数字图像处理：图像的简单滤波（十一）

对图像进行滤波，可以有两种效果：

平滑滤波，用来抑制噪声；
微分算子，可以用来检测边缘和特征提取。

skimage库中通过filters模块进行滤波操作。

1. sobel算子
sobel算子可用来检测边缘。
函数调用：

skimage.filters.sobel(image, mask=None)
# 参数1，参数2

from skimage import data,filters
import matplotlib.pyplot as plt

img = data.camera()
edges = filters.sobel(img)
plt.imshow(edges,plt.cm.gray)

run result:
在这里插入图片描述
补充：

skimage.filters.sobel_h(img,mask=None) # 使用Sobel变换查找图像的水平边缘。
skimage.filters.sobel_v(img,mask=None) # 使用Sobel变换查找图像的垂直边缘。

2.roberts算子
roberts算子和sobel算子一样，可以用于检测检测边缘。
调用函数：

skimage.filters.roberts(img,mask=None) # 使用罗伯茨的交叉算子找出边缘量值。
skimage.filters.roberts_neg_diag(img,mask=None) # 使用Roberts的Cross运算符查找图像的交叉边缘。
skimage.filters.roberts_pos_diag(img,mask=None) # 使用Roberts的交叉算子找出图像的交叉边缘。

from skimage import data,filters
import matplotlib.pyplot as plt

img = data.camera()
edges = filters.roberts(img)
plt.imshow(edges,plt.cm.gray)

run result :
在这里插入图片描述
3. scharr算子
scharr算子也可用来检测边缘。
skimage.filters.scharr(img，mask=None) # 使用Scharr变换查找边缘量值。
skimage.filters.scharr_h(img，mask=None) # 使用Scharr变换查找图像的水平边缘。
skimage.filters.scharr_h(img，mask=None) # 使用Scharr变换查找图像的水平边缘。

from skimage import data,filters
import matplotlib.pyplot as plt

img = data.camera()
edges = filters.scharr(img)
plt.imshow(edges,plt.cm.gray)

run result:
在这里插入图片描述
4.prewitt算子
用来检测边缘

skimage.filters.scharr(img，mask=None)  # 使用Scharr变换查找边缘量值。
skimage.filters.scharr_h(img，mask=None) # 使用Scharr变换查找图像的水平边缘。
skimage.filters.scharr_h(img，mask=None) # 使用Scharr变换查找图像的水平边缘。

from skimage import data,filters
import matplotlib.pyplot as plt

img = data.camera()
edges = filters.prewitt(img)
plt.imshow(edges,plt.cm.gray)

在这里插入图片描述
5.canny算子
canny算子也是用于提取边缘特征，但它不是放在filters模块，而是放在feature模块
函数格式：

skimage.feature.canny(image，sigma=1.0)

from skimage import data,feature
import matplotlib.pyplot as plt
img = data.camera()
edges1 = feature.canny(img)   #sigma=1
edges2 = feature.canny(img,sigma=3)   #sigma=3 # 可以修改sigma的值来调整效果

plt.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()

run result:
在这里插入图片描述
居然是黑色的？？？Oh,my god,我还不知道问题出现在哪里。。。。。

别人做的实验结果：
在这里插入图片描述
我还在找原因。。。。
终不是一帆风顺，历尽千帆，才能乘风破浪。

6.garbor滤波
用来进行边缘检测和纹理特征提取
函数调用：

skimage.filters.gabor(image, frequency)
# 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
# 注意，是filters.garbor(),不是filters.garbor_filter()
# 我用的是skimage 0.15.0版本

from skimage import data,filters
import matplotlib.pyplot as plt
img = data.camera()
filt_real, filt_imag = filters.gabor(img,frequency=0.6)   
# 注意，是filters.garbor(),不是filters.garbor_filter()
# 我用的是skimage 0.15.0版本
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()

run result：
frequency=0.6
在这里插入图片描述
frequency=0.2

7.gaussian滤波：
多维的滤波器，是一种平滑滤波，可以消除高斯噪声
调用：

skimage.filters.gaussian(image, sigma)

from skimage import data,filters
import matplotlib.pyplot as plt
img = data.astronaut()
edges1 = filters.gaussian(img,sigma=0.5)   #sigma=0.4
edges2 = filters.gaussian(img,sigma=6)   #sigma=6

plt.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()

run result：
在这里插入图片描述
8.中值滤波
中值滤波，一种平滑滤波，可以消除噪声

from skimage import data,filters
import matplotlib.pyplot as plt
from skimage.morphology import disk
# 需要用skimage.morphology模块来设置滤波器的形状。
img = 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()

run result：
在这里插入图片描述
需要用skimage.morphology模块来设置滤波器的形状；
从结果可以看出，滤波器越大，图像越模糊。

9.水平、垂直边缘检测
上边所举的例子大都是进行全部边缘检测，有些时候我们只需要检测水平边缘，或垂直边缘，
在前面几个算子中，函数调用时也带过了，水平或者垂直检测的函数调用方法。
先总结如下：

水平边缘检测：sobel_h, prewitt_h, scharr_h
垂直边缘检测： sobel_v, prewitt_v, scharr_v

我们以sobel算子为例：

from skimage import data,filters
import matplotlib.pyplot as plt
img = data.camera()
edges1 = filters.sobel_h(img)  
edges2 = filters.sobel_v(img) 

plt.figure('sobel_v_h',figsize=(8,8))


plt.subplot(121)
plt.title('horizontal edge')
plt.imshow(edges1,plt.cm.gray)  


plt.subplot(122)
plt.title('vertical edge')
plt.imshow(edges2,plt.cm.gray)

plt.show()

run result：
左图为检测出的水平边缘，右图为检测出的垂直边缘
在这里插入图片描述
10.交叉边缘检测
可使用Roberts的十字交叉核来进行过滤，以达到检测交叉边缘的目的。这些交叉边缘实际上是梯度在某个方向上的一个分量
其中一个核;
0 1
-1 0
对应的函数为：

roberts_neg_diag(image）

from skimage import data,filters
import matplotlib.pyplot as plt
img =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)