Python怎么實現(xiàn)低通濾波器模糊圖像功能

這篇文章主要介紹“Python怎么實現(xiàn)低通濾波器模糊圖像功能”的相關(guān)知識，小編通過實際案例向大家展示操作過程，操作方法簡單快捷，實用性強，希望這篇“Python怎么實現(xiàn)低通濾波器模糊圖像功能”文章能幫助大家解決問題。

使用低通濾波器模糊圖像

0. 前言

低通濾波器 (Low Pass Filter, LPF) 過濾了圖像中的高頻部分，并僅允許低頻部分通過。因此，在圖像上應(yīng)用 LPF 會刪除圖像中的細(xì)節(jié)/邊緣和噪聲/離群值，此過程也稱為圖像模糊(或平滑)，圖像平滑可以作為復(fù)雜圖像處理任務(wù)的預(yù)處理部分。

1. 頻域中的不同類型的核與卷積

1.1 圖像模糊分類

圖像模糊通常包含以下類型：

• 邊緣模糊 (Edge) 這種類型的模糊通常通過卷積顯式地應(yīng)用于圖像，例如線性濾波器核或高斯核等，使用這些濾波器核可以平滑/去除圖像中不必要的細(xì)節(jié)/噪聲。

• 運動模糊 (Motion) 通常是由于相機(jī)在拍攝圖像時抖動所產(chǎn)生的，也就是說，攝像機(jī)或被拍攝的對象處于移動狀態(tài)。我們可以使用點擴(kuò)展函數(shù)來模擬這種模糊。

• 失焦模糊 (de-focus) 當(dāng)相機(jī)拍攝的對象失焦時，會產(chǎn)生這種類型的模糊；我們可以使用模糊 (blur) 核來模擬這種模糊。

接下來，我們創(chuàng)建以上三種不同類型的核，并將它們應(yīng)用于圖像以觀察不同類型核處理圖像后的結(jié)果。

1.2 使用不同核執(zhí)行圖像模糊

(1) 我們首先定義函數(shù) get_gaussian_edge_blur_kernel() 以返回 2D 高斯模糊核用于邊緣模糊。該函數(shù)接受高斯標(biāo)準(zhǔn)差 ( σ σ σ) 以及創(chuàng)建 2D 核的大小(例如，sz = 15 將創(chuàng)建尺寸為 15x15 的核)作為函數(shù)的參數(shù)。如下所示，首先創(chuàng)建了一個 1D 高斯核，然后計算兩個 1D 高斯核的外積返回 2D 核：

import numpy as np
import numpy.fft as fp
from skimage.io import imread
from skimage.color import rgb2gray 
import matplotlib.pyplot as plt
import cv2

def get_gaussian_edge_blur_kernel(sigma, sz=15):
    # First create a 1-D Gaussian kernel
    x = np.linspace(-10, 10, sz)
    kernel_1d = np.exp(-x**2/sigma**2)
    kernel_1d /= np.trapz(kernel_1d) # normalize the sum to 1.0
    # create a 2-D Gaussian kernel from the 1-D kernel
    kernel_2d = kernel_1d[:, np.newaxis] * kernel_1d[np.newaxis, :]
    return kernel_2d

(2) 接下來，定義函數(shù) get_motion_blur_kernel() 以生成運動模糊核，得到給定長度且特定方向(角度)的線作為卷積核，以模擬輸入圖像的運動模糊效果：

def get_motion_blur_kernel(ln, angle, sz=15):
    kern = np.ones((1, ln), np.float32)
    angle = -np.pi*angle/180
    c, s = np.cos(angle), np.sin(angle)
    A = np.float32([[c, -s, 0], [s, c, 0]])
    sz2 = sz // 2
    A[:,2] = (sz2, sz2) - np.dot(A[:,:2], ((ln-1)*0.5, 0))
    kern = cv2.warpAffine(kern, A, (sz, sz), flags=cv2.INTER_CUBIC)
    return kern

函數(shù) get_motion_blur_kernel() 將模糊的長度和角度以及模糊核的尺寸作為參數(shù)，函數(shù)使用 OpenCV 的 warpaffine() 函數(shù)返回核矩陣(以矩陣中心為中點，使用給定長度和給定角度得到核)。

(3) 最后，定義函數(shù) get_out_of_focus_kernel() 以生成失焦核(模擬圖像失焦模糊)，其根據(jù)給定半徑創(chuàng)建圓用作卷積核，該函數(shù)接受半徑 R (Deocus Radius) 和要生成的核大小作為輸入?yún)?shù)：

 def get_out_of_focus_kernel(r, sz=15):
    kern = np.zeros((sz, sz), np.uint8)
    cv2.circle(kern, (sz, sz), r, 255, -1, cv2.LINE_AA, shift=1)
    kern = np.float32(kern) / 255
    return kern

(4) 接下來，實現(xiàn)函數(shù) dft_convolve()，該函數(shù)使用圖像的逐元素乘法和頻域中的卷積核執(zhí)行頻域卷積(基于卷積定理)。該函數(shù)還繪制輸入圖像、核和卷積計算后得到的輸出圖像：

def dft_convolve(im, kernel):
    F_im = fp.fft2(im)
    #F_kernel = fp.fft2(kernel, s=im.shape)
    F_kernel = fp.fft2(fp.ifftshift(kernel), s=im.shape)
    F_filtered = F_im * F_kernel
    im_filtered = fp.ifft2(F_filtered)
    cmap = 'RdBu'
    plt.figure(figsize=(20,10))
    plt.gray()
    plt.subplot(131), plt.imshow(im), plt.axis('off'), plt.title('input image', size=10)
    plt.subplot(132), plt.imshow(kernel, cmap=cmap), plt.title('kernel', size=10)
    plt.subplot(133), plt.imshow(im_filtered.real), plt.axis('off'), plt.title('output image', size=10)
    plt.tight_layout()
    plt.show()

(5) 將 get_gaussian_edge_blur_kernel() 核函數(shù)應(yīng)用于圖像，并繪制輸入，核和輸出模糊圖像：

im = rgb2gray(imread('3.jpg'))

kernel = get_gaussian_edge_blur_kernel(25, 25)
dft_convolve(im, kernel)

(6) 接下來，將 get_motion_blur_kernel() 函數(shù)應(yīng)用于圖像，并繪制輸入，核和輸出模糊圖像：

kernel = get_motion_blur_kernel(30, 60, 25)
dft_convolve(im, kernel)

(7) 最后，將 get_out_of_focus_kernel() 函數(shù)應(yīng)用于圖像，并繪制輸入，核和輸出模糊圖像：

kernel = get_out_of_focus_kernel(15, 20)
dft_convolve(im, kernel)

2. 使用 scipy.ndimage 濾波器模糊圖像

scipy.ndimage 模塊提供了一系列可以在頻域中對圖像應(yīng)用低通濾波器的函數(shù)。本節(jié)中，我們通過幾個示例學(xué)習(xí)其中一些濾波器的用法。

2.1 使用 fourier_gaussian() 函數(shù)

使用 scipy.ndimage 庫中的 fourier_gaussian() 函數(shù)在頻域中使用高斯核執(zhí)行卷積操作。

(1) 首先，讀取輸入圖像，并將其轉(zhuǎn)換為灰度圖像，并通過使用 FFT 獲取其頻域表示：

import numpy as np
import numpy.fft as fp
from skimage.io import imread
import matplotlib.pyplot as plt
from scipy import ndimage

im = imread('1.png', as_gray=True)
freq = fp.fft2(im)

(2) 接下來，使用 fourier_gaussian() 函數(shù)對圖像執(zhí)行模糊操作，使用兩個具有不同標(biāo)準(zhǔn)差的高斯核，繪制輸入、輸出圖像以及功率譜：

fig, axes = plt.subplots(2, 3, figsize=(20,15))
plt.subplots_adjust(0,0,1,0.95,0.05,0.05)
plt.gray() # show the filtered result in grayscale
axes[0, 0].imshow(im), axes[0, 0].set_title('Original Image', size=10)
axes[1, 0].imshow((20*np.log10( 0.1 + fp.fftshift(freq))).real.astype(int)), axes[1, 0].set_title('Original Image Spectrum', size=10)
i = 1
for sigma in [3,5]:
    convolved_freq = ndimage.fourier_gaussian(freq, sigma=sigma)
    convolved = fp.ifft2(convolved_freq).real # the imaginary part is an artifact
    axes[0, i].imshow(convolved)
    axes[0, i].set_title(r'Output with FFT Gaussian Blur, $\sigma$={}'.format(sigma), size=10)
    axes[1, i].imshow((20*np.log10( 0.1 + fp.fftshift(convolved_freq))).real.astype(int))
    axes[1, i].set_title(r'Spectrum with FFT Gaussian Blur, $\sigma$={}'.format(sigma), size=10)
    i += 1
for a in axes.ravel():
    a.axis('off')    
plt.show()

2.2 使用 fourier_uniform() 函數(shù)

scipy.ndimage 模塊的函數(shù) fourier_uniform() 實現(xiàn)了多維均勻傅立葉濾波器。頻率陣列與給定尺寸的方形核的傅立葉變換相乘。接下來，我們學(xué)習(xí)如何使用 LPF (均值濾波器)模糊輸入灰度圖像。

(1) 首先，讀取輸入圖像并使用 DFT 獲取其頻域表示：

im = imread('1.png', as_gray=True)
freq = fp.fft2(im)

(2) 然后，使用函數(shù) fourier_uniform() 應(yīng)用 10x10 方形核(由功率譜上的參數(shù)指定)，以獲取平滑輸出：

freq_uniform = ndimage.fourier_uniform(freq, size=10)

(3) 繪制原始輸入圖像和模糊后的圖像：

fig, (axes1, axes2) = plt.subplots(1, 2, figsize=(20,10))
plt.gray() # show the result in grayscale
im1 = fp.ifft2(freq_uniform)
axes1.imshow(im), axes1.axis('off')
axes1.set_title('Original Image', size=10)
axes2.imshow(im1.real) # the imaginary part is an artifact
axes2.axis('off')
axes2.set_title('Blurred Image with Fourier Uniform', size=10)
plt.tight_layout()
plt.show()

(4) 最后，繪制顯示方形核的功率譜：

plt.figure(figsize=(10,10))
plt.imshow( (20*np.log10( 0.1 + fp.fftshift(freq_uniform))).real.astype(int))
plt.title('Frequency Spectrum with fourier uniform', size=10)
plt.show()

2.3 使用 fourier_ellipsoid() 函數(shù)

與上一小節(jié)類似，通過將方形核修改為橢圓形核，我們可以使用橢圓形核生成模糊的輸出圖像。

(1) 類似的，我們首先在圖像的功率譜上應(yīng)用函數(shù) fourier_ellipsoid()，并使用 IDFT 在空間域中獲得模糊后的輸出圖像：

freq_ellipsoid = ndimage.fourier_ellipsoid(freq, size=10)
im1 = fp.ifft2(freq_ellipsoid)

(2) 接下來，繪制原始輸入圖像和模糊后的圖像：

fig, (axes1, axes2) = plt.subplots(1, 2, figsize=(20,10))
axes1.imshow(im), axes1.axis('off')
axes1.set_title('Original Image', size=10)
axes2.imshow(im1.real) # the imaginary part is an artifact
axes2.axis('off')
axes2.set_title('Blurred Image with Fourier Ellipsoid', size=10)
plt.tight_layout()
plt.show()

(3) 最后，顯示應(yīng)用橢圓形核后圖像的頻譜：

plt.figure(figsize=(10,10))
plt.imshow( (20*np.log10( 0.1 + fp.fftshift(freq_ellipsoid))).real.astype(int))
plt.title('Frequency Spectrum with Fourier ellipsoid', size=10)
plt.show()

3. 使用 scipy.fftpack 實現(xiàn)高斯模糊

我們已經(jīng)學(xué)習(xí)了如何在實際應(yīng)用中使用 numpy.fft 模塊的 2D-FFT。在本節(jié)中，我們將介紹 scipy.fftpack 模塊的 fft2() 函數(shù)用于實現(xiàn)高斯模糊。

(1) 使用灰度圖像作為輸入，并使用 FFT 從圖像中創(chuàng)建 2D 頻率響應(yīng)數(shù)組：

import numpy as np
import numpy.fft as fp
from skimage.color import rgb2gray
from skimage.io import imread
import matplotlib.pyplot as plt
from scipy import signal
from matplotlib.ticker import LinearLocator, FormatStrFormatter

im = rgb2gray(imread('1.png'))
freq = fp.fft2(im)

(2) 通過計算兩個 1D 高斯核的外積，在空間域中創(chuàng)建高斯 2D 核用作 LPF：

kernel = np.outer(signal.gaussian(im.shape[0], 1), signal.gaussian(im.shape[1], 1))

(3) 使用 DFT 獲得高斯核的頻率響應(yīng)：

freq_kernel = fp.fft2(fp.ifftshift(kernel))

(4) 使用卷積定理通過逐元素乘法在頻域中將 LPF 與輸入圖像卷積：

convolved = freq*freq_kernel # by the Convolution theorem

(5) 使用 IFFT 獲得輸出圖像，需要注意的是，要正確顯示輸出圖像，需要縮放輸出圖像：

im_blur = fp.ifft2(convolved).real
im_blur = 255 * im_blur / np.max(im_blur)

(6) 繪制圖像、高斯核和在頻域中卷積后獲得圖像的功率譜，可以使用 matplotlib.colormap 繪制色，以了解不同坐標(biāo)下的頻率響應(yīng)值：

plt.figure(figsize=(20,20))
plt.subplot(221), plt.imshow(kernel, cmap='coolwarm'), plt.colorbar()
plt.title('Gaussian Blur Kernel', size=10)
plt.subplot(222)
plt.imshow( (20*np.log10( 0.01 + fp.fftshift(freq_kernel))).real.astype(int), cmap='inferno')
plt.colorbar()
plt.title('Gaussian Blur Kernel (Freq. Spec.)', size=10)
plt.subplot(223), plt.imshow(im, cmap='gray'), plt.axis('off'), plt.title('Input Image', size=10)
plt.subplot(224), plt.imshow(im_blur, cmap='gray'), plt.axis('off'), plt.title('Output Blurred Image', size=10)
plt.tight_layout()
plt.show()

(7) 要繪制輸入/輸出圖像和 3D 核的功率譜，我們定義函數(shù) plot_3d()，使用 mpl_toolkits.mplot3d 模塊的 plot_surface() 函數(shù)獲取 3D 功率譜圖，給定相應(yīng)的 Y 和Z值作為 2D 陣列傳遞：

def plot_3d(X, Y, Z, cmap=plt.cm.seismic):
    fig = plt.figure(figsize=(20,20))
    ax = fig.gca(projection='3d')
    # Plot the surface.
    surf = ax.plot_surface(X, Y, Z, cmap=cmap, linewidth=5, antialiased=False)
    #ax.plot_wireframe(X, Y, Z, rstride=10, cstride=10)
    #ax.set_zscale("log", nonposx='clip')
    #ax.zaxis.set_scale('log')
    ax.zaxis.set_major_locator(LinearLocator(10))
    ax.zaxis.set_major_formatter(FormatStrFormatter('%.02f'))
    ax.set_xlabel('F1', size=15)
    ax.set_ylabel('F2', size=15)
    ax.set_zlabel('Freq Response', size=15)
    #ax.set_zlim((-40,10))
    # Add a color bar which maps values to colors.
    fig.colorbar(surf) #, shrink=0.15, aspect=10)
    #plt.title('Frequency Response of the Gaussian Kernel')
    plt.show()

(8) 在 3D 空間中繪制高斯核的頻率響應(yīng)，并使用 plot_3d() 函數(shù)：

Y = np.arange(freq.shape[0]) #-freq.shape[0]//2,freq.shape[0]-freq.shape[0]//2)
X = np.arange(freq.shape[1]) #-freq.shape[1]//2,freq.shape[1]-freq.shape[1]//2)
X, Y = np.meshgrid(X, Y)
Z = (20*np.log10( 0.01 + fp.fftshift(freq_kernel))).real
plot_3d(X,Y,Z)

下圖顯示了 3D 空間中高斯 LPF 核的功率譜：

(9) 繪制 3D 空間中輸入圖像的功率譜：

Z = (20*np.log10( 0.01 + fp.fftshift(freq))).real
plot_3d(X,Y,Z)

(10) 最后，繪制輸出圖像的功率譜(通過將高斯核與輸入圖像卷積獲得)：

Z = (20*np.log10( 0.01 + fp.fftshift(convolved))).real
plot_3d(X,Y,Z)

從輸出圖像的頻率響應(yīng)中可以看出，高頻組件被衰減，從而導(dǎo)致細(xì)節(jié)的平滑/丟失，并導(dǎo)致輸出圖像模糊。

4. 彩色圖像頻域卷積

在本節(jié)中，我們將學(xué)習(xí)使用 scipy.signal 模塊的 fftconvolve() 函數(shù)，用于與 RGB 彩色輸入圖像進(jìn)行頻域卷積，從而生成 RGB 彩色模糊輸出圖像：

scipy.signal.fftconvolve(in1, in2, mode='full', axes=None)

函數(shù)使用 FFT 卷積兩個 n 維數(shù)組 in1 和 in2，并由 mode 參數(shù)確定輸出大小。卷積模式 mode 具有以下類型：

• 輸出是輸入的完全離散線性卷積，默認(rèn)情況下使用此種卷積模式

• 輸出僅由那些不依賴零填充的元素組成，in1 或 in2 的尺寸必須相同

• 輸出的大小與 in1 相同，并以輸出為中心

4.1 基于 scipy.signal 模塊的彩色圖像頻域卷積

接下來，我們實現(xiàn)高斯低通濾波器并使用 Laplacian 高通濾波器執(zhí)行相應(yīng)操作。

(1) 首先，導(dǎo)入所需的包，并讀取輸入 RGB 圖像：

from skimage import img_as_float
from scipy import signal
import numpy as np
import matplotlib.pyplot as plt

im = img_as_float(plt.imread('1.png'))

(2) 實現(xiàn)函數(shù) get_gaussian_edge_kernel()，并根據(jù)此函數(shù)創(chuàng)建一個尺寸為 15x15 的高斯核：

def get_gaussian_edge_blur_kernel(sigma, sz=15):
    # First create a 1-D Gaussian kernel
    x = np.linspace(-10, 10, sz)
    kernel_1d = np.exp(-x**2/sigma**2)
    kernel_1d /= np.trapz(kernel_1d) # normalize the sum to 1.0
    # create a 2-D Gaussian kernel from the 1-D kernel
    kernel_2d = kernel_1d[:, np.newaxis] * kernel_1d[np.newaxis, :]
    return kernel_2d
kernel = get_gaussian_edge_blur_kernel(sigma=10, sz=15)

(3) 然后，使用 np.newaxis 將核尺寸重塑為 15x15x1，并使用 same 模式調(diào)用函數(shù) signal.fftconvolve()：

im1 = signal.fftconvolve(im, kernel[:, :, np.newaxis], mode='same')
im1 = im1 / np.max(im1)

在以上代碼中使用的 mode='same'，可以強制輸出形狀與輸入陣列形狀相同，以避免邊框效應(yīng)。

(4) 接下來，使用 laplacian HPF 內(nèi)核，并使用相同函數(shù)執(zhí)行頻域卷積。需要注意的是，我們可能需要縮放/裁剪輸出圖像以使輸出值保持像素的浮點值范圍 [0,1] 內(nèi)：

kernel = np.array([[0,-1,0],[-1,4,-1],[0,-1,0]])
im2 = signal.fftconvolve(im, kernel[:, :, np.newaxis], mode='same')
im2 = im2 / np.max(im2)
im2 = np.clip(im2, 0, 1)

(5) 最后，繪制輸入圖像和使用卷積創(chuàng)建的輸出圖像。

plt.figure(figsize=(20,10))
plt.subplot(131), plt.imshow(im), plt.axis('off'), plt.title('original image', size=10)
plt.subplot(132), plt.imshow(im1), plt.axis('off'), plt.title('output with Gaussian LPF', size=10)
plt.subplot(133), plt.imshow(im2), plt.axis('off'), plt.title('output with Laplacian HPF', size=10)
plt.tight_layout()
plt.show()

關(guān)于“Python怎么實現(xiàn)低通濾波器模糊圖像功能”的內(nèi)容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關(guān)的知識，可以關(guān)注億速云行業(yè)資訊頻道，小編每天都會為大家更新不同的知識點。