使用 scipy/numpy 在 python 中进行图像处理的高通滤波器

Posted 2023-03-12

【中文标题】使用 scipy/numpy 在 python 中进行图像处理的高通滤波器

【英文标题】：High Pass Filter for image processing in python by using scipy/numpy

【发布时间】：2011-08-30 23:58:09

【问题描述】：

我目前正在学习图像处理。在 Scipy 中，我知道 Scipy.signal 中有一个中值滤波器。谁能告诉我是否有一种类似于高通滤波器的滤波器？

谢谢

【参考方案1】：

scipy.filter 包含大量通用过滤器。 iirfilter 类之类的东西可以配置为产生典型的 Chebyshev 或 Buttworth 数字或模拟高通滤波器。

【参考方案2】：

一个简单的高通滤波器是：

-1 -1 -1
-1  8 -1
-1 -1 -1

Sobel operator 是另一个简单的例子。

在图像处理中，这类过滤器通常被称为“边缘检测器”-the Wikipedia page 我上次检查时没问题。

【讨论】：

确实，拉普拉斯算子通常被称为边缘检测器。悲伤，真的，因为它不是。它非常擅长检测线条和点，而不是太多的边缘（例如：它在边缘处没有给出高响应，它在那里往往为零）。

【参考方案3】：

“高通滤波器”是一个非常通用的术语。有无数种不同的“高通滤波器”可以做非常不同的事情（例如，边缘检测滤波器，如前所述，在技术上是高通（大多数实际上是带通）滤波器，但与您可能的效果截然不同记住了。）

无论如何，根据您提出的大多数问题，您可能应该查看scipy.ndimage 而不是scipy.filter，特别是如果您要处理大图像（ndimage 可以执行操作就地，节省内存）。

作为一个基本示例，展示几种不同的做事方式：

import matplotlib.pyplot as plt
import numpy as np
from scipy import ndimage
import Image

def plot(data, title):
    plot.i += 1
    plt.subplot(2,2,plot.i)
    plt.imshow(data)
    plt.gray()
    plt.title(title)
plot.i = 0

# Load the data...
im = Image.open('lena.png')
data = np.array(im, dtype=float)
plot(data, 'Original')

# A very simple and very narrow highpass filter
kernel = np.array([[-1, -1, -1],
                   [-1,  8, -1],
                   [-1, -1, -1]])
highpass_3x3 = ndimage.convolve(data, kernel)
plot(highpass_3x3, 'Simple 3x3 Highpass')

# A slightly "wider", but sill very simple highpass filter 
kernel = np.array([[-1, -1, -1, -1, -1],
                   [-1,  1,  2,  1, -1],
                   [-1,  2,  4,  2, -1],
                   [-1,  1,  2,  1, -1],
                   [-1, -1, -1, -1, -1]])
highpass_5x5 = ndimage.convolve(data, kernel)
plot(highpass_5x5, 'Simple 5x5 Highpass')

# Another way of making a highpass filter is to simply subtract a lowpass
# filtered image from the original. Here, we'll use a simple gaussian filter
# to "blur" (i.e. a lowpass filter) the original.
lowpass = ndimage.gaussian_filter(data, 3)
gauss_highpass = data - lowpass
plot(gauss_highpass, r'Gaussian Highpass, $\sigma = 3 pixels$')

plt.show()

【讨论】：

感谢您的精彩脚本！我学到了很多关于 convolve() 和 matplotlib 和甚至 Python 的知识。 （我不知道像“plot.i”这样的东西可以工作。）

高斯滤波器不是低通滤波器吗？

@A.H. - 是的，但是如果你从原始图像中减去高斯低通，你会得到一个等效的高通滤波器。这就是所谓的“高斯高通”。 （查看该部分代码上方的 cmets。）

给定convolve的返回，有可能得到dx和dy吗？

【参考方案4】：

以下是我们如何使用scipy fftpack 设计 HPF

from skimage.io import imread
import matplotlib.pyplot as plt
import scipy.fftpack as fp

im = np.mean(imread('../images/lena.jpg'), axis=2) # assuming an RGB image
plt.figure(figsize=(10,10))
plt.imshow(im, cmap=plt.cm.gray)
plt.axis('off')
plt.show()

原图

F1 = fftpack.fft2((im).astype(float))
F2 = fftpack.fftshift(F1)
plt.figure(figsize=(10,10))
plt.imshow( (20*np.log10( 0.1 + F2)).astype(int), cmap=plt.cm.gray)
plt.show()

FFT 频谱

(w, h) = im.shape
half_w, half_h = int(w/2), int(h/2)

# high pass filter
n = 25
F2[half_w-n:half_w+n+1,half_h-n:half_h+n+1] = 0 # select all but the first 50x50 (low) frequencies
plt.figure(figsize=(10,10))
plt.imshow( (20*np.log10( 0.1 + F2)).astype(int))
plt.show()

阻止频谱中的低频

im1 = fp.ifft2(fftpack.ifftshift(F2)).real
plt.figure(figsize=(10,10))
plt.imshow(im1, cmap='gray')
plt.axis('off')
plt.show()

应用 HPF 后的输出图像

【参考方案5】：

您可以使用高斯滤波器，因为它比纯 HPF 提供更高的清晰度，对于使用简单的 HPF，您可以使用以下代码

import numpy as np
import cv2
from scipy import ndimage

class HPF(object):
    def __init__(self, kernel, image):
        self.kernel = np.array(kernel)
        self.image = image

    def process(self):
        return ndimage.convolve(self.image, self.kernel)


if __name__ == "__main__":
    #enter ur image location
    image = cv2.imread("images/test2.jpg", 0)
    kernel3x3 = [[-1,-1,-1],[-1,8,-1],[-1,-1,-1]]
    kernel5x5 = [[-1, -1, -1, -1, -1],
    [-1, 1, 2, 1, -1],
    [-1, 2, 4, 2, -1],
    [-1, 1, 2, 1, -1],
    [-1, -1, -1, -1, -1]]

    hpf1 = HPF(kernel3x3, image)
    hpfimage1 = hpf1.process()
    hpf2 = HPF(kernel5x5, image)
    hpfimage2 = hpf2.process()
    cv2.imshow("3x3",hpfimage1)
    cv2.imshow("5x5",hpfimage2)
    cv2.waitKey()
    cv2.destroyAllWindows()

要使用高斯滤镜，只需将高斯模糊添加到您的图像中

blurred = cv2.GaussianBlur(image, (11, 11), 0)

然后从原始图像中减去它

g_hpf = image - blurred

原文取自：Image Sharpening by High Pass Filter using Python and OpenCV