数字图像的空间域滤波和频域滤波备课讲稿Word文档下载推荐.docx
《数字图像的空间域滤波和频域滤波备课讲稿Word文档下载推荐.docx》由会员分享，可在线阅读，更多相关《数字图像的空间域滤波和频域滤波备课讲稿Word文档下载推荐.docx（14页珍藏版）》请在冰点文库上搜索。
的拉普拉斯算子
w=[11111
11111
11-2411
11111
11111]
3）分别采用5×
5，9×
9，15×
15和25×
25大小的拉普拉斯算子对blurry_moon.tif进
行锐化滤波，并利用式
完成图像的锐化增强，观察其有何不同，要求在同一窗口中显示。
4）采用不同的梯度算子对blurry_moon.tif进行锐化滤波，并比较其效果。
3.傅立叶变换
1）读出woman.tif这幅图像，对其进行快速傅立叶变换，分别显示其幅度图像和相位
图像。
仅对相位部分进行傅立叶反变换后查看结果图像。
2）仅对幅度部分进行傅立叶反变换后查看结果图像。
3）将图像的傅立叶变换F置为其共轭后进行反变换，比较新生成图像与原始图像的差
异。
三、实验过程
1）读出一幅图像，给这幅图像分别加入椒盐噪声和高斯噪声后并与前一张图显示在同一图像窗口中。
椒盐噪声：
defsalt_pepperNoise（src）:
dst=src.copy（）
num=1000#1000个噪声点
ndim=np.ndim（src）
row,col=np.shape（src）[0:
2]
foriinrange（num）:
x=np.random.randint（0,row）#随机生成噪声点位置
y=np.random.randint（0,col）
indicator=np.random.randint（0,2）
#灰度图像
ifndim==2:
ifindicator==0:
dst[x,y]=0
else:
dst[x,y]=255
#彩色图像
elifndim==3:
dst[x,y,:
]=0
]=255
returndst
高斯噪声：
defaddGaussianNoise（image,sigma）:
mean=0.0
row,col,ch=image.shape
gauss=np.random.normal（mean,sigma,（row,col,ch））
gauss=gauss.reshape（row,col,ch）
noisy=image+gauss
returnnoisy.astype（np.uint8）
加入椒盐噪声后图像的滤波：
img1=cv2.imread（"
D:
\\mote.jpg"
0）
img=img1[100:
300]
src=salt_pepperNoise（img）
cv2.imshow（"
origin"
src）
dst=cv2.blur（src,（3,3））#均值滤波模板
blur"
dst）
dst1=cv2.medianBlur（src,5）#中值滤波
medianBlur"
dst1）
dst2=cv2.GaussianBlur（src,（3,3）,0）#高斯滤波
GaussianBlur"
dst2）
cv2.waitKey（0）
cv2.destroyAllWindows（）
importcv2
importnumpyasnp
deffunction（img）:
h,w=img.shape
newimg=np.zeros（（h,w）,np.uint8）
img2=np.fft.fft2（img）
fshift=np.fft.fftshift（img2）
st=fshift.copy（）
h,w=fshift.shape
sh=h/2
sw=w/2
r=40
foriinrange（h）:
forjinrange（w）:
if（（sh-i）*（sh-i）+（sw-j）*（sw-j））<
=r*r:
newimg[i,j]=255
tmp=1
tmp=0
st[i,j]=tmp*fshift[i,j]
sl=np.fft.ifftshift（st）
x2=np.fft.ifft2（sl）
x3=np.uint8（np.real（x2））
returnnewimg,x3
img=cv2.imread（'
\\mote.jpg'
img1,img2=function（img）
image"
img）
lowpassfiltering"
img2）
代码：
importmatplotlib.pyplotasplt
img=cv2.imread（'
0）#直接读为灰度图像
blur=cv2.blur（img,（3,5））#模板大小3*5
plt.subplot（1,2,1）,plt.imshow（img,'
gray'
）#默认彩色，另一种彩色bgr
plt.title（'
img'
）
plt.xticks（[]）,plt.yticks（[]）
plt.subplot（1,2,2）,plt.imshow（blur,'
blur'
plt.show（）
importcv2
/img/salt.jpg'
mid=cv2.medianBlur（img,5）
plt.subplot（1,2,1）,plt.imshow（mid,'
）
medianBlur'
1）读出一幅图像，采用3×
#定义函数，实现拉普拉斯算子
defLaplace（src）:
template=np.ones（（3,3）,dtype=np.float32）#模板
template[1,1]=-8.0
addBorder=cv2.copyMakeBorder（src,1,1,1,1,cv2.BORDER_REFLECT_101）
row,col=src.shape
dst=np.zeros（（row,col）,dtype=np.int16）
foriinrange（row）:
forjinrange（col）:
temp=addBorder[i:
i+3,j:
j+3]
dst[i,j]=np.sum（template*temp）
w=[11111
11111
11-2411
importpandasaspd
fromscipyimportndimage
kernel_5x5=np.array（[[1,1,1,1,1],
[1,1,1,1,1],
[1,1,-24,1,1],
[1,1,1,1,1,],
[1,1,1,1,1]]）
img=cv2.imread（"
0）
k5=ndimage.convolve（img,kernel_5x5）
5x5"
k5）
cv2.waitKey（）
行锐化滤波，并利用式完成图像的锐化增强，观察其有何不同，要求在同一窗口中显示。
img=blurred=cv2.imread（"
#5×
25
blurred1=cv2.GaussianBlur（img,（5,5）,0）
blurred2=cv2.GaussianBlur（img,（9,9）,0）
blurred3=cv2.GaussianBlur（img,（15,15）,0）
blurred4=cv2.GaussianBlur（img,（25,25）,0）
img5x5=img-blurred1
img9x9=img-blurred2
img15x15=img-blurred3
img25x25=img-blurred4
img5x5）
9x9"
img9x9）
15x15"
img15x15）
25x25"
img25x25）
随着属性值的增大，图像锐化增强
importnumpyasnp
src=cv2.imread（"
0）
#sobel算法
x=cv2.Sobel（src,cv2.CV_16S,1,0）
y=cv2.Sobel（src,cv2.CV_16S,0,1）
absX=cv2.convertScaleAbs（x）
absY=cv2.convertScaleAbs（y）
dst=cv2.addWeighted（absX,0.5,absY,0.5,0）
cv2.imshow（'
Sobel'
#拉布拉斯算子
lap=cv2.Laplacian（src,cv2.CV_16S,3）
dst1=cv2.convertScaleAbs（lap）
Laplacian"
#Canny算子
can=cv2.Canny（src,30,120）
s=src-can
src1=cv2.GaussianBlur（s,（3,3）,0）
can"
src1）
f=np.fft.fft2（img）#快速傅里叶变换算法得到频率分布
fshift=np.fft.fftshift（f）
s1=np.log（np.abs（f））
s2=np.log（np.abs（fshift））
ph_f=np.angle（f）
ph_fshift=np.angle（fshift）
plt.subplot（221）,plt.imshow（s1,'
）,plt.title（'
originalmagnitude'
plt.subplot（222）,plt.imshow（s2,'
centermagnitude'
plt.subplot（223）,plt.imshow（ph_f,'
originalphase'
plt.subplot（224）,plt.imshow（ph_fshift,'
centerphase'
升级会员 