计算机视觉（二）——图像滤波、边缘检测、案例

最新推荐文章于 2025-04-28 10:59:08 发布

原创

最新推荐文章于 2025-04-28 10:59:08 发布 · 1.7k 阅读

13 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习 #深度学习 #tensorflow #边缘计算

本文详细介绍了图像处理中的滤波技术，包括均值、高斯、中值和双边滤波，并展示了它们在图像平滑与边缘保持上的应用。接着，文章探讨了Canny边缘检测算法，解释了其工作原理和参数设置。最后，通过OpenCV实现人脸和眼睛的检测，使用预训练的XML模型定位并标记了人脸和眼睛。

一、图像滤波

平滑与模糊即失去焦点，致使看不到图像的细节，也就是说像素点与周围像素点混合了，在边缘检测方面很有用处，常用的平滑方法有均值、高斯、中值和双边。实例如下所示：

import cv2 as cv
import numpy as np

test_image = cv.imread(r'E:\kaggleData\computer_version_Data\4.jpg')
cv.imshow('test_image', test_image)
"""
    cv2.blur(img,ksize) 均值滤波
    img：原图像
    ksize：核大小
    原理：它只取内核区域下所有像素的平均值并替换中心元素。
    特征：核中区域贡献率相同。
    作用：对于椒盐噪声的滤除效果比较好
"""
blurred = np.hstack([
    cv.blur(test_image, (3, 3)),
    cv.blur(test_image, (5, 5)),
    cv.blur(test_image, (7, 7))
])
cv.imshow("Averaged", blurred)

"""
    cv2.GuassianBlur(img, ksize,sigmaX,sigmaY) 高斯滤波
    说明：sigmaX,sigmaY分别表示X,Y方向的标准偏差。如果仅指定了sigmaX，则sigmaY与sigmaX相同.如果两者都为零，
    则根据内核大小计算它们。 
    特征：核中区域贡献率与距离区域中心成正比，权重与高斯分布相关。
    作用：高斯模糊在从图像中去除高斯噪声方面非常有。
    第三个参数0表示自动计算核大小
"""
blurred = np.hstack([
    cv.GaussianBlur(test_image, (3, 3), 0),
    cv.GaussianBlur(test_image, (5, 5), 0),
    cv.GaussianBlur(test_image, (7, 7), 0)
])
cv.imshow("Gaussian", blurred)

"""
    cv2.medianBlur(img, k) 中值滤波
    说明：imgs为原图像，k为方框的尺寸，相当于将方框内的个值进行排序，取中值作为当前值。
    特征：中心点的像素被核中中位数的像素值代替。
    作用：对于椒盐噪声有效。
"""
blurred = np.hstack([
    cv.medianBlur(test_image, 3),
    cv.medianBlur(test_image, 5),
    cv.medianBlur(test_image, 7)
])
cv.imshow("Median", blurred)

"""
    双边滤波：
    cv2.bilateralFilter(img,d, sigmaColor, sigmaSpace)双边滤波
    说明：d为邻域直径，sigmaColor为空间高斯函数标准差，参数越大，临近像素将会在越远的地方越小。
    sigmaSpace灰度值相似性高斯函数标准差，参数越大，那些颜色足够相近