Python使用低通濾波器模糊圖像功能實現(xiàn)
使用低通濾波器模糊圖像
0. 前言
低通濾波器 (Low Pass Filter, LPF) 過濾了圖像中的高頻部分，并僅允許低頻部分通過。因此，在圖像上應(yīng)用 LPF 會刪除圖像中的細(xì)節(jié)/邊緣和噪聲/離群值，此過程也稱為圖像模糊(或平滑)，圖像平滑可以作為復(fù)雜圖像處理任務(wù)的預(yù)處理部分。在本節(jié)中，我們將學(xué)習(xí)如何使用不同類型的濾波器核執(zhí)行圖像卷積以模糊圖像。
1. 頻域中的不同類型的核與卷積
1.1 圖像模糊分類
圖像模糊通常包含以下類型：
- 邊緣模糊 (
Edge) 這種類型的模糊通常通過卷積顯式地應(yīng)用于圖像，例如線性濾波器核或高斯核等，使用這些濾波器核可以平滑/去除圖像中不必要的細(xì)節(jié)/噪聲。 - 運動模糊 (
Motion) 通常是由于相機在拍攝圖像時抖動所產(chǎn)生的，也就是說，攝像機或被拍攝的對象處于移動狀態(tài)。我們可以使用點擴展函數(shù)來模擬這種模糊。 - 失焦模糊 (
de-focus) 當(dāng)相機拍攝的對象失焦時，會產(chǎn)生這種類型的模糊；我們可以使用模糊 (blur) 核來模擬這種模糊。
接下來，我們創(chuàng)建以上三種不同類型的核，并將它們應(yīng)用于圖像以觀察不同類型核處理圖像后的結(jié)果。
1.2 使用不同核執(zhí)行圖像模糊
(1) 我們首先定義函數(shù) get_gaussian_edge_blur_kernel() 以返回 2D 高斯模糊核用于邊緣模糊。該函數(shù)接受高斯標(biāo)準(zhǔn)差 ( σ σ σ) 以及創(chuàng)建 2D 核的大小(例如，sz = 15 將創(chuàng)建尺寸為 15x15 的核)作為函數(shù)的參數(shù)。如下所示，首先創(chuàng)建了一個 1D 高斯核，然后計算兩個 1D 高斯核的外積返回 2D 核：
import numpy as np
import numpy.fft as fp
from skimage.io import imread
from skimage.color import rgb2gray
import matplotlib.pyplot as plt
import cv2
def get_gaussian_edge_blur_kernel(sigma, sz=15):
# First create a 1-D Gaussian kernel
x = np.linspace(-10, 10, sz)
kernel_1d = np.exp(-x**2/sigma**2)
kernel_1d /= np.trapz(kernel_1d) # normalize the sum to 1.0
# create a 2-D Gaussian kernel from the 1-D kernel
kernel_2d = kernel_1d[:, np.newaxis] * kernel_1d[np.newaxis, :]
return kernel_2d(2) 接下來，定義函數(shù) get_motion_blur_kernel() 以生成運動模糊核，得到給定長度且特定方向(角度)的線作為卷積核，以模擬輸入圖像的運動模糊效果：
def get_motion_blur_kernel(ln, angle, sz=15):
kern = np.ones((1, ln), np.float32)
angle = -np.pi*angle/180
c, s = np.cos(angle), np.sin(angle)
A = np.float32([[c, -s, 0], [s, c, 0]])
sz2 = sz // 2
A[:,2] = (sz2, sz2) - np.dot(A[:,:2], ((ln-1)*0.5, 0))
kern = cv2.warpAffine(kern, A, (sz, sz), flags=cv2.INTER_CUBIC)
return kern函數(shù) get_motion_blur_kernel() 將模糊的長度和角度以及模糊核的尺寸作為參數(shù)，函數(shù)使用 OpenCV 的 warpaffine() 函數(shù)返回核矩陣(以矩陣中心為中點，使用給定長度和給定角度得到核)。
(3) 最后，定義函數(shù) get_out_of_focus_kernel() 以生成失焦核(模擬圖像失焦模糊)，其根據(jù)給定半徑創(chuàng)建圓用作卷積核，該函數(shù)接受半徑 R (Deocus Radius) 和要生成的核大小作為輸入?yún)?shù)：
def get_out_of_focus_kernel(r, sz=15):
kern = np.zeros((sz, sz), np.uint8)
cv2.circle(kern, (sz, sz), r, 255, -1, cv2.LINE_AA, shift=1)
kern = np.float32(kern) / 255
return kern(4) 接下來，實現(xiàn)函數(shù) dft_convolve()，該函數(shù)使用圖像的逐元素乘法和頻域中的卷積核執(zhí)行頻域卷積(基于卷積定理)。該函數(shù)還繪制輸入圖像、核和卷積計算后得到的輸出圖像：
def dft_convolve(im, kernel):
F_im = fp.fft2(im)
#F_kernel = fp.fft2(kernel, s=im.shape)
F_kernel = fp.fft2(fp.ifftshift(kernel), s=im.shape)
F_filtered = F_im * F_kernel
im_filtered = fp.ifft2(F_filtered)
cmap = 'RdBu'
plt.figure(figsize=(20,10))
plt.gray()
plt.subplot(131), plt.imshow(im), plt.axis('off'), plt.title('input image', size=10)
plt.subplot(132), plt.imshow(kernel, cmap=cmap), plt.title('kernel', size=10)
plt.subplot(133), plt.imshow(im_filtered.real), plt.axis('off'), plt.title('output image', size=10)
plt.tight_layout()
plt.show()(5) 將 get_gaussian_edge_blur_kernel() 核函數(shù)應(yīng)用于圖像，并繪制輸入，核和輸出模糊圖像：
im = rgb2gray(imread('3.jpg'))
kernel = get_gaussian_edge_blur_kernel(25, 25)
dft_convolve(im, kernel)
(6) 接下來，將 get_motion_blur_kernel() 函數(shù)應(yīng)用于圖像，并繪制輸入，核和輸出模糊圖像：
kernel = get_motion_blur_kernel(30, 60, 25) dft_convolve(im, kernel)
(7) 最后，將 get_out_of_focus_kernel() 函數(shù)應(yīng)用于圖像，并繪制輸入，核和輸出模糊圖像：
kernel = get_out_of_focus_kernel(15, 20) dft_convolve(im, kernel)
2. 使用 scipy.ndimage 濾波器模糊圖像
scipy.ndimage 模塊提供了一系列可以在頻域中對圖像應(yīng)用低通濾波器的函數(shù)。本節(jié)中，我們通過幾個示例學(xué)習(xí)其中一些濾波器的用法。
2.1 使用 fourier_gaussian() 函數(shù)
使用 scipy.ndimage 庫中的 fourier_gaussian() 函數(shù)在頻域中使用高斯核執(zhí)行卷積操作。
(1) 首先，讀取輸入圖像，并將其轉(zhuǎn)換為灰度圖像，并通過使用 FFT 獲取其頻域表示：
import numpy as np
import numpy.fft as fp
from skimage.io import imread
import matplotlib.pyplot as plt
from scipy import ndimage
im = imread('1.png', as_gray=True)
freq = fp.fft2(im)(2) 接下來，使用 fourier_gaussian() 函數(shù)對圖像執(zhí)行模糊操作，使用兩個具有不同標(biāo)準(zhǔn)差的高斯核，繪制輸入、輸出圖像以及功率譜：
fig, axes = plt.subplots(2, 3, figsize=(20,15))
plt.subplots_adjust(0,0,1,0.95,0.05,0.05)
plt.gray() # show the filtered result in grayscale
axes[0, 0].imshow(im), axes[0, 0].set_title('Original Image', size=10)
axes[1, 0].imshow((20*np.log10( 0.1 + fp.fftshift(freq))).real.astype(int)), axes[1, 0].set_title('Original Image Spectrum', size=10)
i = 1
for sigma in [3,5]:
convolved_freq = ndimage.fourier_gaussian(freq, sigma=sigma)
convolved = fp.ifft2(convolved_freq).real # the imaginary part is an artifact
axes[0, i].imshow(convolved)
axes[0, i].set_title(r'Output with FFT Gaussian Blur, $\sigma$={}'.format(sigma), size=10)
axes[1, i].imshow((20*np.log10( 0.1 + fp.fftshift(convolved_freq))).real.astype(int))
axes[1, i].set_title(r'Spectrum with FFT Gaussian Blur, $\sigma$={}'.format(sigma), size=10)
i += 1
for a in axes.ravel():
a.axis('off')
plt.show()
從上圖中可以看出，高斯核的標(biāo)準(zhǔn)差 σ σ σ 值越大，輸出圖像就會越模糊。
2.2 使用 fourier_uniform() 函數(shù)
scipy.ndimage 模塊的函數(shù) fourier_uniform() 實現(xiàn)了多維均勻傅立葉濾波器。頻率陣列與給定尺寸的方形核的傅立葉變換相乘。接下來，我們學(xué)習(xí)如何使用 LPF (均值濾波器)模糊輸入灰度圖像。
(1) 首先，讀取輸入圖像并使用 DFT 獲取其頻域表示：
im = imread('1.png', as_gray=True)
freq = fp.fft2(im)(2) 然后，使用函數(shù) fourier_uniform() 應(yīng)用 10x10 方形核(由功率譜上的參數(shù)指定)，以獲取平滑輸出：
freq_uniform = ndimage.fourier_uniform(freq, size=10)
(3) 繪制原始輸入圖像和模糊后的圖像：
fig, (axes1, axes2) = plt.subplots(1, 2, figsize=(20,10))
plt.gray() # show the result in grayscale
im1 = fp.ifft2(freq_uniform)
axes1.imshow(im), axes1.axis('off')
axes1.set_title('Original Image', size=10)
axes2.imshow(im1.real) # the imaginary part is an artifact
axes2.axis('off')
axes2.set_title('Blurred Image with Fourier Uniform', size=10)
plt.tight_layout()
plt.show()
(4) 最后，繪制顯示方形核的功率譜：
plt.figure(figsize=(10,10))
plt.imshow( (20*np.log10( 0.1 + fp.fftshift(freq_uniform))).real.astype(int))
plt.title('Frequency Spectrum with fourier uniform', size=10)
plt.show()
2.3 使用 fourier_ellipsoid() 函數(shù)
與上一小節(jié)類似，通過將方形核修改為橢圓形核，我們可以使用橢圓形核生成模糊的輸出圖像。
(1) 類似的，我們首先在圖像的功率譜上應(yīng)用函數(shù) fourier_ellipsoid()，并使用 IDFT 在空間域中獲得模糊后的輸出圖像：
freq_ellipsoid = ndimage.fourier_ellipsoid(freq, size=10) im1 = fp.ifft2(freq_ellipsoid)
(2) 接下來，繪制原始輸入圖像和模糊后的圖像：
fig, (axes1, axes2) = plt.subplots(1, 2, figsize=(20,10))
axes1.imshow(im), axes1.axis('off')
axes1.set_title('Original Image', size=10)
axes2.imshow(im1.real) # the imaginary part is an artifact
axes2.axis('off')
axes2.set_title('Blurred Image with Fourier Ellipsoid', size=10)
plt.tight_layout()
plt.show()
(3) 最后，顯示應(yīng)用橢圓形核后圖像的頻譜：
plt.figure(figsize=(10,10))
plt.imshow( (20*np.log10( 0.1 + fp.fftshift(freq_ellipsoid))).real.astype(int))
plt.title('Frequency Spectrum with Fourier ellipsoid', size=10)
plt.show()
3. 使用 scipy.fftpack 實現(xiàn)高斯模糊
我們已經(jīng)學(xué)習(xí)了如何在實際應(yīng)用中使用 numpy.fft 模塊的 2D-FFT。在本節(jié)中，我們將介紹 scipy.fftpack 模塊的 fft2() 函數(shù)用于實現(xiàn)高斯模糊。
(1) 使用灰度圖像作為輸入，并使用 FFT 從圖像中創(chuàng)建 2D 頻率響應(yīng)數(shù)組：
import numpy as np
import numpy.fft as fp
from skimage.color import rgb2gray
from skimage.io import imread
import matplotlib.pyplot as plt
from scipy import signal
from matplotlib.ticker import LinearLocator, FormatStrFormatter
im = rgb2gray(imread('1.png'))
freq = fp.fft2(im)(2) 通過計算兩個 1D 高斯核的外積，在空間域中創(chuàng)建高斯 2D 核用作 LPF：
kernel = np.outer(signal.gaussian(im.shape[0], 1), signal.gaussian(im.shape[1], 1))
(3) 使用 DFT 獲得高斯核的頻率響應(yīng)：
freq_kernel = fp.fft2(fp.ifftshift(kernel))
(4) 使用卷積定理通過逐元素乘法在頻域中將 LPF 與輸入圖像卷積：
convolved = freq*freq_kernel # by the Convolution theorem
(5) 使用 IFFT 獲得輸出圖像，需要注意的是，要正確顯示輸出圖像，需要縮放輸出圖像：
im_blur = fp.ifft2(convolved).real im_blur = 255 * im_blur / np.max(im_blur)
(6) 繪制圖像、高斯核和在頻域中卷積后獲得圖像的功率譜，可以使用 matplotlib.colormap 繪制色，以了解不同坐標(biāo)下的頻率響應(yīng)值：
plt.figure(figsize=(20,20))
plt.subplot(221), plt.imshow(kernel, cmap='coolwarm'), plt.colorbar()
plt.title('Gaussian Blur Kernel', size=10)
plt.subplot(222)
plt.imshow( (20*np.log10( 0.01 + fp.fftshift(freq_kernel))).real.astype(int), cmap='inferno')
plt.colorbar()
plt.title('Gaussian Blur Kernel (Freq. Spec.)', size=10)
plt.subplot(223), plt.imshow(im, cmap='gray'), plt.axis('off'), plt.title('Input Image', size=10)
plt.subplot(224), plt.imshow(im_blur, cmap='gray'), plt.axis('off'), plt.title('Output Blurred Image', size=10)
plt.tight_layout()
plt.show()
(7) 要繪制輸入/輸出圖像和 3D 核的功率譜，我們定義函數(shù) plot_3d()，使用 mpl_toolkits.mplot3d 模塊的 plot_surface() 函數(shù)獲取 3D 功率譜圖，給定相應(yīng)的 Y 和Z值作為 2D 陣列傳遞：
def plot_3d(X, Y, Z, cmap=plt.cm.seismic):
fig = plt.figure(figsize=(20,20))
ax = fig.gca(projection='3d')
# Plot the surface.
surf = ax.plot_surface(X, Y, Z, cmap=cmap, linewidth=5, antialiased=False)
#ax.plot_wireframe(X, Y, Z, rstride=10, cstride=10)
#ax.set_zscale("log", nonposx='clip')
#ax.zaxis.set_scale('log')
ax.zaxis.set_major_locator(LinearLocator(10))
ax.zaxis.set_major_formatter(FormatStrFormatter('%.02f'))
ax.set_xlabel('F1', size=15)
ax.set_ylabel('F2', size=15)
ax.set_zlabel('Freq Response', size=15)
#ax.set_zlim((-40,10))
# Add a color bar which maps values to colors.
fig.colorbar(surf) #, shrink=0.15, aspect=10)
#plt.title('Frequency Response of the Gaussian Kernel')
plt.show() (8) 在 3D 空間中繪制高斯核的頻率響應(yīng)，并使用 plot_3d() 函數(shù)：
Y = np.arange(freq.shape[0]) #-freq.shape[0]//2,freq.shape[0]-freq.shape[0]//2) X = np.arange(freq.shape[1]) #-freq.shape[1]//2,freq.shape[1]-freq.shape[1]//2) X, Y = np.meshgrid(X, Y) Z = (20*np.log10( 0.01 + fp.fftshift(freq_kernel))).real plot_3d(X,Y,Z)
下圖顯示了 3D 空間中高斯 LPF 核的功率譜：
(9) 繪制 3D 空間中輸入圖像的功率譜：
Z = (20*np.log10( 0.01 + fp.fftshift(freq))).real plot_3d(X,Y,Z)
(10) 最后，繪制輸出圖像的功率譜(通過將高斯核與輸入圖像卷積獲得)：
Z = (20*np.log10( 0.01 + fp.fftshift(convolved))).real plot_3d(X,Y,Z)
從輸出圖像的頻率響應(yīng)中可以看出，高頻組件被衰減，從而導(dǎo)致細(xì)節(jié)的平滑/丟失，并導(dǎo)致輸出圖像模糊。
4. 彩色圖像頻域卷積
在本節(jié)中，我們將學(xué)習(xí)使用 scipy.signal 模塊的 fftconvolve() 函數(shù)，用于與 RGB 彩色輸入圖像進(jìn)行頻域卷積，從而生成 RGB 彩色模糊輸出圖像：
scipy.signal.fftconvolve(in1, in2, mode='full', axes=None)
函數(shù)使用 FFT 卷積兩個 n 維數(shù)組 in1 和 in2，并由 mode 參數(shù)確定輸出大小。卷積模式 mode 具有以下類型：
- 輸出是輸入的完全離散線性卷積，默認(rèn)情況下使用此種卷積模式
- 輸出僅由那些不依賴零填充的元素組成，
in1或in2的尺寸必須相同 - 輸出的大小與
in1相同，并以輸出為中心
4.1 基于 scipy.signal 模塊的彩色圖像頻域卷積
接下來，我們實現(xiàn)高斯低通濾波器并使用 Laplacian 高通濾波器執(zhí)行相應(yīng)操作。
(1) 首先，導(dǎo)入所需的包，并讀取輸入 RGB 圖像：
from skimage import img_as_float
from scipy import signal
import numpy as np
import matplotlib.pyplot as plt
im = img_as_float(plt.imread('1.png'))(2) 實現(xiàn)函數(shù) get_gaussian_edge_kernel()，并根據(jù)此函數(shù)創(chuàng)建一個尺寸為 15x15 的高斯核：
def get_gaussian_edge_blur_kernel(sigma, sz=15):
# First create a 1-D Gaussian kernel
x = np.linspace(-10, 10, sz)
kernel_1d = np.exp(-x**2/sigma**2)
kernel_1d /= np.trapz(kernel_1d) # normalize the sum to 1.0
# create a 2-D Gaussian kernel from the 1-D kernel
kernel_2d = kernel_1d[:, np.newaxis] * kernel_1d[np.newaxis, :]
return kernel_2d
kernel = get_gaussian_edge_blur_kernel(sigma=10, sz=15)(3) 然后，使用 np.newaxis 將核尺寸重塑為 15x15x1，并使用 same 模式調(diào)用函數(shù) signal.fftconvolve()：
im1 = signal.fftconvolve(im, kernel[:, :, np.newaxis], mode='same') im1 = im1 / np.max(im1)
在以上代碼中使用的 mode='same'，可以強制輸出形狀與輸入陣列形狀相同，以避免邊框效應(yīng)。
(4) 接下來，使用 laplacian HPF 內(nèi)核，并使用相同函數(shù)執(zhí)行頻域卷積。需要注意的是，我們可能需要縮放/裁剪輸出圖像以使輸出值保持像素的浮點值范圍 [0,1] 內(nèi)：
kernel = np.array([[0,-1,0],[-1,4,-1],[0,-1,0]]) im2 = signal.fftconvolve(im, kernel[:, :, np.newaxis], mode='same') im2 = im2 / np.max(im2) im2 = np.clip(im2, 0, 1)
(5) 最后，繪制輸入圖像和使用卷積創(chuàng)建的輸出圖像。
plt.figure(figsize=(20,10))
plt.subplot(131), plt.imshow(im), plt.axis('off'), plt.title('original image', size=10)
plt.subplot(132), plt.imshow(im1), plt.axis('off'), plt.title('output with Gaussian LPF', size=10)
plt.subplot(133), plt.imshow(im2), plt.axis('off'), plt.title('output with Laplacian HPF', size=10)
plt.tight_layout()
plt.show()
如上圖所示，高斯 LPF 可以用于模糊圖像，而拉普拉斯 HPF 則可以用于提取圖像中的細(xì)節(jié)/邊緣(這些部分對應(yīng)于圖像中的高頻分量)。
小結(jié)
在圖像上應(yīng)用低通濾波器會刪除圖像中的細(xì)節(jié)/邊緣和噪聲/離群值，稱為圖像模糊(或平滑)，圖像平滑可以作為復(fù)雜圖像處理任務(wù)的預(yù)處理部分。在本節(jié)中，我們介紹了多種不同類型的濾波器核與卷積操作，使用 scipy.ndimage 模塊中的濾波器模糊圖像，利用 scipy.fftpack 模塊的 fft2() 函數(shù)實現(xiàn)高斯模糊，還介紹了基于 scipy.signal 模塊的彩色圖像頻域卷積。
到此這篇關(guān)于Python使用低通濾波器模糊圖像的文章就介紹到這了,更多相關(guān)Python低通濾波器模糊圖像內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
python中json、字典的區(qū)別以及相互轉(zhuǎn)換方法
在Python中我們經(jīng)常會用到JSON格式的數(shù)據(jù),而將JSON格式轉(zhuǎn)化為Python的字典類型是一種常見的操作,這篇文章主要給大家介紹了關(guān)于python中json、字典的區(qū)別以及相互轉(zhuǎn)換方法的相關(guān)資料,需要的朋友可以參考下2023-11-11
這篇文章主要介紹了如何利用Python編寫一個簡單的微博爬蟲，感興趣的小伙伴們可以參考一下2016-03-03
在本篇文章里小編給大家整理的是一篇關(guān)于java字符串格式化輸出實例講解，有需要的朋友們可以學(xué)習(xí)下。2021-01-01
今天小編就為大家分享一篇python 消除 futureWarning問題的解決，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-12-12
這篇文章主要介紹了Python列表刪除的三種方法代碼分享，具有一定參考價值，需要的朋友可以了解下。2017-10-10
這篇文章主要介紹了Python底層封裝實現(xiàn)方法詳解,文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友可以參考下2020-01-01
Python接口自動化淺析logging日志原理及模塊操作流程
這篇文章主要為大家介紹了Python接口自動化系列文章淺析logging日志原理及模塊操作流程，文中詳細(xì)說明了為什么需要日志？日志是什么？以及日志用途等基本的原理2021-08-08
python清除指定目錄內(nèi)所有文件中script的方法
這篇文章主要介紹了python清除指定目錄內(nèi)所有文件中script的方法,涉及Python針對文件、字符串及正則匹配操作的相關(guān)技巧,需要的朋友可以參考下2015-06-06
Python中seaborn庫之countplot的數(shù)據(jù)可視化使用
在Python數(shù)據(jù)可視化中，seaborn較好的提供了圖形的一些可視化功效。本文詳細(xì)的介紹了Python中seaborn庫之countplot的數(shù)據(jù)可視化使用，感興趣的可以了解一下2021-06-06
這篇文章主要為大家介紹了Python全棧之協(xié)程，具有一定的參考價值，感興趣的小伙伴們可以參考一下，希望能夠給你帶來幫助2021-12-12