iis6添加网站,asp三层架构做网站,一个静态网站多少钱,炫酷的企业网站模板低通、高通、带阻和带通滤波器
得到空间滤波器的第三种方法#xff0c;生成一维滤波器函数#xff0c;然后要么使用式(3.42)wvvTw vv^TwvvT生成二维可分离的滤波器函数#xff0c;要么旋转这些一维函数来生成二维核。旋转后的一维函数是圆对称#xff08;各向同性#x…低通、高通、带阻和带通滤波器
得到空间滤波器的第三种方法生成一维滤波器函数然后要么使用式(3.42)wvvTw vv^TwvvT生成二维可分离的滤波器函数要么旋转这些一维函数来生成二维核。旋转后的一维函数是圆对称各向同性函数的近似。
# 低通、高通、带阻和带通滤波器
x np.arange(100)
y np.where(x 50, x, 1)
lp np.where(x 50, y, 0)hp 1 - lpplt.figure(figsize(16, 8))
plt.subplot(2, 2, 1), plt.plot(lp), plt.title(Low Pass), plt.xticks([]), plt.yticks([0, 1]), plt.ylim([0, 2])
plt.subplot(2, 2, 2), plt.plot(hp), plt.title(High Pass), plt.xticks([]), plt.yticks([0, 1]), plt.ylim([0, 2])y np.where(x 30, x, 1)
l_1 np.where(x 30, y, 0)y np.where(x 70, x, 1)
l_2 np.where(x 70, y, 0)
h_1 1 - l_2br h_1 l_1
plt.subplot(2, 2, 3), plt.plot(br), plt.title(Band Resitant), plt.xticks([]), plt.yticks([0, 1]), plt.ylim([0, 2])
bp 1 - br
plt.subplot(2, 2, 4), plt.plot(bp), plt.title(Band Pass), plt.xticks([]), plt.yticks([0, 1]), plt.ylim([0, 2])plt.show()同心反射板 z(x,y)12[1cos(x2y2)](3.66)z(x, y) \frac{1}{2}[1 cos(x^2 y^2)] \tag{3.66}z(x,y)21[1cos(x2y2)](3.66) xxx和yyy在区间[-8.2, 8.2]变化量为0.0275所以会得到一幅597×597597\times597597×597的图像。边缘的黑色区域是通过将中心距离大于8.2的所有像素设置为0得到的。
597的中心是(298 298)像素的距离应该是298
# 同心反射板
height, width 597, 597
m int((height - 1) / 2)
n int((width - 1) / 2)
X np.linspace(-8.2, 8.2, height)
Y np.linspace(-8.2, 8.2, width)
x, y np.meshgrid(X, Y)
circle 0.5 * (1 np.cos(x**2 y**2))
for i in range(circle.shape[0]):for j in range(circle.shape[1]):if np.sqrt((i - m)**2 (j - n)**2 ) m:circle[i, j] 0else:continueplt.figure(figsize(16, 8))
plt.subplot(1, 2, 1), plt.imshow(circle, gray), plt.title(Concentric circles), plt.xticks([]), plt.yticks([])
plt.subplot(1, 2, 2), plt.plot(circle[298, :]), plt.title(Frequency), plt.xticks([]), plt.yticks([])
plt.tight_layout()
plt.show()这是之前写的感觉有点不对
# 一维空间低通滤波器函数通过式(3.42)构造的二维低通滤波器
height, width 128, 128
m int((height - 1) / 2)
n int((width - 1) / 2)
x np.linspace(-6*np.pi, 6* np.pi, height)
y np.linspace(-6*np.pi, 6* np.pi, width)
scale 1 # scale可以缩放滤波器的尺寸
x np.sin(x * scale) / x
y np.sin(y * scale) / y
x np.array([x])
y np.array([y])w x * y.T# for i in range(w.shape[0]):
# for j in range(w.shape[1]):
# if np.sqrt((i - m)**2 (j - n)**2 ) m:
# w[i, j] 0
# else:
# continue
plt.figure(figsize(16, 8))
plt.subplot(1, 2, 1), plt.imshow(w, gray), plt.title(Concentric circles), plt.xticks([]), plt.yticks([])
plt.subplot(1, 2, 2), plt.plot(w[64, :]), plt.title(Frequency), plt.xticks([]), plt.yticks([])
plt.tight_layout()
plt.show()新增 这个才像函数旋转得到的 图像看起来有点粗糙是采样少了只有128如果增加到512会得到很好的效果。
# 一维空间低通滤波器函数通过式(3.42)构造的二维低通滤波器
height, width 128, 128
m int((height - 1) / 2)
n int((width - 1) / 2)
x np.linspace(-1*np.pi, 1* np.pi, height)
y np.linspace(-1*np.pi, 1* np.pi, width)
x, y np.meshgrid(x, y)
scale 1 # scale可以缩放滤波器的尺寸
w np.sinc((x**2 y**2) * scale)for i in range(w.shape[0]):for j in range(w.shape[1]):if np.sqrt((i - m)**2 (j - n)**2 ) m:w[i, j] 0else:continue
plt.figure(figsize(16, 8))
plt.subplot(1, 2, 1), plt.imshow(w, gray), plt.title(Concentric circles), plt.xticks([]), plt.yticks([])
plt.subplot(1, 2, 2), plt.plot(w[64, :]), plt.title(Frequency), #plt.xticks([]), plt.yticks([])
plt.tight_layout()
plt.show()# 不同的滤波器对同心圆反射板的效果图1效果不是很好
img_ori circle.copy()kernel_size 19
x np.ones([kernel_size])
x[kernel_size//3:] 0.1
y np.ones_like(x)
x np.array([x])
y np.array([y])
w x * y.T
img_sep separate_kernel_conv2D(img_ori, w)
img_sep np.uint8(normalize(img_sep) * 255)# 各向同性
height, width img_ori.shape[:2]
m int((height - 1) / 2)
n int((width - 1) / 2)
x np.linspace(-6*np.pi, 6* np.pi, 21)
y np.linspace(-6*np.pi, 6* np.pi, 21)
scale 0.5 # scale可以缩放滤波器的尺寸
x np.sin(x * scale) / (x 1e-8)
y np.sin(y * scale) / (y 1e-8)
x np.array([x])
y np.array([y])w x * y.Timg_sep_1 separate_kernel_conv2D(img_ori, w)
img_sep_1 np.uint8(normalize(img_sep_1) * 255)plt.figure(figsize(15, 12))
plt.subplot(1, 2, 1), plt.imshow(img_sep, gray, vmax255), plt.title(Original), plt.xticks([]), plt.yticks([])
plt.subplot(1, 2, 2), plt.imshow(img_sep_1, gray, vmax255), plt.title(Sobel), plt.xticks([]), plt.yticks([])plt.tight_layout()
plt.show()组合使用空间增强方法
# 1 拉普拉斯突出细节
# 2 平滑后的梯度图像来掩蔽拉普拉斯图像
# 3 灰度变换增大灰度级的动态范围
# 图1
img_ori cv2.imread(DIP_Figures/DIP3E_Original_Images_CH03/Fig0343(a)(skeleton_orig).tif, 0)# 图2拉普拉斯变换
# kernel_laplacian np.array((
# [0,1,0],
# [1,-4,1],
# [0,1,0]), np.int8)
kernel_laplacian_d np.array([[-1, -1, -1],[-1, 8, -1],[-1, -1, -1]],)
img_laplacian cv2.filter2D(img_ori, ddepth-1, kernelkernel_laplacian_d)
img_laplacian np.uint8(normalize(img_laplacian) * 255)# 图3原图拉普拉斯
img_ori_laplacian img_ori img_laplacian
img_ori_laplacian normalize(img_ori_laplacian) * 255# 图4原图Sobel变换
sobel_x np.zeros([3, 3], np.int)
sobel_x[0, :] np.array([-1, -2, -1])
sobel_x[2, :] np.array([1, 2, 1])
sobel_y np.zeros([3, 3], np.int)
sobel_y[:, 0] np.array([-1, -2, -1])
sobel_y[:, 2] np.array([1, 2, 1])
# gx separate_kernel_conv2D(img_ori, kernelsobel_x)
# gy separate_kernel_conv2D(img_ori, kernelsobel_y)
gx cv2.filter2D(img_ori, ddepth-1, kernelsobel_x)
gy cv2.filter2D(img_ori, ddepth-1, kernelsobel_y)
# thred 120
# gx np.where(gx thred, gx, 0)
# gx np.where(gx thred, gx, 1)
# gy np.where(gy thred, gy, 0)
# gy np.where(gy thred, gy, 1)
# 先对gx gy做二值化处理再应用下面的公式
# img_sobel np.sqrt(gx**2 gy**2)
img_sobel abs(gx) abs(gy)
img_sobel np.uint8(normalize(img_sobel) * 255)# 图5 使用5x5的盒式滤波器平滑Sobel
kernel_box np.ones([5, 5])
kernel_box kernel_box / kernel_box.sum()
sobel_box separate_kernel_conv2D(img_sobel, kernelkernel_box)
sobel_box normalize(sobel_box)
# sobel_box np.uint8(normalize(sobel_box) * 255)# 图6图2与图5相乘的模板图像
mask img_laplacian * sobel_box
img_mask np.uint8(normalize(mask) * 255)# 图7原图与图6相加
img_passi img_ori img_mask * 0.3
img_passi np.uint(normalize(img_passi) * 255)# 图8 对图7做幂律变换
img_gamma gamma_transform(img_passi, 1, gamma0.5)plt.figure(figsize(13, 40))
plt.subplot(4, 2, 1), plt.imshow(img_ori, gray, vmax255), plt.title(OriginalA), plt.xticks([]), plt.yticks([])
plt.subplot(4, 2, 2), plt.imshow(img_laplacian, gray, vmax255), plt.title(LaplacianB), plt.xticks([]), plt.yticks([])
plt.subplot(4, 2, 3), plt.imshow(img_ori_laplacian, gray, vmax255), plt.title(Original LaplacianC), plt.xticks([]), plt.yticks([])
plt.subplot(4, 2, 4), plt.imshow(img_sobel, gray, vmax255), plt.title(SobelD), plt.xticks([]), plt.yticks([])
plt.subplot(4, 2, 5), plt.imshow(sobel_box, gray, vmax1), plt.title(Sobel Box filterE), plt.xticks([]), plt.yticks([])
plt.subplot(4, 2, 6), plt.imshow(img_mask, gray, vmax255), plt.title(Sobel mask F), plt.xticks([]), plt.yticks([])
plt.subplot(4, 2, 7), plt.imshow(img_passi, gray, vmax255), plt.title(Passivation G), plt.xticks([]), plt.yticks([])
plt.subplot(4, 2, 8), plt.imshow(img_gamma, gray, vmax255), plt.title(Gamma Transform H), plt.xticks([]), plt.yticks([])
plt.tight_layout()
plt.show()
