锐客网

  1. 首页 > 睿知 > it技术 > >

python加权滤波函数 加权中值滤波matlab

IT技术函数

python 中一维数据中值滤波函数 ， 在matlab中有 medfilt1函数 ， Python中有吗，只找到了图像2维的，有python加权滤波函数的python加权滤波函数 ， 在numpy包中
import numpy as np
dat = [1,3,5,6,7,2,4]
med = np.median(dat) # med=4.0
2021-02-08 Python OpenCV GaussianBlur()函数borderType= None)函数
此函数利用高斯滤波器平滑一张图像 。该函数将源图像与指定的高斯核进行卷积 。
src:输入图像
ksize:(核的宽度,核的高度)，输入高斯核的尺寸 ， 核的宽高都必须是正奇数 。否则，将会从参数sigma中计算得到 。
dst:输出图像，尺寸与输入图像一致 。
sigmaX:高斯核在X方向上的标准差 。
sigmaY:高斯核在Y方向上的标准差 。默认为None，如果sigmaY=0，则它将被设置为与sigmaX相等的值 。如果这两者都为0,则它们的值会从ksize中计算得到 。计算公式为：
borderType:像素外推法 ， 默认为None（参考官方文档 BorderTypes
)
在图像处理中，高斯滤波主要有两种方式：
1.窗口滑动卷积
2.傅里叶变换
在此主要利用窗口滑动卷积 。其中二维高斯函数公式为：
根据上述公式，生成一个3x3的高斯核 ， 其中最重要的参数就是标准差，标准差越大 ， 核中心的值与周围的值差距越?。?曲线越平滑 。标准差越?。酥行牡闹涤胫芪У闹挡罹嘣酱?，曲线越陡峭 。
从图像的角度来说，高斯核的标准差越大，平滑效果越不明显 。高斯核的标准差越?。交Ч矫飨?。
可见，标准差越大 ， 图像平滑程度越大
参考博客1:关于GaussianBlur函数
参考博客2:关于高斯核运算
OpenCV-Python系列六：图像滤波 图像滤波是一种十分常见的图像处理手段 。通常，你可以认为相邻位置像素是紧密联系的，它们共同来显示对某个物体，图像滤波则通过运算来排除图像中和周围相差大的像素 。当然，这并不是绝对的，有时候你为了评估图像的质量，也会将这些“特立独行”的像素作为选取的目标。无论你采用什么方法，记住你要的目标就行，有时候你的目标可能是别人的背景 。
滤波常常会使得图像变得模糊(非绝对) ， 那么，为什么你需要将一幅清晰的图像变得模糊呢？下面的例子应该可以解释 。
高斯滤波采用满足正态分布的核模板，其参数的主要参数是标准差σ，代表核的离散程度，σ值越?。０逯行南凳氡咴迪凳钤酱螅?平滑的程度越小 。
高斯滤波对图像采集过程中由于不良照明/高温引起的传感器噪声信号有较好的效果，消除了图像中的高频信号 。
由于得到的是一维的Gaussian Kernel，你可以采用下面的方式转为二维的
为了便于直观感受高斯滤波的效果，使用Canny算子来提取轮廓对比，你可以试试在特征提取前加高斯滤波对比 。
补充说明：对于均值滤波，你也可以使用cv2.boxFilter(src, ddepth, ksize[, dst[, anchor[, normalize[, borderType]]]])来实现，需要将normalize设置为True,当设置normalize为False时，实现的是将kernel内像素相加，官方文档做出的描述为：
中值滤波对图像中的脉冲型(椒盐等)噪声信号处理效果好，当 你的应用场景存在这种颗粒感的噪声信号时，中值滤波会是一种很好的选择。它，选取kernel区域内像素点集的中值最为锚点的像素值，对类似投票机制中的最高分(高灰阶点)和最低分(过低灰阶点)影响有很好的抑制作用 。
如果你的应用涉及到图像美化，双边滤波可以初步达到你的期望，关于双边滤波，这里不做展开，由你来探索 ， 其函数参数信息如下 。

推荐阅读


上一篇：phpredis视频，phpredis分布式锁

下一篇：ios6踢出白苹果，6s白苹果怎么进入恢复模式