024-02-12 18:24:04
赞
踩
pil图像频域增强
图像的傅里叶变换：
import chardet import numpy as np import cv2 as cv import cv2 from PIL import Image import sys from matplotlib import pyplot as plt img = cv2.imread('D:/1/4.jpg',0) f = np.fft.fft2(img) fshift = np.fft.fftshift(f) magnitude_spectrum = 20*np.log(np.abs(fshift)) rows, cols = img.shape crow,ccol = int(rows/2) , int(cols/2) fshift[crow-30:crow+30, ccol-30:ccol+30] = 0 f_ishift = np.fft.ifftshift(fshift) img_back = np.fft.ifft2(f_ishift) img_back = np.abs(img_back) plt.subplot(221),plt.imshow(img, cmap = 'gray') plt.title('Input Image'), plt.xticks([]), plt.yticks([]) plt.subplot(222),plt.imshow(magnitude_spectrum, cmap = 'gray') plt.title('Magnitude Spectrum'), plt.xticks([]), plt.yticks([]) plt.subplot(223),plt.imshow(img_back) #恢复图像 plt.title('Result in JET'), plt.xticks([]), plt.yticks([]) plt.subplot(224),plt.imshow(img_back, cmap = 'gray') plt.title('Image after HPF'), plt.xticks([]), plt.yticks([]) plt.show()
- 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
图像的噪声处理与去噪：
def add_noise(img): rows,cols,dims=img.shape for i in range(5000): x=np.random.randint(0,rows) y=np.random.randint(0,cols) img[x,y,:]=1 #二值化处理，以128位界 def add1_noise(img): rows,cols=img.shape for i in range(rows): for j in range(cols): if (img[i,j]<=128): img[i,j]=0 else: img[i,j]=1 # 高斯噪声 def GaussieNoisy(image,sigma): row,col,ch= image.shape mean = 0 gauss = np.random.normal(mean,sigma,(row,col,ch)) gauss = gauss.reshape(row,col,ch) noisy = image + gauss return noisy.astype(np.uint8) #椒盐噪声 def spNoisy(image,s_vs_p = 0.5,amount = 0.004): row,col,ch = image.shape out = np.copy(image) num_salt = np.ceil(amount * image.size * s_vs_p) coords = [np.random.randint(0, i - 1, int(num_salt)) for i in image.shape] out[coords] = 1 num_pepper = np.ceil(amount* image.size * (1. - s_vs_p)) coords = [np.random.randint(0, i - 1, int(num_pepper)) for i in image.shape] out[coords] = 0 return out img=np.array(Image.open('D:/1/1.jpg')) plt.figure() plt.subplot(221) plt.title("src_img") plt.imshow(img) plt.axis('off') plt.subplot(222) plt.title("noise_img") add_noise(img) plt.imshow(img) plt.axis('off') # # 图像二值化，像素值大于128的变为1，否则变为0 img2=np.array(Image.open('D:/1/1.jpg').convert('L')) plt.subplot(223) plt.title("noise2_img") add1_noise(img2) plt.imshow(img2) plt.axis('off') plt.subplot(224) plt.title("GaussieNoisy") img3=np.array(Image.open('D:/1/1.jpg')) plt.imshow(GaussieNoisy(img3,25)) plt.axis('off') plt.show()
- 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
傅里叶变换与逆变换：
# 傅里叶变换: # 傅里叶变换将低频信号放在了边缘，高频信号放在了中间，然而一副图像， # 很明显的低频信号多而明显，所以讲低频信号移至中心 img = cv2.imread('D:/1/4.jpg',0) f = np.fft.fft2(img) fshift = np.fft.fftshift(f)#将频谱对称轴从左上角移至中心 # #对于负数可以求角度： # # ph_f=np.angle(f) # # ph_fshift = np.angle(fshift) #取绝对值：将复数变化成实数 #取对数的目的为了将数据变化到较小的范围（比如0-255） s1 = np.log(np.abs(f)) s2 = np.log(np.abs(fshift)) plt.subplot(221),plt.imshow(img,'gray'),plt.title('original') plt.xticks([]), plt.yticks([]) plt.subplot(222),plt.imshow(s2,'gray'),plt.title('center') plt.xticks([]), plt.yticks([]) f1shift = np.fft.ifftshift(fshift)# 逆变换 img_back = np.fft.ifft2(f1shift) img_back = np.abs(img_back)#出来的是复数，无法显示，求绝对值 plt.subplot(223),plt.imshow(img_back,'gray'),plt.title('img back') plt.xticks([]), plt.yticks([]) plt.show()
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
傅里叶变换进行滤波：
傅里叶变换实现高通录滤波：
图像在变换加移动中心后，从中间到外面，频率上依次是从低频到高频的，
那么我们如果把中间规定一小部分去掉，是不是相对于把低频信号去掉了呢？
这也就是相当于进行了高通滤波
低通滤波器：把上述模板中的1变成0,0变成1
def lowPassFilter(image, d): f = np.fft.fft2(image) fshift = np.fft.fftshift(f) def make_transform_matrix(d): transfor_matrix = np.zeros(image.shape) center_point = tuple(map(lambda x: (x - 1) / 2, s1.shape)) for i in range(transfor_matrix.shape[0]): for j in range(transfor_matrix.shape[1]): def cal_distance(pa, pb): from math import sqrt dis = sqrt((pa[0] - pb[0]) ** 2 + (pa[1] - pb[1]) ** 2) return dis dis = cal_distance(center_point, (i, j)) if dis <= d: transfor_matrix[i, j] = 1 else: transfor_matrix[i, j] = 0 return transfor_matrix d_matrix = make_transform_matrix(d) new_img = np.abs(np.fft.ifft2(np.fft.ifftshift(fshift * d_matrix))) return new_img def highPassFilter(image,d): f = np.fft.fft2(image) fshift = np.fft.fftshift(f) def make_transform_matrix(d): transfor_matrix = np.zeros(image.shape) center_point = tuple(map(lambda x:(x-1)/2,s1.shape)) for i in range(transfor_matrix.shape[0]): for j in range(transfor_matrix.shape[1]): def cal_distance(pa,pb): from math import sqrt dis = sqrt((pa[0]-pb[0])**2+(pa[1]-pb[1])**2) return dis dis = cal_distance(center_point,(i,j)) if dis <= d: transfor_matrix[i,j]=0 else: transfor_matrix[i,j]=1 return transfor_matrix d_matrix = make_transform_matrix(d) new_img = np.abs(np.fft.ifft2(np.fft.ifftshift(fshift*d_matrix))) return new_img img = cv2.imread('D:/1/5.jpg',0) plt.figure() plt.subplot(221) plt.imshow(img,cmap="gray") plt.axis("off") plt.title('gray') f = np.fft.fft2(img) fshift = np.fft.fftshift(f) s1 = np.log(np.abs(fshift)) plt.subplot(222) plt.imshow(s1,'gray') plt.axis("off") plt.title('Frequency Domain') plt.subplot(223) plt.imshow(lowPassFilter(img,100),cmap="gray") plt.axis("off") plt.title('lowPassFilter') plt.subplot(224) plt.imshow(highPassFilter(img,50),cmap="gray") plt.axis("off") plt.title('highPassFilter') plt.show()
- 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
图像噪声与去噪算法
中值滤波
概述： 中值滤波是一种非线性空间滤波器, 它的响应基于图像滤波器包围的图像区域中像素的统计排序,
然后由统计排序结果的值代替中心像素的值.中值滤波器将其像素邻域内的灰度中值代替代替该像素的值. 中值滤波器的使用非常普遍,
这是因为对于一定类型的随机噪声, 它提供了一种优秀的去噪能力,比小尺寸的均值滤波器模糊程度明显要低. 中值滤波器对处理脉冲噪声(也称椒盐噪声)非常有效,
因为该噪声是以黑白点叠加在图像上面的.
均值滤波
概述： 均值滤波器的输出是包含在滤波掩模领域内像素的简单平均值.
均值滤波器最常用的目的就是减噪. 然而, 图像边缘也是由图像灰度尖锐变化带来的特性,
所以均值滤波还是存在不希望的边缘模糊负面效应.
# 图片修复程序1（实现水印去除）：修复白色区域 img = cv2.imread("D:/1/2.jpg") hight, width, depth = img.shape[0:3] # 图片二值化处理，把[240, 240, 240]~[255, 255, 255]以外的颜色变成0 thresh = cv2.inRange(img, np.array([240, 240, 240]), np.array([255, 255, 255])) # 创建形状和尺寸的结构元素 kernel = np.ones((3, 3), np.uint8) # 扩张待修复区域 hi_mask = cv2.dilate(thresh, kernel, iterations=1) specular = cv2.inpaint(img, hi_mask, 5, flags=cv2.INPAINT_TELEA) cv2.namedWindow("Image", 0) cv2.resizeWindow("Image", int(width / 2), int(hight / 2)) cv2.imshow("Image", img) cv2.namedWindow("newImage", 0) cv2.resizeWindow("newImage", int(width / 2), int(hight / 2)) cv2.imshow("newImage", specular) cv2.waitKey(0) cv2.destroyAllWindows()
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
频域高斯滤波：
def GaussianHighFilter(image,d): f = np.fft.fft2(image) fshift = np.fft.fftshift(f) def make_transform_matrix(d): transfor_matrix = np.zeros(image.shape) center_point = tuple(map(lambda x:(x-1)/2,s1.shape)) for i in range(transfor_matrix.shape[0]): for j in range(transfor_matrix.shape[1]): def cal_distance(pa,pb): from math import sqrt dis = sqrt((pa[0]-pb[0])**2+(pa[1]-pb[1])**2) return dis dis = cal_distance(center_point,(i,j)) transfor_matrix[i,j] = 1-np.exp(-(dis**2)/(2*(d**2))) return transfor_matrix d_matrix = make_transform_matrix(d) new_img = np.abs(np.fft.ifft2(np.fft.ifftshift(fshift*d_matrix))) return new_img def GaussianLowFilter(image,d): f = np.fft.fft2(image) fshift = np.fft.fftshift(f) def make_transform_matrix(d): transfor_matrix = np.zeros(image.shape) center_point = tuple(map(lambda x:(x-1)/2,s1.shape)) for i in range(transfor_matrix.shape[0]): for j in range(transfor_matrix.shape[1]): def cal_distance(pa,pb): from math import sqrt dis = sqrt((pa[0]-pb[0])**2+(pa[1]-pb[1])**2) return dis dis = cal_distance(center_point,(i,j)) transfor_matrix[i,j] = np.exp(-(dis**2)/(2*(d**2))) return transfor_matrix d_matrix = make_transform_matrix(d) new_img = np.abs(np.fft.ifft2(np.fft.ifftshift(fshift*d_matrix))) return new_img img = cv2.imread('D:/1/5.jpg',0) f = np.fft.fft2(img) fshift = np.fft.fftshift(f) s1 = np.log(np.abs(fshift)) plt.figure() plt.subplot(221) plt.imshow(img,cmap="gray") plt.axis("off") plt.title('gray') plt.subplot(222) plt.axis("off") plt.imshow(GaussianHighFilter(img,10),cmap="gray") plt.title('GaussianHighFilter') plt.subplot(223) plt.axis("off") plt.imshow(GaussianLowFilter(img,50),cmap="gray") plt.title('GaussianLowFilter') plt.show()
- 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
空间域的高斯滤波
def GaussianOperator(roi): GaussianKernel = np.array([[1,2,1],[2,4,2],[1,2,1]]) result = np.sum(roi*GaussianKernel/16) return result def GaussianSmooth(image): new_image = np.zeros(image.shape) image = cv2.copyMakeBorder(image,1,1,1,1,cv2.BORDER_DEFAULT) for i in range(1,image.shape[0]-1): for j in range(1,image.shape[1]-1): new_image[i-1,j-1] =GaussianOperator(image[i-1:i+2,j-1:j+2]) return new_image.astype(np.uint8) img=cv.imread("D:/1/5.jpg",0) new_apple = GaussianSmooth(img) plt.subplot(121) plt.axis("off") plt.title("origin image") plt.imshow(img,cmap="gray") plt.subplot(122) plt.axis("off") plt.title("Gaussian image") plt.imshow(img,cmap="gray") plt.subplot(122) plt.axis("off") plt.show()
- 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
相关函数说明：
img[i,:] = im[j,:] # 将第 j 行的数值赋值给第 i 行
img[:,i] = 100 # 将第 i 列的所有数值设为 100
img[:100,:50].sum() # 计算前 100 行、前 50 列所有数值的和
img[50:100,50:100] # 50~100 行，50~100 列（不包括第 100 行和第 100 列）
img[i].mean() # 第 i 行所有数值的平均值
img[:,-1] # 最后一列
声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/blog/article/detail/78302
推荐阅读
- 各种编程语言的优缺点：1.Python优势：简单易学，能够把用其他语言制作的各种模块很轻松地联结在一起。劣势：速度较慢，且有一些特定情况下才会出现(无法重现)的bug2.C/C++优势：可以被嵌入任何现代处理器中，几乎所有操作系统都支持C/... [详细]
赞
踩
- 一个好的程序员不能把自己绑定在一种语言上，不能把自己就定义为JAVA程序员，C#程序员，等等。语言没有高下之分，只有适用的场景。好的程序员，应该有很快学会一种新的语言，并解决实际问题的能力。在我二十年的程序生涯中，有过不止一次，因为项目，一... [详细]
赞
踩
- 本文主要用Python爬取拉勾网不同编程语言职位信息，包括Python岗、Java岗、C++岗、PHP岗、C#岗位（5岗），再用R语言对影响薪资的因素进行分析。由于拉勾网的职位信息只显示30页，一页15个职位信息，如果单独爬取一个城市的岗位... [详细]
赞
踩
- Python已经成为需求量第二大的编程语言。它具有多功能性，并在各个领域都有广泛的应用。Python既可以用来编写脚本,运行服务器,也可以用于数据分析。Python还拥有一个庞大的社区,可以获得丰富的第三方库和工具。从2021年10月到20... [详细]
赞
踩
- LibSVM简介及其在Win下Matlab中的安装使用详见：SVM学习笔记(1)：Win下LibSVM在Matlab中的安装及使用本文环境：Ubuntu18.04+MatlabR2018a1.下载LibSVM官网：https://www.c... [详细]
赞
踩
- lotly的Python图形库使互动的出版质量图表成为在线。如何制作线图，散点图，面积图，条形图，误差线，箱形图，直方图，热图，子图，多轴，极坐标图和气泡图的示例。_pipinstallplotlypipinstallplotly1、plo... [详细]
赞
踩
- IntelRealSenseD435i是英特尔公司推出的一款消费级深度相机，它的主要构成如下图所示。它主要包含一个RGB相机、两个红外相机以及一个红外发射器，此外还有一个IMU单元(这也就是D435i和D435的区别，i就表示imu)。简单... [详细]
赞
踩
- 时隔一个多月我又发文了，我还是只发好文的geekbyte，前几天有朋友跟我说我断更一个多月了，哈哈，这不就来了吗不多废话，进入正题。如果你偶尔看到这篇文章，而对tls还一脸懵的朋友，可以先阅读以下文章了解一下JS逆向之猿人学第十九题突破ja... [详细]
赞
踩
- 官话说SSL是安全套接层(securesocketslayer)，TLS是SSL的继任者，叫传输层安全(transportlayersecurity)。说白点，就是在明文的上层和TCP层之间加上一层加密，这样就保证上层信息传输的安全。如HT... [详细]
赞
踩
- 此模块提供对Client端和服务器端网络套接字的传输层安全性(通常称为“安全套接字层”)加密和对等身份验证Function的访问。该模块使用OpenSSL库。只要在该平台上安装了OpenSSL，它就可以在所有现代Unix系统，Windows... [详细]
赞
踩
- 深入理解TLS协议_用代码实现tls协议用代码实现tls协议前置知识TLS/SSL构成TLS/SSL的功能实现主要依赖于三类基本算法：散列（哈希）函数Hash、对称加密和非对称加密，其利用非对称加密实现身份认证和密钥协商，对称加密算法采用协... [详细]
赞
踩
- 环境python3.6.1scrapy安装pip3installscrapy新建项目(比如爬豆瓣)scrapystartprojectdouban代码结构新建spider爬虫主文件spider目录scrapygenspiderdouban_... [详细]
赞
踩
- 原文链接：https://blog.xieqiaokang.com/posts/36033.htmlGithub：https://github.com/xieqk/Bilibili_Spider_by_UserID.gitGitee：htt... [详细]
赞
踩
- 上面的函数都写好之后，我们只需要创建一个主入口，之后直接调用函数就可以。#针对不同内容修改搜索关键词！！！！#自动爬取多个主题时须注意上面的最大页数定位问题#爬取后生成去重了的len(keywords)个f'{keyword}BV号.csv... [详细]
赞
踩
- 有时我们苦于在线观看网络太慢有时我们苦于大会员即将到期却没有时间看想看的电影有时我们苦于付费电影只有三天的观看期限有时我们苦于有想多次细细品尝的电影但B站却无法下载……-。-……为能更好地使用我们大会员的权利，这里提供一种下载B站电影的爬虫... [详细]
赞
踩
- 最简单版本的Dijkstra还存在可以优化的地方，在我们每次寻找更新之后，当前可到达的点集中距离最短的那个点时候，每次都需要遍历一遍所有未得到最短距离的点，这个过程是O(n)的，我们可以使用最小堆，来将时间复杂度简化为O(logn)，每次只... [详细]
赞
踩
- 原文：wesmckinney.com/book/译者：飞龙协议：CCBY-NC-SA4.0关于开放版本第3版的《Python数据分析》现在作为“开放获取”HTML版本在此网站wesmckinney.com/book上提供，除了通常的印刷和电... [详细]
赞
踩
- 挑战杯pythonopencv深度学习指纹识别算法实现1前言... [详细]
赞
踩
- 在使用sRGB和AdobeRGB标准的伽玛校正时，首先需要将输入图像的RGB值进行线性化伽玛校正，即将sRGB或AdobeRGB1998的颜色空间转换成线性RGB。这个过程可以通过将sRGB或AdobeRGB1998的RGB值应用伽玛2.2... [详细]
赞
踩
- 计算机设计大赛深度学习pythonopencv火焰检测识别文章目录0前言1基于YOLO的火焰检测与识别2课题背景3卷积神经网络3.1卷积层3.2池化层3.3激活函数：3.4全连接层3.5使用tensorflow中keras模块实现卷积神经网... [详细]
赞
踩
相关标签
