海南省网站设计公司网址,wordpress文件结构,中国住房城乡建设厅网站,北京城建设计集团网站灵感来源于我之前写的一篇博客#xff1a;图像处理#xff1a;基于cv2.inpaint()图像修补。
这种方式可以有效的去除白色的噪点#xff0c;这里我们需要一张噪点的图像#xff0c;你可以用下面的代码随机生成一张噪点图片#xff1a;
import cv2
import numpy as np
# i…灵感来源于我之前写的一篇博客图像处理基于cv2.inpaint()图像修补。
这种方式可以有效的去除白色的噪点这里我们需要一张噪点的图像你可以用下面的代码随机生成一张噪点图片
import cv2
import numpy as np
# import pyzjrdef addnoisy(image, n2000)::param image: 原始图像:param n: 添加椒盐的次数,默认为10000:return: 返回被椒盐处理后的图像result image.copy()w, h image.shape[:2]for i in range(n):x np.random.randint(0, w)y np.random.randint(0, h)if np.random.randint(0, 1) 0:result[x, y] 255return resultimg cv2.imread(crack.jpg)
result addnoisy(img)
cv2.imwrite(crack.png,result)
原图crack.jpg 噪点图crack.png: 然后我们就可以用下面的代码进行处理了。
import cv2
import numpy as np
from skimage.feature import blob_log
import matplotlib.pyplot as pltimage cv2.imread(rD:\PythonProject\net\High_tower\crack.png)
gray_image cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)min_sigma 1 # 斑点最小尺寸
max_sigma 50 # 斑点最大尺寸
threshold 0.1 # 斑点阈值用于控制检测的灵敏度blobs blob_log(gray_image, min_sigmamin_sigma, max_sigmamax_sigma, thresholdthreshold)height, width image.shape[:2]black_image np.zeros((height, width), dtypenp.uint8)for blob in blobs:y, x, sigma blobradius int(sigma * np.sqrt(2)) # 半径是标准差乘以sqrt(2)cv2.circle(black_image, (int(x), int(y)), radius, (255,255,255), -1)dst cv2.inpaint(image, black_image, 10, cv2.INPAINT_TELEA)
cv2.imwrite(filled_blobs.png, black_image)
cv2.imwrite(dst.png, dst)
这里先是使用blob_log函数从灰度图像中检测斑点并将检测到的斑点存储在blobs中。根据图像的高度和宽度创建一个与输入图像相同尺寸的全黑图像用于标记检测到的斑点。
使用for循环遍历检测到的每个斑点然后在全黑图像上绘制一个白色的圆圈来标记斑点的位置和大小。
使用图像修复技术将标记了斑点的全黑图像balck_image与原始图像image相结合生成修复后的图像dst。
这里保存了两张图一张是mask一张是处理后的图片。
检测到的mask: 处理后的图片 原先的图片受到了噪点的污染在处理后的效果很不错了这里你可以选择调参优化或者再加一个参数小的滤波处理。
这种方法的原理是检测白色噪点位置生成对应的掩模图然后使用修补函数用附近的像素点替代掉噪点比起滤波处理会让图像变得模糊使用这种方式让图像更加的平滑。
如果是其他颜色的污染你可以参照本文开头给的那篇博客里面有详细的介绍。
当然这种方法有些缺陷它在某些特定的场景下表现效果很好。
