python 中值滤波,椒盐去噪,图片增强实例

yipeiwu_com6年前Python基础

受光照、气候、成像设备等因素的影响,灰度化后的图像存在噪声和模糊干扰,直接影响到下一步的文字识别,因此,需要对图像进行增强处理。图片预处理中重要一环就是椒盐去澡,通常用到中值滤波器进行处理,效果很好。中值滤波器是一种非线性滤波器,其基本原理是把数字图像中某点的值用其领域各点值的中值代替。

如求点[i,j]的灰度值计算方法为:

(1)按灰度值顺序排列[i,j]领域中的像素点;

(2)取排序像素集的中间值作为[i,j]的灰度值。中值滤波技术能有效抑制噪声。

直接上代码,希望给大家有帮助:

import numpy as np
import cv2
import tensorflow as tf
from PIL import Image
import os
import scipy.signal as signal

input_images = np.zeros((300, 300))
filename = "D:\字母图库\F\P80627-112853.jpg"
print(filename)
img = Image.open(filename).resize((300, 300)).convert('L')
width = img.size[0]
height = img.size[1]

for h in range(0, height):
  for w in range(0, width):
    if img.getpixel((h, w)) < 128:
      input_images[w, h] = 0
    else:
      input_images[w, h] = 1
cv2.imshow("test1111", input_images)

data = signal.medfilt2d(np.array(img), kernel_size=3) # 二维中值滤波
for h in range(0, height):
  for w in range(0, width):
    if data[h][w] < 128:
      input_images[w, h] = 0
    else:
      input_images[w, h] = 1
cv2.imshow("test2222", input_images)

data = signal.medfilt2d(np.array(img), kernel_size=5) # 二维中值滤波
for h in range(0, height):
  for w in range(0, width):
    if data[h][w] < 128:
      input_images[w, h] = 0
    else:
      input_images[w, h] = 1
cv2.imshow("test3333", input_images)
cv2.waitKey(0)

以上这篇python 中值滤波,椒盐去噪,图片增强实例就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持【听图阁-专注于Python设计】。

相关文章

对Python+opencv将图片生成视频的实例详解

如下所示: import cv2 fps = 16 size = (width,height) videowriter = cv2.VideoWriter("a.avi",c...

Python 识别12306图片验证码物品的实现示例

Python 识别12306图片验证码物品的实现示例

1、PIL介绍以及图片分割 Python 3 安装:  pip3 install Pillow 1.1 image 模块 Image模块是在Python PIL图像处理中常...

Python 删除连续出现的指定字符的实例

源起 我本想删写一小段代码用于删除一串字符串中的连续重复的指定字符,可能也是长时间不写代码,而且有的时候写代码只途快,很多基础知识都忘光了。我用Python写时一切都没有问题,就差一点,...

Python Web框架之Django框架文件上传功能详解

Python Web框架之Django框架文件上传功能详解

本文实例讲述了Python Web框架之Django框架文件上传功能。分享给大家供大家参考,具体如下: 上传方式: - Form表单上传文件 - Ajax上传文件 - 基于form表单和...

python中的闭包用法实例详解

本文实例讲述了python中的闭包用法。分享给大家供大家参考。具体分析如下: 什么是闭包? 简单说,闭包就是根据不同的配置信息得到不同的结果 再来看看专业的解释:闭包(Closu...