[PYTHON] Mia Nanasawas Gesicht ist (ﾉ ´ □ ｀) ﾉ Auf das ursprüngliche schöne Gesicht wird keine Rauschverarbeitung angewendet

Einführung

** Mia Nanasawa ist süß, nicht wahr? ** ** **

"Das?" "Es ist anders als gewöhnlich. Es ist seltsam ..."

Wenn Sie zoomen ...

Gibt es etwas ** wie Sesamsalz mit schwarzen und weißen Punkten ** gemischt?

So können Sie sich nicht auf Ihr süßes Gesicht konzentrieren.

** Glatt ** und ** Schwarz-Weiß-Punkte entfernen **!

Was ist Glättung?

** Verwischen Sie das Bild **. OpenCV bietet vier Arten von Unschärfemethoden (Filter).

―― 1: Verschieben des Mittelungsfilters (Mittelungsfilter)

―― 2: Gaußscher Filter

―― 3: Medianfilter

―― 4: Bilateraler Filter

【Hinweis】 ・ "Helligkeit" ist einfach eine Verringerung der Farbsättigung. ・ "Helligkeit" berücksichtigt den Helligkeitsunterschied je nach Farbe.

** ex) Für Blau (R: 0 G: 0 B: 255) **

1: Filter für gleitenden Durchschnitt (Mittelwertfilter)

#Unschärfe bedeutet "Unschärfe".
img = cv2.imread("nana.jpg ")#Laden Sie die Bilddatei mit openCV
img_blur = cv2.blur(img, (3, 3))#Erstes Argument=Bilddatei,Zweites Argument=Filterbreite,Vertikale Breite
imgs = cv2.hconcat([img, img_blur])#Verbinden Sie Bilder gleicher Höhe horizontal

cv2.imwrite("nana1.jpg ",imgs)#Speichern Sie die Bilddatei mit openCV

☚ Die linke Abbildung ist das Originalbild. ☛ Die rechte Abbildung ist das Bild mit ** Mittelungsfilter **.

Die Abbildung rechts zeigt mehr unscharfes Rauschen. Es scheint schwierig, es vollständig zu löschen. ..

Mittelungsfilter (Filtergröße von 1x1 bis 6x6)

img1 = cv2.blur(img, (1, 1))
img2 = cv2.blur(img, (2, 2))
img3 = cv2.blur(img, (3, 3))
img4 = cv2.blur(img, (4, 4))
img5 = cv2.blur(img, (5, 5))
img6 = cv2.blur(img, (6, 6))

imgs_1 = cv2.hconcat([img1, img2, img3])
imgs_2 = cv2.hconcat([img4, img5, img6])
imgs = cv2.vconcat([imgs_1, imgs_2])#Verbinden Sie Bilder gleicher Breite vertikal
cv2.imwrite("nana2.jpg ", imgs)

Von oben links wird das Filter vergrößert. Sie können sehen, dass die Unschärfe des Bildes ** immer stärker ** ist. ** Das Foto unten rechts kann sich jetzt auf Mia konzentrieren, ohne sich um weißen Sesam sorgen zu müssen! !! ** ** **

2: Gaußscher Filter

Berechnete Gewichte im Filter nach ** Gaußscher Verteilung **.

** [Unterschied zum Mittelungsfilter] ** Der ** Ersatzwert ** ist zu ersetzen, damit das bemerkenswerte Pixel in der Mitte ** das größte Gewicht ** und das äußere Pixel das kleinere Gewicht ** hat. Diese Eigenschaft ermöglicht es, das Bild ** zu verwischen, während mehr Informationen um die Pixel herum verbleiben.

img_gauss = cv2.GaussianBlur(img, (3, 3), 3)#Das dritte Argument ist σ der Gaußschen Funktion
imgs = cv2.hconcat([img, img_gauss])
cv2.imwrite("nana3.jpg ", imgs)

☚ Die linke Abbildung ist das Originalbild. ☛ Die rechte Abbildung ist das Bild mit ** Gauß-Filter (σ = 3) **

Es unterscheidet sich nicht wesentlich vom ** 1-Mittelungsfilter **

3: Medianfilter

Der ** Median ** wird aus den im angegebenen Filter enthaltenen Pixeln extrahiert und ersetzt.

** [Unterschied zum Mittelungsfilter] ** Der ** Ersatzwert ** ist nicht der gemittelte Pixelwert, sondern der ** immer vorhandene ** Pixelwert wird verwendet.

img_med = cv2.medianBlur(img, 3)
imgs = cv2.hconcat([img, img_med])
cv2.imwrite("nana4.jpg ", imgs)

☚ Die linke Abbildung ist das Originalbild. ☛ Die rechte Abbildung ist das Bild mit ** Medianfilter **

** Wow ぉ ぉ ぉ ぉ ぉ ぉ ぉ ぉ ぉ ぉ ぉ ぉ ぉ ぉ ぉ ** Sesamsalz ist weg ** ** Ich bin die süßeste Mia aller Zeiten! !! ** ** **

4: Bilateraler Filter

** Andere als Kanten ** sind Gaußsche Filter. Ein Gauß-Filter wird durchgeführt, indem das Gewicht in dem Bereich, in dem der Helligkeitsunterschied groß ist, auf "0" gesetzt wird.

→　　

** [Unterschiede zu herkömmlichen Glättungsfiltern] ** ** Es ist möglich, das Bild zu verwischen, während die Kante (Kontur) verlassen wird **

img_bi = cv2.bilateralFilter(img, 9, 75, 75)
imgs = cv2.hconcat([img, img_bi])
cv2.imwrite("nana5.jpg ", imgs)

☚ Die linke Abbildung ist das Originalbild. ☛ Die rechte Abbildung ist das Bild mit ** bilateralem Filter **.

Ergebnis

Das Sesamsalz war diesmal ein deutliches Geräusch, daher stellte sich heraus, dass es am besten war, einen ** Medianfilter ** anzuwenden.

Ich hatte auch das Gefühl, dass ** bilateraler Filter ** geeignet wäre, wenn ** Rauschsättigung ** nahe an ** Originaldaten ** Rauschen liegt.

Wenn Ihr Lieblingsbild Rauschen enthält, filtern wir es!