代码

  1. import cv2, math
  2. import numpy as np
  3. import matplotlib.pyplot as plt
  4. ## 定义图像目录
  5. image_directory = 'D:\\Data_documents\\ImageProcess\\images\\'
  6. # 图像读取
  7. imgname = image_directory + 'lena.jpg'
  8. img = cv2.imread(imgname)
  10. # 图像显示在一个新的名字为'image'的窗口中，如果看不到，在任务栏中把窗口恢复后观察图像，在窗口中按任意键关闭窗口
  11. cv2.imshow('image',img)
  12. cv2.waitKey(0)
  13. cv2.destroyAllWindows()
  15. # 彩色图像转化为灰度图像
  16. image = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

1. 图像加噪声

1.1 高斯噪声

  2. # 产生高斯随机噪声，并显示 (mean value to 128 and a standard deviation to 20.)
  3. gaussian_noise = np.zeros((image.shape[0], image.shape[1]),dtype=np.uint8)
  4. cv2.randn(gaussian_noise, 128,10)
  6. cv2.imshow('Gaussian noise',gaussian_noise)
  7. cv2.waitKey(0)
  8. cv2.destroyAllWindows()

1.2 随机噪声

  1. # 产生随机噪声，并显示 （ random values drawn from an uniform distribution， the pixel values were set from 0 to 255）
  2. uniform_noise = np.zeros((image.shape[0], image.shape[1]),dtype=np.uint8)
  3. cv2.randu(uniform_noise,0,255)
  5. cv2.imshow('uniform noise',uniform_noise)
  6. cv2.waitKey(0)
  7. cv2.destroyAllWindows()

1.3 脉冲噪声

  1. # 产生脉冲噪声，并显示 (大于250的设置为255(白色)，其余设置为0)
  2. impulse_noise = uniform_noise.copy()
  3. ret,impulse_noise = cv2.threshold(uniform_noise,250,255,cv2.THRESH_BINARY)
  5. cv2.imshow('Impulse noise',impulse_noise)
  6. cv2.waitKey(0)
  7. cv2.destroyAllWindows()

1.4 添加噪声到图像

  1. # 1
  2. gaussian_noise = (gaussian_noise*0.5).astype(np.uint8)
  3. noisy_image1 = cv2.add(image,gaussian_noise)
  5. cv2.imshow('Noisy image - Gaussian noise',noisy_image1)
  7. # 2
  8. uniform_noise = (uniform_noise*0.5).astype(np.uint8)
  9. noisy_image2 = cv2.add(image,uniform_noise)
  11. cv2.imshow('Noisy image - Uniform noise',noisy_image2)
  13. # 3
  14. impulse_noise = (impulse_noise*0.5).astype(np.uint8)
  15. noisy_image3 = cv2.add(image,impulse_noise)
  17. cv2.imshow('Noisy image - Impuls noise',noisy_image3)
  20. cv2.waitKey(0)
  21. cv2.destroyAllWindows()

1.5 中值滤波

  1. blurred1 = cv2.medianBlur(noisy_image1, 3)
  2. cv2.imshow('Median filter - Gaussian noise',blurred1)
  4. blurred2 = cv2.medianBlur(noisy_image2, 3)
  5. cv2.imshow('Median filter - Uniform noise',blurred2)
  7. blurred3 = cv2.medianBlur(noisy_image3, 3)
  8. cv2.imshow('Median filter - Impuls noise',blurred3)
  10. cv2.waitKey(0)
  11. cv2.destroyAllWindows()
  13. # 观察： 中值滤波对于脉冲噪声的滤波效果较好

1.6 观察三种噪声能量分布

  1. #观察三种噪声的能量分布
  2. filters = [gaussian_noise, uniform_noise, impulse_noise, noisy_image1, noisy_image2, noisy_image3]
  3. filter_name = ['gaussian_noise', 'uniform_noise','impulse_noise', 'noisy_image1', 'noisy_image2', 'noisy_image3']
  4. fft_filters = [np.fft.fft2(x) for x in filters]
  5. fft_shift = [np.fft.fftshift(y) for y in fft_filters]
  6. mag_spectrum = [np.log(np.abs(z)+1) for z in fft_shift]
  8. for i in range(6):
  9.     plt.subplot(2,3,i+1),plt.imshow(mag_spectrum[i],cmap = 'gray')
  10.     plt.title(filter_name[i]), plt.xticks([]), plt.yticks([])
  11. plt.show()

image.png

2. 图像模糊的检测问题

2.1 图像模糊检测方法

  1. # 下面的函数计算并返回图像的FFT变换的高频部分的均值
  2. def detect_blur_fft(image, size=60, vis=False):
  3.     # grab the dimensions of the image and use the dimensions to
  4.     # derive the center (x, y)-coordinates
  5.     (h, w) = image.shape
  6.     (cX, cY) = (int(w / 2.0), int(h / 2.0))
  8.     # FFT
  9.     fft = np.fft.fft2(image)
  10.     fftShift = np.fft.fftshift(fft)
  11.     magnitude = 20 * np.log(np.abs(fftShift))
  13.     if vis:
  14.         # display the original input image
  15.         (fig, ax) = plt.subplots(1, 2, )
  16.         ax[0].imshow(image, cmap="gray")
  17.         ax[0].set_title("Input")
  18.         ax[0].set_xticks([])
  19.         ax[0].set_yticks([])
  20.         # display the magnitude image
  21.         ax[1].imshow(magnitude, cmap="gray")
  22.         ax[1].set_title("Magnitude Spectrum")
  23.         ax[1].set_xticks([])
  24.         ax[1].set_yticks([])
  25.         # show our plots
  26.         plt.show()
  28.     # FFT 取高频，并求反变换
  29.     fftShift[cY - size:cY + size, cX - size:cX + size] = 0
  30.     fftShift = np.fft.ifftshift(fftShift)
  31.     recon = np.fft.ifft2(fftShift)    
  32.     magnitude = 20 * np.log(np.abs(recon))
  34.     # 返回均值
  35.     mean = np.mean(magnitude)
  36.     return mean
  1. # 利用该函数对不同的图像进行检测，显示FFT结果，并返回结果
  3. detect_blur_fft(image, size=60,vis=True)
  4. # 利用该函数对不同的图像进行检测，不显示FFT结果，返回结果
  6. detect_blur_fft(image, size=60,vis=False)
  1. #  orgimg: 输入的图像
  2. #  thres: 阈值
  3. def display_blur_fft(orgimg, thres):
  4.     gray = cv2.resize(orgimg, (500, int(orgimg.shape[1]/orgimg.shape[0]*500)) )
  5.     # 判断是否彩色图像，是则转换成灰度图像
  6.     if (len(gray.shape)>2):
  7.         gray = cv2.cvtColor(gray, cv2.COLOR_BGR2GRAY)
  8.     mean_value = detect_blur_fft(gray)
  10.     # 大于阈值则设置为 Blurry
  11.     blurry = (mean_value < thres)
  13.     # 在图像上显示
  14.     # 构造一个三通道BGR的彩色图像
  15.     image = np.dstack([gray] * 3)
  17.     # 设置显示mean值的颜色(BGR)和格式
  18.     color = (0, 0, 255) if blurry else (0, 255, 0)
  19.     text = "Blurry ({:.4f})" if blurry else "Not Blurry ({:.4f})"
  20.     text = text.format(mean_value)
  22.     # 设置显示mean值的位置和字体、宽度
  23.     cv2.putText(image, text, (10, 25), cv2.FONT_HERSHEY_SIMPLEX, 0.7, color, 2)
  24. #    print("[INFO] {}".format(text))
  26.     # 显示图像
  27.     cv2.imshow("Output", image)
  1. # 阈值设为 15
  2. display_blur_fft(image, 15)
  3. cv2.waitKey(0)
  4. cv2.destroyAllWindows()
  6. # 阈值设为 20
  7. img_Guassian = cv2.GaussianBlur(image,(5,5),0)
  8. display_blur_fft(img_Guassian, 20)
  9. cv2.waitKey(0)
  10. cv2.destroyAllWindows()

2.2 视频实时显示图像,判断是否模糊

  1. # 开启计算机的摄像头，降噪后显示实时图像和是否模糊，按q退出
  3. cap = cv2.VideoCapture(0)
  4. cv2.imshow("Output", image)
  6. while True:
  7.     # Capture frame-by-frame
  8.     ret, frame = cap.read()
  9.     if ret==True:
  10.         frameimg = cv2.medianBlur(frame, 3)
  11.         # 显示是否模糊
  12.         display_blur_fft(frameimg, 15.5)        
  14.     # 判断键盘输入q后，退出
  15.     key = cv2.waitKey(1) & 0xFF
  16.     if key == ord("q"):
  17.         break;
  19. # When everything done, release the capture
  20. cap.release()
  21. cv2.destroyAllWindows()

知识点

5.1 图像退化模型

5.2 噪声模型及参数估计

5.3 图像复原方法

5.4 图像几何校正

课件

机器视觉-第5章-图像复原.pdf