python数字图像处理之高级滤波代码详解
本文提供许多的滤波方法，这些方法放在filters.rank子模块内。
这些方法需要用户自己设定滤波器的形状和大小，因此需要导入morphology模块来设定。
1、autolevel
这个词在photoshop里面翻译成自动色阶，用局部直方图来对图片进行滤波分级。
该滤波器局部地拉伸灰度像素值的直方图，以覆盖整个像素值范围。
格式：skimage.filters.rank.autolevel(image, selem）
selem表示结构化元素，用于设定滤波器。
from skimage import data,color
import matplotlib.pyplot as plt
from skimage.morphology import disk
import skimage.filters.rank as sfr
img =color.rgb2gray(data.lena())
auto =sfr.autolevel(img, disk(5)) #半径为5的圆形滤波器
plt.figure('filters',figsize=(8,8))
plt.subplot(121)
plt.title('origin image')
plt.imshow(img,plt.cm.gray)
plt.subplot(122)
plt.title('filted image')
plt.imshow(auto,plt.cm.gray)
2、bottomhat 与 tophat
bottomhat: 此滤波器先计算图像的形态学闭运算，然后用原图像减去运算的结果值，有点像黑帽操作。
bottomhat: 此滤波器先计算图像的形态学开运算，然后用原图像减去运算的结果值，有点像白帽操作。
格式：
skimage.filters.rank.bottomhat(image, selem）
skimage.filters.rank.tophat(image, selem）
selem表示结构化元素，用于设定滤波器。
下面是bottomhat滤波的例子：
from skimage import data,color
import matplotlib.pyplot as plt
from skimage.morphology import disk
import skimage.filters.rank as sfr
img =color.rgb2gray(data.lena())
auto =sfr.bottomhat(img, disk(5)) #半径为5的圆形滤波器
plt.figure('filters',figsize=(8,8))
plt.subplot(121)
plt.title('origin image')
plt.imshow(img,plt.cm.gray)
plt.subplot(122)
plt.title('filted image')
plt.imshow(auto,plt.cm.gray)
3、enhance_contrast
对比度增强。求出局部区域的最大值和最小值，然后看当前点像素值最接近最大值还是最小值，然后替换为最大值或最小值。
函数： enhance_contrast(image, selem）
selem表示结构化元素，用于设定滤波器。
from skimage import data,color
import matplotlib.pyplot as plt
from skimage.morphology import disk
import skimage.filters.rank as sfr
img =color.rgb2gray(data.lena())
auto =sfr.enhance_contrast(img, disk(5)) #半径为5的圆形滤波器
plt.figure('filters',figsize=(8,8))
plt.subplot(121)
plt.title('origin image')
plt.imshow(img,plt.cm.gray)
plt.subplot(122)
plt.title('filted image')
plt.imshow(auto,plt.cm.gray)
4、entropy
求局部熵，熵是使用基为2的对数运算出来的。该函数将局部区域的灰度值分布进行二进制编码，返回编码的最小值。
函数格式：entropy(image, selem）
selem表示结构化元素，用于设定滤波器。
from skimage import data,color
import matplotlib.pyplot as plt
from skimage.morphology import disk
import skimage.filters.rank as sfr
img =color.rgb2gray(data.lena())
dst =sfr.entropy(img, disk(5)) #半径为5的圆形滤波器
plt.figure('filters',figsize=(8,8))
plt.subplot(121)
plt.title('origin image')
plt.imshow(img,plt.cm.gray)
plt.subplot(122)
plt.title('filted image')
plt.imshow(dst,plt.cm.gray)
5、equalize
均衡化滤波。利用局部直方图对图像进行均衡化滤波。
函数格式：equalize(image, selem）
selem表示结构化元素，用于设定滤波器。
from skimage import data,color
import matplotlib.pyplot as plt
from skimage.morphology import disk
import skimage.filters.rank as sfr
img =color.rgb2gray(data.lena())
dst =sfr.equalize(img, disk(5)) #半径为5的圆形滤波器
plt.figure('filters',figsize=(8,8))
plt.subplot(121)
plt.title('origin image')
plt.imshow(img,plt.cm.gray)
plt.subplot(122)
plt.title('filted image')
plt.imshow(dst,plt.cm.gray)
6、gradient
返回图像的局部梯度值（如：最大值-最小值），用此梯度值代替区域内所有像素值。
函数格式：gradient(image, selem）
selem表示结构化元素，用于设定滤波器。
from skimage import data,color
import matplotlib.pyplot as plt
from skimage.morphology import disk
import skimage.filters.rank as sfr
img =color.rgb2gray(data.lena())
dst =sfr.gradient(img, disk(5)) #半径为5的圆形滤波器
plt.figure('filters',figsize=(8,8))
plt.subplot(121)
plt.title('origin image')
plt.imshow(img,plt.cm.gray)
plt.subplot(122)
plt.title('filted image')
plt.imshow(dst,plt.cm.gray)
7、其它滤波器
滤波方式很多，下面不再一一详细讲解，仅给出核心代码，所有的函数调用方式都是一样的。
最大值滤波器（maximum):返回图像局部区域的最大值，用此最大值代替该区域内所有像素值。
dst =sfr.maximum(img, disk(5))
最小值滤波器（minimum)：返回图像局部区域内的最小值，用此最小值取代该区域内所有像素值。
dst =sfr.minimum(img, disk(5))
均值滤波器（mean) : 返回图像局部区域内的均值，用此均值取代该区域内所有像素值。
dst =sfr.mean(img, disk(5))
中值滤波器（median): 返回图像局部区域内的中值，用此中值取代该区域内所有像素值。
dst =sfr.median(img, disk(5))
莫代尔滤波器（modal) : 返回图像局部区域内的modal值，用此值取代该区域内所有像素值。
dst =sfr.modal(img, disk(5))
otsu阈值滤波（otsu): 返回图像局部区域内的otsu阈值，用此值取代该区域内所有像素值。
dst =sfr.otsu(img, disk(5))
阈值滤波（threshhold): 将图像局部区域中的每个像素值与均值比较，大于则赋值为1，小于赋值为0，得到一个二值图像。
dst =sfr.threshold(img, disk(5))
减均值滤波（subtract_mean): 将局部区域中的每一个像素，减去该区域中的均值。
dst =sfr.subtract_mean(img, disk(5))
求和滤波（sum) :求局部区域的像素总和，用此值取代该区域内所有像素值。
dst =sfr.sum(img, disk(5))
总结
以上就是本文关于python数字图像处理之高级滤波代码详解的全部内容，希望对大家有所帮助。感兴趣的朋友可以继续参阅本站：
如有不足之处，欢迎留言指出。
