引言
1、sobel算子
2、roberts算子
3、scharr算子
4、prewitt算子
5、canny算子
6、gabor濾波
7、gaussian濾波
8、median
9、水平、垂直邊緣檢測
10、交叉邊緣檢測
引言對圖像進行濾波，可以有兩種效果：一種是平滑濾波，用來抑制噪聲；另一種是微分算子，可以用來檢測邊緣和特征提取。
skimage庫中通過filters模塊進行濾波操作。
1、sobel算子sobel算子可用來檢測邊緣
函數格式為：skimage.filters.sobel(image, mask=None)
from skimage import data,filtersimport matplotlib.pyplot as pltimg = data.camera()edges = filters.sobel(img)plt.imshow(edges,plt.cm.gray)
roberts算子和sobel算子一樣，用於檢測邊緣
調用格式也是一樣的：
edges = filters.roberts(img)3、scharr算子功能同sobel，調用格式：
edges = filters.scharr(img)4、prewitt算子功能同sobel，調用格式：
edges = filters.prewitt(img)5、canny算子canny算子也是用於提取邊緣特征，但它不是放在filters模塊，而是放在feature模塊
函數格式：skimage.feature.canny(image，sigma=1.0)
可以修改sigma的值來調整效果
from skimage import data,filters,featureimport matplotlib.pyplot as pltimg = data.camera()edges1 = feature.canny(img) #sigma=1edges2 = feature.canny(img,sigma=3) #sigma=3plt.figure('canny',figsize=(8,8))plt.subplot(121)plt.imshow(edges1,plt.cm.gray) plt.subplot(122)plt.imshow(edges2,plt.cm.gray)plt.show()
從結果可以看出，sigma越小，邊緣線條越細小。
6、gabor濾波gabor濾波可用來進行邊緣檢測和紋理特征提取。
函數調用格式：skimage.filters.gabor_filter(image, frequency)
通過修改frequency值來調整濾波效果，返回一對邊緣結果，一個是用真實濾波核的濾波結果，一個是想象的濾波核的濾波結果。
from skimage import data,filtersimport matplotlib.pyplot as pltimg = data.camera()filt_real, filt_imag = filters.gabor_filter(img,frequency=0.6) plt.figure('gabor',figsize=(8,8))plt.subplot(121)plt.title('filt_real')plt.imshow(filt_real,plt.cm.gray) plt.subplot(122)plt.title('filt-imag')plt.imshow(filt_imag,plt.cm.gray)plt.show()
以上為frequency=0.6的結果圖。
以上為frequency=0.1的結果圖
7、gaussian濾波多維的濾波器，是一種平滑濾波，可以消除高斯噪聲。
調用函數為：skimage.filters.gaussian_filter(image, sigma)
通過調節sigma的值來調整濾波效果
from skimage import data,filtersimport matplotlib.pyplot as pltimg = data.astronaut()edges1 = filters.gaussian_filter(img,sigma=0.4) #sigma=0.4edges2 = filters.gaussian_filter(img,sigma=5) #sigma=5plt.figure('gaussian',figsize=(8,8))plt.subplot(121)plt.imshow(edges1,plt.cm.gray) plt.subplot(122)plt.imshow(edges2,plt.cm.gray)plt.show()
可見sigma越大，過濾後的圖像越模糊
8、median中值濾波，一種平滑濾波，可以消除噪聲。
需要用skimage.morphology模塊來設置濾波器的形狀。
from skimage import data,filtersimport matplotlib.pyplot as pltfrom skimage.morphology import diskimg = data.camera()edges1 = filters.median(img,disk(5))edges2= filters.median(img,disk(9))plt.figure('median',figsize=(8,8))plt.subplot(121)plt.imshow(edges1,plt.cm.gray) plt.subplot(122)plt.imshow(edges2,plt.cm.gray)plt.show()
從結果可以看出，濾波器越大，圖像越模糊。
9、水平、垂直邊緣檢測上邊所舉的例子都是進行全部邊緣檢測，有些時候我們只需要檢測水平邊緣，或垂直邊緣，就可用下面的方法。
水平邊緣檢測：sobel_h, prewitt_h, scharr_h
垂直邊緣檢測： sobel_v, prewitt_v, scharr_v
from skimage import data,filtersimport matplotlib.pyplot as pltimg = data.camera()edges1 = filters.sobel_h(img) edges2 = filters.sobel_v(img) plt.figure('sobel_v_h',figsize=(8,8))plt.subplot(121)plt.imshow(edges1,plt.cm.gray) plt.subplot(122)plt.imshow(edges2,plt.cm.gray)plt.show()
上邊左圖為檢測出的水平邊緣，右圖為檢測出的垂直邊緣。
10、交叉邊緣檢測可使用Roberts的十字交叉核來進行過濾，以達到檢測交叉邊緣的目的。這些交叉邊緣實際上是梯度在某個方向上的一個分量。
其中一個核：
0 1
-1 0
對應的函數：
roberts_neg_diag(image）
例：
from skimage import data,filtersimport matplotlib.pyplot as pltimg =data.camera()dst =filters.roberts_neg_diag(img) 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)
另外一個核：
1 0
0 -1
對應函數為：
roberts_pos_diag(image）
from skimage import data,filtersimport matplotlib.pyplot as pltimg =data.camera()dst =filters.roberts_pos_diag(img) 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)
以上就是python數字圖像處理之圖像簡單濾波實現的詳細內容，更多關於python數字圖像處理簡單濾波的資料請關注軟件開發網其它相關文章！
