滤波

1、高斯滤波

导包：n维图像包，用于多维图像处理

多维的滤波器，是一种平滑滤波，可以消除高斯噪声，通过调节sigma的值来调整滤波效果。

from scipy import ndimage as nd

使用

fig = plt.figure(figsize = (12,12))
plt.gray()         # 以灰度显示过滤后的结果
ax1 = fig.add_subplot(121)    # 子图1
ax2 = fig.add_subplot(122)      # 子图2
gaussian_img = nd.gaussian_filter(img,sigma = 1)
ax1.imshow(gaussian_img)       # 高斯滤波后的图像
ax2.imshow(img)        # 原图
plt.show()

效果展示：

　　

 

 

 2、sober滤波

　　可以用来检测边缘

导包

from skimage.filters import sobel

使用

sobel_img = sobel(img)
fig = plt.figure(figsize = (12,12))
# 以灰度显示过滤后的结果
ax1 = fig.add_subplot(121) 
ax2 = fig.add_subplot(122)
ax1.imshow(sobel_img)
ax2.imshow(img)
plt.show()

效果展示：

　　

 

 

3、拉普拉斯滤波器

导包

from scipy.ndimage import laplace

使用

laplace_img = laplace(img)
fig = plt.figure(figsize = (12,12))
ax1 = fig.add_subplot(121)
ax2 = fig.add_subplot(122)
ax1.imshow(laplace_img)
ax2.imshow(img)
plt.show

效果展示：

　　

 

 

4、Gabor滤波器

Gabor滤波器是由正弦波平面波调制的高斯核线性滤波器。 Gabor滤波器的频率和方向表示与人类视觉系统的频率和方向表示相似。

Gabor滤波器组在计算机视觉和图像处理中有广泛的应用。它们特别适用于边缘检测和纹理分类。

通过修改frequency值来调整滤波效果，返回一对边缘结果，一个是用真实滤波核的滤波结果，一个是想象的滤波核的滤波结果。

导包

from skimage.filters import gabor

使用

real,gabor_img = gabor(img,frequency = 0.9)
fig = plt.figure(figsize = (12,12))
ax1 = fig.add_subplot(131)
ax2 = fig.add_subplot(132)
ax3 = fig.add_subplot(133)
ax1.imshow(real)      # 真实滤波核的滤波结果
ax2.imshow(gabor_img)      # 想象的滤波核的滤波结果
ax3.imshow(img)    # 原始图像
plt.show()

效果展示：

　　

 

 

 5、Hessian滤波

用混合Hessian滤波器过滤图像。 该滤波器可用于检测连续的边缘，如血管，皱纹，河流。它可以用来计算包含这些物体的整个图像的比例。

sigmas要自己慢慢调整，最好的效果是可以清楚的看到边缘。

导包

from skimage.filters import hessian

使用

hessian_img = hessian(img,sigmas = range(1,8,1))
fig = plt.figure(figsize = (12,12))
ax1 = fig.add_subplot(121)
ax2 = fig.add_subplot(122)
ax1.imshow(hessian_img)
ax2.imshow(img)
plt.show()

效果展示：

　　

 

 

 6、Prewitt滤波

用于检测边缘，和sober类似

导包

from skimage.filters import prewitt

使用

prewitt_img = prewitt(img)
fig = plt.figure(figsize = (12,12))
ax1 = fig.add_subplot(121)
ax2 = fig.add_subplot(122)
ax1.imshow(prewitt_img)
ax2.imshow(img)
plt.show()

效果展示：