首页 > 其他分享 >OpenCV(低通滤波、高通滤波)

OpenCV(低通滤波、高通滤波)

时间:2024-09-11 09:13:20浏览次数:10  
标签:滤波器 高频 频域 OpenCV 图像 通滤波 分量

目录



在图像处理领域,低通滤波和高通滤波是用于频域处理图像的两种基本方法。它们通过调节图像的频率成分来实现各种效果。



1. 低通滤波(Low-Pass Filtering)


1.1 概念

低通滤波是一种允许低频分量通过,而抑制或减弱高频分量的滤波方法。低频分量通常对应于图像中的平滑区域或渐变部分,而高频分量则对应于图像中的边缘、细节和噪声。


1.2 作用

  • 平滑图像:低通滤波器消除了图像中的高频分量,如噪声和边缘,得到一个更平滑的图像。
  • 去噪:通过抑制高频成分,可以减少图像中的随机噪声。
  • 模糊效果:低通滤波也可用于模糊图像,去除锐利的边缘和细节。

1.3 常见类型

  • 理想低通滤波器(Ideal Low-Pass Filter):
    它在频率空间中是一个理想的硬截止滤波器,即低于某个截止频率的所有分量保留,高于此频率的分量完全去除。由于其在空间域内的非连续性,这种滤波器会引入振铃效应(Gibbs现象)。

  • 高斯低通滤波器(Gaussian Low-Pass Filter):
    其频域上的响应是一个高斯函数,能够平滑地衰减高频分量。与理想低通滤波器相比,它不会产生振铃效应,且更常用于图像平滑处理。

  • 巴特沃斯低通滤波器(Butterworth Low-Pass Filter):
    是一种介于理想和高斯滤波器之间的滤波器,具有较为平滑的频域衰减,且可调节滤波器的阶数以改变频率衰减的速率。


1.4 应用场景

  • 去除图像中的噪声,尤其是高频噪声。
  • 在图像缩放或重采样时,避免出现混叠(aliasing)效应。
  • 用于平滑图像、去除不必要的细节或边缘。

1.5 频域中的表现

在频域中,低通滤波器会保留图像的中心部分(代表低频分量),而削弱或移除距离中心较远的部分(代表高频分量)。通过对图像进行傅里叶变换,可以很容易地应用低通滤波器。



2. 高通滤波(High-Pass Filtering)

2.1 概念

高通滤波是一种允许高频分量通过,抑制或减弱低频分量的滤波方法。高频分量通常对应图像中的边缘和细节,而低频分量对应图像的平滑区域。


2.2 作用

  • 增强边缘:高通滤波器可增强图像中的边缘和轮廓。
  • 提取细节:通过抑制低频分量,高通滤波器能有效突出图像的细节部分。
  • 锐化图像:高通滤波用于增强图像的清晰度,使模糊图像变得更清晰。

2.3 常见类型

  • 理想高通滤波器(Ideal High-Pass Filter):
    它在频域中硬性地去除低于某个截止频率的所有分量,保留高于此频率的所有分量。与理想低通滤波器类似,它会引入振铃效应。

  • 高斯高通滤波器(Gaussian High-Pass Filter):
    通过对频域中的高频分量进行平滑保留,而对低频分量进行平滑衰减。由于其平滑的频率衰减特性,不会产生明显的振铃效应。

  • 巴特沃斯高通滤波器(Butterworth High-Pass Filter):
    具有可调的频率衰减特性,允许用户控制低频衰减的程度。随着阶数的增加,衰减会变得更加陡峭。


2.4 应用场景

  • 边缘检测和图像增强:突出图像中的边缘和细节,广泛用于边缘检测算法(如Sobel、Prewitt、Canny等)。
  • 图像锐化:在图像处理中,常用高通滤波器增强图像的锐度,突出重要细节。
  • 高频特征提取:用于从图像中提取高频特征,如纹理、模式等。

2.5 频域中的表现

在频域中,高通滤波器去除了靠近中心的低频成分,而保留了离中心较远的高频成分。通过傅里叶变换将图像转换到频域,可以直接应用高通滤波器进行处理。



3. 频域滤波的操作过程

  1. 傅里叶变换:
    首先,将图像从空间域转换到频率域,通常使用离散傅里叶变换(DFT)或快速傅里叶变换(FFT)。

  2. 滤波器设计:
    设计一个理想的低通或高通滤波器,并将其应用于图像的频域表示。滤波器通常是在频域中以掩模的形式实现。

  3. 逆傅里叶变换:
    最后,将滤波后的图像通过逆傅里叶变换(IDFT)转换回空间域,从而得到滤波后的图像。



4. 高通滤波与低通滤波的对比

特性 低通滤波 高通滤波
频率选择 通过低频,抑制高频 通过高频,抑制低频
典型效果 平滑图像,去除噪声 增强细节,突出边缘
应用场景 图像去噪、图像模糊、图像重采样 边缘检测、图像锐化、细节增强
典型滤波器类型 高斯、巴特沃斯、理想低通滤波器 高斯、巴特沃斯、理想高通滤波器


5. 总结

高通滤波和低通滤波在图像处理中的应用非常广泛。低通滤波主要用于去除噪声、平滑图像,而高通滤波用于边缘检测、增强图像细节。在实际应用中,常常需要根据具体需求灵活使用这两种滤波方法,甚至结合使用,以获得理想的图像处理效果。



标签:滤波器,高频,频域,OpenCV,图像,通滤波,分量
From: https://www.cnblogs.com/keye/p/18407644

相关文章

  • 《深度学习》OpenCV 高阶 图像金字塔 用法解析及案例实现
    目录一、图像金字塔1、什么是图像金字塔2、图像金字塔作用    1)金字塔尺度间的图像信息补充    2)目标检测与识别    3)图像融合与拼接    4)图像增强与去噪    5)图像压缩与编码二、用法解析1、向下采样        1)概念......
  • OpenCV-模板匹配
    文章目录一、简介1.定义与原理2.算法与方法3.参数解释二、代码实现1.读取数据2.检查图像是否成功加载3.获取模板的高度和宽度4.模板匹配5.计算匹配区域坐标6.显示图像7.全部代码三、总结一、简介在OpenCV中,模型匹配(或称为模板匹配)是一种用于在图像中查找与给定模板......
  • opencv学习:模板匹配和argparse 模块的代码实现及优缺点
    模板匹配模板匹配算法(TemplateMatchingAlgorithm),这是一种在图像处理和计算机视觉领域常用的方法,用于在一个大图像中寻找一个小模板图像的位置。模板匹配算法通过滑动窗口的方式在目标图像上移动模板图像,并计算模板图像与目标图像的局部区域之间的相似度。算法步骤读取图......
  • OpenCV 与 Matplotlib 的结合使用:轮毂检测与目标跟踪
    目录绘制轮廓图像实现思路1.读取图像并转换为灰度图像2.二值化处理3.查找轮廓4.绘制轮廓5.显示结果代码实现效果展示动态逐步显示轮廓结果实现思路1.读取图像并缩放2.转换为灰度图像3.二值化处理4.查找轮廓5.动态显示轮廓6.显示最终结果并关闭窗口......
  • OpenCV 与 YoloV3的结合使用:目标实时跟踪
    目录代码分析1.YOLO模型加载2.视频加载与初始化3.视频帧处理4.物体检测5.处理检测结果6.边界框和类别显示7.帧率(FPS)计算8.结果显示与退出9.资源释放整体代码效果展示总结代码分析这段代码使用YOLO(YouOnlyLookOnce)模型进行视频中的物体检测,并通......
  • 【OpenCV】简介入门及资料文档,工具准备和环境部署
    OpenCV已更新到 4.x,计算机视觉和机器学习的软件库git地址:https://github.com/opencv/opencv1.跨平台:Linux,Windows,Android,MacOS2.由C和C++轻量级编写3.提供C++,Java,Python,Ruby,MATLAB,C#、Ch、Ruby,GO接口应用:图像处理(滤波、边缘检测等)视频处理(实时视频处理等)物体......
  • 【机器学习】C++与OpenCV实战:创建你的第一个图片显示程序
    ......
  • qt5.15.2+opencv4.10+VS2019_64 均值滤波,高斯滤波算法详细分析
    目录 一.加载图像二.灰度图像三.均值滤波1.均值滤波均值滤波算法(MeanFiltering):    参数含义:    一句话总结:均值滤波特点:应用场景:缺点:2.高斯滤波高斯滤波算法(GaussianBlur):        高斯滤波计算过程:    参数含义:    ......
  • opencv学习:图像轮廓识别及代码实现
    图像轮廓1.获取图像轮廓cv2.findContours()函数是OpenCV库中用于检测图像中轮廓的函数。它可以检测到图像中所有连通区域的边界,并返回这些轮廓的列表。从OpenCV3.4版本开始,这个函数的返回值和参数有所变化,以下是详细的参数说明:方法:contours,hierarchy=cv2.findCon......
  • 基于ARM芯片与OpenCV的工业分拣机器人项目设计与实现流程详解
    一、项目概述项目目标和用途本项目旨在设计和实现一套工业分拣机器人系统,能够高效、准确地对不同类型的物品进行自动分拣。该系统广泛应用于物流、仓储和制造业,能够显著提高工作效率,降低人工成本。技术栈关键词ARM芯片步进电机控制OpenCV图像识别无线通信模块......