机器视觉之图像处理篇

图像平滑处理包含：

1 均值滤波 2 方框滤波 3 高斯滤波 4 中值滤波 5 双边滤波

均值滤波(Mean filtering)：是指用当前像素点周围nxn个像素值的均值来代替当前像素值。边界点的处理可以扩展当前图像的周围像素点padding

方框滤波：是指用当前像素点周围nxn个像素值的和来代替当前像素值。

高斯滤波(Mean filtering)：对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。

中值滤波：会取当前像素点及其周围临近像素点（一共有奇数个像素点）的像素值，将这些像素值从小到大排序，然后将位于中间位置的像素值作为当前像素点的像素值。

[0，48，56，95，128，130，212，215，250]

import cv2
image = cv2.imread("zzd02.png",0)
ret ,binary = cv2.threshold(image,140,200,cv2.THRESH_BINARY)
ret1 ,binary1 = cv2.threshold(image,140,200,cv2.THRESH_BINARY_INV)
ret2 ,binary2 = cv2.threshold(image,140,200,cv2.THRESH_TRUNC)
ret3 ,binary3 = cv2.threshold(image,140,200,cv2.THRESH_TOZERO)
ret4 ,binary4 = cv2.threshold(image,140,200,cv2.THRESH_TOZERO_INV)

cv2.imshow("binary",binary)
cv2.waitKey(0)
cv2.imshow("binary1",binary1)
cv2.waitKey(0)
cv2.imshow("binary2",binary2)
cv2.waitKey(0)
cv2.imshow("binary3",binary3)
cv2.waitKey(0)
cv2.imshow("binary4",binary4)
cv2.waitKey(0)
cv2.destroyAllWindows()

1. import cv2 - 导入 OpenCV 库，用于图像处理

2. image = cv2.imread("zzd02.png",0) - 读取图像文件：

   • "zzd02.png" 是要读取的图像文件名
   • 第二个参数 0 表示以灰度模式读取图像（将彩色图像转为黑白）

3. 接下来五行是不同类型的阈值处理：
   cv2.threshold()函数参数说明：

   • 第一个参数：输入图像（必须是灰度图）
   • 第二个参数：阈值（140）
   • 第三个参数：最大值（200）- 当像素值超过阈值时设置的值
   • 第四个参数：阈值处理类型

   五种阈值处理类型的区别：

   • cv2.THRESH_BINARY：超过阈值的像素设为最大值 (200)，否则设为 0
   • cv2.THRESH_BINARY_INV：与上面相反，超过阈值的设为 0，否则设为最大值 (200)
   • cv2.THRESH_TRUNC：超过阈值的像素设为阈值 (140)，低于阈值的保持不变
   • cv2.THRESH_TOZERO：超过阈值的像素保持不变，低于阈值的设为 0
   • cv2.THRESH_TOZERO_INV：与上面相反，超过阈值的设为 0，低于阈值的保持不变

4. 显示处理结果：

   • cv2.imshow("binary",binary)：显示处理后的图像，第一个参数是窗口名称
   • cv2.waitKey(0)：等待用户按键，参数 0 表示无限等待
   • 每种阈值处理的结果都在单独的窗口中显示，按任意键会关闭当前窗口并显示下一个

5. cv2.destroyAllWindows()：关闭所有打开的图像窗口

这段代码的作用是展示同一幅图像在不同阈值处理方法下的效果，帮助理解各种阈值处理的差异。运行时，会依次显示 5 个处理结果窗口，每个窗口需要按一次键才能切换到下一个。

import cv2
import numpy as np

def add_peppersalt_noise(image,n=10000):
    result = image.copy()
    h,w = image.shape[:2]
    for i in range(n):
        x = np.random.randint(1,h)
        y = np.random.randint(1,w)
        if np.random.randint(0,2) == 0:
            result[x,y]=0
        else:
            result[x,y]=255
    return result

a = cv2.VideoCapture('test.avi')
if not a.isOpened():
    print("视频损坏，无法读取 ")
    exit()

while True:
    ref,fream=a.read()

    if not ref:
        break

    # fream = cv2.cvtColor(fream,cv2.COLOR_BGR2RGB)
    cv2.imshow("fream", fream)

    noise = add_peppersalt_noise(fream)
    cv2.imshow("noise", noise)
    GaussianB = cv2.GaussianBlur(noise, (3, 3), 1)  # 高斯滤波
    cv2.imshow('GaussianBlur', GaussianB)

    medianB =cv2.medianBlur(noise,3)
    cv2.imshow( 'medianBlur',medianB) # 4、中值滤波

    if cv2.waitKey(6)==27:
        break


a.release()
cv2.destroyAllWindows()




# blur1 =  cv2.blur(noise,(3,3))
# cv2.imshow( 'blur1',blur1)
# cv2.waitKey(0)
# blur2=cv2.blur(noise,(63,63))
# cv2.imshow('blur2',blur2)
# cv2.waitKey(0)
# boxFilter1 = cv2.boxFilter(noise,-1,(3,3),normalize = True)
# cv2.imshow('boxFilter1',boxFilter1)
# cv2.waitKey(0)
# boxFilter2 =cv2.boxFilter(noise,-1,(3,3),normalize = False)
# cv2.imshow('boxFilter 2',boxFilter2)
# cv2.waitKey(0)

导入库

python

运行

import cv2  # 导入OpenCV库，用于视频处理和图像处理
import numpy as np  # 导入NumPy库，用于生成随机数等操作

定义添加椒盐噪声的函数

python

运行

def add_peppersalt_noise(image, n=10000):
    result = image.copy()  # 复制原图，避免修改原图
    h, w = image.shape[:2]  # 获取图像的高度和宽度
    
    # 循环添加n个噪声点
    for i in range(n):
        # 随机生成噪声点的坐标
        x = np.random.randint(1, h)
        y = np.random.randint(1, w)
        
        # 50%概率添加黑色噪声(椒噪声)，50%概率添加白色噪声(盐噪声)
        if np.random.randint(0, 2) == 0:
            result[x, y] = 0  # 黑色噪声
        else:
            result[x, y] = 255  # 白色噪声
    
    return result  # 返回添加噪声后的图像

3. 视频读取与处理主逻辑

python

运行

a = cv2.VideoCapture('test.avi')  # 打开视频文件

# 检查视频是否成功打开
if not a.isOpened():
    print("视频损坏，无法读取 ")
    exit()

# 循环读取视频帧
while True:
    ref, fream = a.read()  # 读取一帧，ref表示是否成功，fream是帧数据
    
    if not ref:  # 如果没有读取到帧(视频结束)，退出循环
        break

    # 显示原始帧
    cv2.imshow("fream", fream)

    # 对当前帧添加椒盐噪声
    noise = add_peppersalt_noise(fream)
    cv2.imshow("noise", noise)  # 显示带噪声的帧
    
    # 高斯滤波去噪
    GaussianB = cv2.GaussianBlur(noise, (3, 3), 1)
    cv2.imshow('GaussianBlur', GaussianB)
    
    # 中值滤波去噪
    medianB = cv2.medianBlur(noise, 3)
    cv2.imshow('medianBlur', medianB)
    
    # 等待6毫秒，若按下ESC键(ASCII码27)则退出
    if cv2.waitKey(6) == 27:
        break

# 释放资源
a.release()  # 释放视频捕获对象
cv2.destroyAllWindows()  # 关闭所有显示窗口

4. 注释掉的其他滤波方法

代码末尾注释了几种其他的滤波方法，包括：

• cv2.blur()：均值滤波，使用不同大小的卷积核
• cv2.boxFilter()：方框滤波，可以选择是否归一化

代码功能总结

1. 读取视频文件 "test.avi"
2. 对视频的每一帧进行处理：
   • 显示原始帧
   • 给帧添加椒盐噪声并显示
   • 使用高斯滤波去除噪声并显示
   • 使用中值滤波去除噪声并显示
3. 提供了退出机制（按 ESC 键）
4. 包含了其他滤波方法的示例（已注释）

不同滤波方法的特点

• 高斯滤波：对高斯噪声效果好，会使图像模糊
• 中值滤波：对椒盐噪声效果显著，能较好保留边缘
• 均值滤波：简单但容易使图像模糊
• 方框滤波：可以选择是否归一化，灵活性高

运行这段代码时，会同时显示原始视频、带噪声视频以及两种去噪处理后的视频效果，便于直观比较不同去噪方法的效果。