【CV】一文讲懂图像处理中的低通、高通、带阻和带通滤波器
机器学习初学者
共 2104字,需浏览 5分钟
·
2022-02-26 18:07
空间域和频域滤波器通常分为四种类型的滤波器——低通、高通、带阻和带通滤波器。在本文中,我们为每一种滤波器提供了注释、代码示例和图像输出。
低通滤波器:只允许通过低频细节,衰减高频细节。例如:平滑滤波器。
高通滤波器:只允许通过高频细节,衰减低频细节。例如:锐化蒙版滤波器。
带阻滤波器:衰减一定频率范围内的信号。允许低于某个阈值或高于另一个阈值的频率通过。
带通滤波器:只允许特定频带内的信号通过,允许高于低阈值和低于高个阈值的频率通过。
我们可以将不同滤波器用如下的公式来表示
其中δ(x, y)
是单位脉冲核
Zone板是用于测试过滤器特性的一种测试板,有很多中版本。本文我们使用如下方程生成我们的要用的Zone板。
其中 x,y 是递增步长0.0275,取值范围在[-8.2, 8.2]的一组数,最终形成一个 597x597 的图像,样子如下所示
具体的代码如下:
def zone(x, y):
return 0.5 * (1 + math.cos(x * x + y * y))
SIZE = 597
image = np.zeros((SIZE, SIZE))
start = -8.2
end = 8.2
step = 0.0275
def dist_center(y, x):
global SIZE
center = SIZE / 2
return math.sqrt( (x - center)**2 + (y - center)**2)
for y in range(0, SIZE):
for x in range(0, SIZE):
if dist_center(y, x) > 300:
continue
y_val = start + y * step
x_val = start + x * step
image[y, x] = zone(x_val, y_val)
接下来我们将通过代码展示如何使用各种滤波器,以及展示每个滤波器对Zone板的处理结果。
低通滤波器
kernel_size = 15
lowpass_kernel_gaussian = gkern(kernel_size)
lowpass_kernel_gaussian = lowpass_kernel_gaussian / lowpass_kernel_gaussian.sum()
lowpass_kernel_box = np.ones((kernel_size, kernel_size))
lowpass_kernel_box = lowpass_kernel_box / (kernel_size * kernel_size)
lowpass_image_gaussian = cv2.filter2D(image, -1, lowpass_kernel_gaussian)
lowpass_image_box = cv2.filter2D(image, -1, lowpass_kernel_box)
高通滤波器
在空间域中,可以通过从图像本身中减去低通滤波图像来获得高通滤波图像(如非锐化掩模)
highpass_image_gaussian = image - lowpass_image_gaussian
highpass_image_gaussian = np.absolute(highpass_image_gaussian)
highpass_image_box = image - lowpass_image_box
highpass_image_box = np.absolute(highpass_image_box)
带阻滤波器
在空间域中,可以通过将低通滤波与高通滤波图像(在不同阈值下)相加来获得带阻滤波图像。
bandreject_image = lowpass_image_gaussian + highpass_image_box
带通滤波器
在空间域中,可以通过从图像本身中减去带阻滤波图像来获得带通滤波图像。
bandpass_image = image - bandreject_image
bandpass_image = np.absolute(bandpass_image)
最后,各位小伙伴可以比较一下不同滤波器对同一图像的处理结果哦。仔细理解一下低通、高通、带阻、带通的含义。
往期精彩回顾
适合初学者入门人工智能的路线及资料下载 (图文+视频)机器学习入门系列下载 中国大学慕课《机器学习》(黄海广主讲) 机器学习及深度学习笔记等资料打印 《统计学习方法》的代码复现专辑 AI基础下载 机器学习交流qq群955171419,加入微信群请扫码:
评论