红河个旧网站建设,一个网站每年维护费用,异次元wordpress模板,网站的留言怎么做文章目录 图像滤波卷积相关概念锚点 实战图像卷积Blur an image with a 2d convolution matrix 方盒滤波与均值滤波高斯滤波中值滤波双边滤波高通滤波—索贝尔算子高通滤波—沙尔算子高通滤波—拉普拉斯算子边缘检测Canny 图像滤波
卷积核滤波器
卷积相关概念 锚点
锚点… 文章目录 图像滤波卷积相关概念锚点 实战图像卷积Blur an image with a 2d convolution matrix 方盒滤波与均值滤波高斯滤波中值滤波双边滤波高通滤波—索贝尔算子高通滤波—沙尔算子高通滤波—拉普拉斯算子边缘检测Canny 图像滤波
卷积核滤波器
卷积相关概念 锚点
锚点就是卷积核所对应的图像中间的点比方说是3x3的卷积核那对应的锚点可以是16
实战图像卷积
低通滤波低于某个阀值滤波可以通过 高通滤波高于某个阀值滤波可以通过
Blur an image with a 2d convolution matrix
# -*- coding: utf-8 -*-
import cv2
import numpy as npimg cv2.imread(E://pic//10.jpg)kernel np.ones((5, 5), np.float32) / 25
dst cv2.filter2D(img, -1, kernel)cv2.imshow(dst, dst)
cv2.imshow(img, img)key cv2.waitKey(0) 0xff
if key ord(q):cv2.destroyAllWindows()方盒滤波与均值滤波 这两种滤波API功能基本一样一般我们用blur这个
# -*- coding: utf-8 -*-
import cv2
import numpy as npimg cv2.imread(E://pic//10.jpg)# kernel np.ones((5, 5), np.float32) / 25
# dst cv2.filter2D(img, -1, kernel)
dst cv2.blur(img, (5, 5))cv2.imshow(dst, dst)
cv2.imshow(img, img)key cv2.waitKey(0) 0xff
if key ord(q):cv2.destroyAllWindows()高斯滤波 # -*- coding: utf-8 -*-
import cv2
import numpy as npimg cv2.imread(./gaussian.png)# kernel np.ones((5, 5), np.float32) / 25
# dst cv2.filter2D(img, -1, kernel)
dst cv2.GaussianBlur(img, (5, 5), sigmaX1)cv2.imshow(dst, dst)
cv2.imshow(img, img)key cv2.waitKey(0) 0xff
if key ord(q):cv2.destroyAllWindows()中值滤波 中值滤波的优点是对胡椒噪音效果明显
# -*- coding: utf-8 -*-
import cv2
import numpy as npimg cv2.imread(./papper.png)# kernel np.ones((5, 5), np.float32) / 25
# dst cv2.filter2D(img, -1, kernel)
dst cv2.medianBlur(img, 5)cv2.imshow(dst, dst)
cv2.imshow(img, img)key cv2.waitKey(0) 0xff
if key ord(q):cv2.destroyAllWindows()双边滤波
可以进行美颜
# -*- coding: utf-8 -*-
import cv2
import numpy as npimg cv2.imread(./bieber.jpeg)# kernel np.ones((5, 5), np.float32) / 25
# dst cv2.filter2D(img, -1, kernel)
# dst cv2.medianBlur(img, 5)
dst cv2.bilateralFilter(img, 7, 20, 50)cv2.imshow(dst, dst)
cv2.imshow(img, img)key cv2.waitKey(0) 0xff
if key ord(q):cv2.destroyAllWindows()高通滤波—索贝尔算子 # -*- coding: utf-8 -*-
import cv2
import numpy as npimg cv2.imread(./chess.png)# 索贝尔算子y方向边缘
d1 cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize5)
# 索贝尔算子x方向边缘
d2 cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize5)# dst d1 d2
dst cv2.add(d1, d2)cv2.imshow(img, img)
cv2.imshow(d1, d1)
cv2.imshow(d2, d2)
cv2.imshow(dst, dst)key cv2.waitKey(0) 0xff
if key ord(q):cv2.destroyAllWindows()高通滤波—沙尔算子 # -*- coding: utf-8 -*-
import cv2
import numpy as npimg cv2.imread(./chess.png)# 索贝尔算子y方向边缘
# d1 cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize5)d1 cv2.Scharr(img, cv2.CV_64F, 1, 0)
# 索贝尔算子x方向边缘
# d2 cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize5)d2 cv2.Scharr(img, cv2.CV_64F, 0, 1)# dst d1 d2
dst cv2.add(d1, d2)cv2.imshow(img, img)
cv2.imshow(d1, d1)
cv2.imshow(d2, d2)
cv2.imshow(dst, dst)key cv2.waitKey(0) 0xff
if key ord(q):cv2.destroyAllWindows()高通滤波—拉普拉斯算子 # -*- coding: utf-8 -*-
import cv2
import numpy as npimg cv2.imread(./chess.png)# 索贝尔算子y方向边缘
# d1 cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize5)
# 沙尔算子
# d1 cv2.Scharr(img, cv2.CV_64F, 1, 0)
# 索贝尔算子x方向边缘
# d2 cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize5)
# 沙尔算子
# d2 cv2.Scharr(img, cv2.CV_64F, 0, 1)# dst d1 d2
# dst cv2.add(d1, d2)# 拉普拉斯
ldst cv2.Laplacian(img, cv2.CV_64F, ksize5)cv2.imshow(img, img)
# cv2.imshow(d1, d1)
# cv2.imshow(d2, d2)
cv2.imshow(dst, ldst)key cv2.waitKey(0) 0xff
if key ord(q):cv2.destroyAllWindows()边缘检测Canny 超过最大值肯定是边缘低于最小值肯定不是边缘而介于最大值和最小值之间如果和超出最大值A是连续的则C也是边缘而B就不是边缘
# -*- coding: utf-8 -*-
import cv2
import numpy as npimg cv2.imread(./lena.png)
dst cv2.Canny(img, 100, 200)cv2.imshow(img, img)
cv2.imshow(dst, dst)
key cv2.waitKey(0) 0xff
if key ord(q):cv2.destroyAllWindows()之后我会持续更新如果喜欢我的文章请记得一键三连哦点赞关注收藏你的每一个赞每一份关注每一次收藏都将是我前进路上的无限动力 ↖(▔▽▔)↗感谢支持
