Opencv实现图片和视频的加噪、平滑处理

图片和视频的加噪、平滑处理

图片加噪

---

还需要导入numpy库
定义的是椒盐噪声
代码展示：

def nosie_img(img,n=10000):img = img.copy()# 取shape的前两个值，即图片大的高宽h,w = img.shape[:2]for  i in range(n):# 随机生成像素值x,y对应的是h,wx = np.random.randint(1,h)y = np.random.randint(1,w)# 随机生成0，1，如果为0该点为黑点，否则为白点，黑白概率相同if np.random.randint(0,2) == 0:img[x,y] = 0else:img[x, y] = 255#返回图像return imga = cv2.imread('at1.png')
a_noise = nosie_img(a)
cv2.imshow('a',a)
cv2.waitKey(0)
cv2.imshow('a_noise',a_noise)
cv2.waitKey(0)

运行结果：

图片平滑处理

---

均值滤波

• 概念：以像素点为中心的周围的n*n个像素值的均值代替当前像素值，n尽量为奇数，边界自动扩展。
• 格式：cv2.blur(a,(n,n))
  a：图片变量
  (n,n):均值范围

代码展示：

def nosie_img(img,n=10000):img = img.copy()h,w = img.shape[:2]for  i in range(n):x = np.random.randint(1,h)y = np.random.randint(1,w)if np.random.randint(0,2) == 0:img[x,y] = 0else:img[x, y] = 255return imga = cv2.imread('at1.png')
a_noise = nosie_img(a)
a_noise_blur_3 = cv2.blur(a_noise,(3,3))
cv2.imshow('a',a)
cv2.waitKey(0)
cv2.imshow('a_noise',a_noise)
cv2.waitKey(0)
cv2.imshow('a_noise_blur_3',a_noise_blur_3)
cv2.waitKey(0)

运行结果：

方框滤波

• 概念：以像素点为中心的周围的nn个像素，normalize True时与均值滤波相同，normalize Fales时，nn个像素值的和大于255时为255，边界自动扩展。
• 格式：cv2.boxFilter(a,(n,n)，normalize=True/Fales)

代码展示：

def nosie_img(img,n=10000):img = img.copy()h,w = img.shape[:2]for  i in range(n):x = np.random.randint(1,h)y = np.random.randint(1,w)if np.random.randint(0,2) == 0:img[x,y] = 0else:img[x, y] = 255return img
a = cv2.imread('at1.png')
a_noise = nosie_img(a)
cv2.imshow('a',a)
cv2.waitKey(0)
cv2.imshow('a_noise',a_noise)
cv2.waitKey(0)
#方框滤波
a_noise_boxfilter_T = cv2.boxFilter(a_noise,-1,(3,3),normalize=True)
a_noise_boxfilter_F = cv2.boxFilter(a_noise,-1,(3,3),normalize=False)
cv2.imshow('a_noise_boxfilter_T',a_noise_boxfilter_T)
cv2.waitKey(0)
cv2.imshow('a_noise_boxfilter_F',a_noise_boxfilter_F)
cv2.waitKey(0)

运行结果：

高斯滤波

• 概念：以像素点为中心的周围的n*n个像素，加权运算得到最终像素值，边界自动扩展。
• 格式：cv2.GaussianBlur(a,(n,n),1) 1表示正态分布，确定权重分布

代码展示：

def nosie_img(img,n=10000):img = img.copy()h,w = img.shape[:2]for  i in range(n):x = np.random.randint(1,h)y = np.random.randint(1,w)if np.random.randint(0,2) == 0:img[x,y] = 0else:img[x, y] = 255return imga = cv2.imread('at1.png')
a_noise = nosie_img(a)
cv2.imshow('a',a)
cv2.waitKey(0)
cv2.imshow('a_noise',a_noise)
cv2.waitKey(0)
#高斯滤波
a_noise_gauss = cv2.GaussianBlur(a_noise,(3,3),1)
cv2.imshow('a_noise_gauss',a_noise_gauss)
cv2.waitKey(0)

运行结果：

中值滤波

• 概念：以像素点为中心的周围的n*n个像素，从小到大排序，取中值为像素值，边界自动扩展。
• 格式：cv2.medianBlur(a,n)
  n：表示取中值范围，必须为奇数

代码展示：

def nosie_img(img,n=10000):img = img.copy()h,w = img.shape[:2]for  i in range(n):x = np.random.randint(1,h)y = np.random.randint(1,w)if np.random.randint(0,2) == 0:img[x,y] = 0else:img[x, y] = 255return imga = cv2.imread('at1.png')
a_noise = nosie_img(a)
cv2.imshow('a',a)
cv2.waitKey(0)
cv2.imshow('a_noise',a_noise)
cv2.waitKey(0)
#中值滤波
a_noise_median = cv2.medianBlur(a,3)
cv2.imshow('a_noise_median',a_noise_median)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果：

视频平滑处理

代码展示：

# 加噪处理
def nosie_img(img,n=10000):img = img.copy()h,w = img.shape[:2]for  i in range(n):x = np.random.randint(1,h)y = np.random.randint(1,w)if np.random.randint(0,2) == 0:img[x,y] = 0else:img[x, y] = 255return img#视频处理
#读取视频
v = cv2.VideoCapture('test_v.mp4')
# 打不开退出
if not v.isOpened():print("无法打开视频")exit()#打开读取
while True:r, f = v.read()#视频加噪f_noise = nosie_img(f)#视频中值滤波处理f_noise_median = cv2.medianBlur(f_noise,3)if not r:breakcv2.imshow('video',f)cv2.imshow('video_f_noise', f_noise)cv2.imshow('video_f_noise_median', f_noise_median)#点击空格键，退出播放if cv2.waitKey(10) == 32:breakv.release()
cv2.destroyAllWindows()

运行结果：