[PYTHON] Le visage de Mia Nanasawa est (ﾉ ´ □ ｀) ﾉ Aucun traitement de bruit n'est appliqué au beau visage d'origine

introduction

** Mia Nanasawa est mignonne, n'est-ce pas? ** **

"cette?" "C'est différent de l'habitude. C'est étrange ..."

Si vous effectuez un zoom avant ...

Y a-t-il quelque chose ** comme du sel de sésame avec des points noirs et blancs ** mélangés?

Cela ne vous permet pas de vous concentrer sur votre joli visage.

** Lissez ** et ** supprimez les points noirs et blancs **!

Qu'est-ce que le lissage?

** Brouiller l'image **. OpenCV propose quatre types de méthodes de flou (filtres).

―― 1: filtre de moyenne mobile (filtre de moyenne)

―― 2: filtre gaussien

―― 3: filtre médian

―― 4: filtre bilatéral

【Mise en garde】 ・ «Luminosité» est simplement une réduction de la saturation des couleurs. ・ "Luminosité" prend en compte la différence de luminosité en fonction de la couleur.

** ex) Pour le bleu (R: 0 G: 0 B: 255) **

1: filtre de moyenne mobile (filtre de moyenne)

#flou signifie «flou».
img = cv2.imread("nana.jpg ")#Charger le fichier image avec openCV
img_blur = cv2.blur(img, (3, 3))#Premier argument=Fichier d'image,Deuxième argument=Largeur de filtre,Largeur verticale
imgs = cv2.hconcat([img, img_blur])#Connectez des images de hauteur égale horizontalement

cv2.imwrite("nana1.jpg ",imgs)#Enregistrer le fichier image avec openCV

☚ La figure de gauche est l'image originale ☛ La figure de droite est l'image avec ** filtre de moyennage **

La figure de droite a un bruit plus flou. Il semble difficile de l'effacer complètement. ..

Filtre de moyenne (taille de filtre de 1x1 à 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])#Connectez verticalement des images de largeur égale
cv2.imwrite("nana2.jpg ", imgs)

À partir du coin supérieur gauche, l'image aura la taille du filtre augmentée. Vous pouvez voir que le flou de l'image est ** de plus en plus fort **. ** La photo en bas à droite permet désormais de se concentrer sur Mia sans se soucier du sésame blanc! !! ** **

2: filtre gaussien

Poids calculés dans le filtre selon la ** distribution gaussienne **.

** [Différence par rapport au filtre de moyenne] ** La ** valeur de remplacement ** doit être remplacée de manière à ce que le pixel remarquable au milieu ** ait le poids le plus élevé ** et le pixel externe le poids le plus petit **. Cette caractéristique permet de brouiller l'image ** tout en laissant plus d'informations autour des pixels.

img_gauss = cv2.GaussianBlur(img, (3, 3), 3)#Le troisième argument est σ de la fonction gaussienne
imgs = cv2.hconcat([img, img_gauss])
cv2.imwrite("nana3.jpg ", imgs)

☚ La figure de gauche est l'image originale ☛ La figure de droite est l'image avec ** filtre gaussien (σ = 3) **

Ce n'est pas très différent du ** 1 filtre de moyenne **

3: filtre médian

La ** médiane ** extraite des pixels contenus dans le filtre spécifié et remplacée.

** [Différence par rapport au filtre de moyenne] ** La ** valeur de remplacement ** n'est pas la valeur de pixel moyenne, mais la valeur de pixel ** toujours existante ** est utilisée.

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

☚ La figure de gauche est l'image originale ☛ La figure de droite est l'image avec ** filtre médian **

** Wow ぉ ぉ ぉ ぉ ぉ ぉ ぉ ぉ ぉ ぉ ぉ ぉ ぉ ぉ ぉ ぉ ぉ ぉ ぉ ぉ ** ** Le sel de sésame est parti ** ** Je suis la Mia la plus mignonne de tous les temps! !! ** **

4: filtre bilatéral

** Autres que les arêtes ** sont des filtres gaussiens. Le poids est réglé à "0" dans la partie où la différence de luminosité est grande, et le filtre gaussien est exécuté.

→　　

** [Différences par rapport aux filtres de lissage conventionnels] ** ** Il est possible de rendre l'image floue en laissant le bord (contour) **

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

☚ La figure de gauche est l'image originale ☛ La figure de droite est l'image avec ** filtre bilatéral **

résultat

Le sel de sésame cette fois était un bruit clair, il s'est donc avéré qu'il valait mieux appliquer un ** filtre médian **.

J'ai également estimé que le ** filtre bilatéral ** conviendrait si ** la saturation du bruit ** est proche du bruit ** des données d'origine **.

S'il y a du bruit dans votre image préférée, filtrons-la!