Lekce 6 - Rozostření a vyhlazování obrázků v Pythonu

V předchozí lekci, Bitové operace a filtrování barev obrázků v Pythonu, jsme se zaměřili na bitové operace. Ukázali jsme si jak odfiltrovat barvy z obrázku v knihovně OpenCV.

V dnešním Python tutoriálu se podíváme na aplikaci vyhlazování pomocí filtrů a rozostřování.

Filtrování

Pro ukázku použiji tento obrázek s nízkým rozlišením, který si uložte k projektu jako soubor low_res.jpg:

Nejdříve si vysvětlíme, jak fungují 2D filtry. Filtr aplikuje kernel o velikosti x*x pixelů, z kterých se spočítá průměrná hodnota. Kernel je numpy pole, v našem případě vyplněné číslem 1. Následně použijeme funkci cv2.filter2d() pro aplikaci kernelu, tato funkce má následující parametry:

• obrázek
• hloubka - hloubka výsledného obrázku, pokud je hodnota -1, zůstává stejná
• kernel - numpy pole o velikosti x*x, podle kterého se obrázek rozdělí na jednotlivé bloky a z těch se následně spočítá průměrná hodnota

Kód naší aplikace bude následující:

import cv2
import numpy as np

img = cv2.imread("low_res.jpg")

kernel = np.ones((4, 4), dtype=np.uint8) / (4 * 4)
vyhlazeno = cv2.filter2D(img, -1, kernel)

cv2.imshow("vyhlazeno", vyhlazeno)
cv2.imshow("original", img)
cv2.waitKey()
cv2.destroyAllWindows()

Načteme si náš obrázek s nízkým rozlišením, poté si vytvoříme numpy pole o velikosti 4x4, každý prvek následně vydělíme velikostí pole kernel = np.ones((4, 4), dtype=np.uint8) / (4 * 4). Aplikujeme 2D filtr s naším polem vyhlazeno = cv2.filter2D(img, -1, kernel).

Výsledek:

Rozostření a vyhlazování

Rozostření se většinou používá k odstranění nedostatků a šumu z obrázků. K rozostření/vyh­lazování obrázků se používají podobné filtry, jako jsme použili k vyhlazování obrázku výše.

Udělejme si další příklad:

import cv2
import numpy as np

img = cv2.imread("letadlo.jpg")
img = cv2.resize(img , (640, 480))
#Přídáme šum
noise = np.zeros((img.shape), dtype = np.uint8)
noise = cv2.randn(noise, 0, 150)
img = img + noise

cv2.imshow("original", img)
img = cv2.blur(img , (7, 7))
cv2.imshow("rozostreny", img)
cv2.waitKey()
cv2.destroyAllWindows()

Obrázek načteme a zmenšíme, poté vytvoříme šum, který k obrázku přidáme. Poté aplikujeme rozostření s kernelem o velikosti 7*7 jako img = cv2.blur(img , (7, 7)).

Gaussian Blur

Zkusíme na obrázek aplikovat různé druhy rozostření/vyh­lazování, které OpenCV obsahuje. Tento typ požaduje mimo velikosti kernelu (velikost musí být lichá) tyto parametry:

• sigmaX - odchylka na ose X
• sigmaY - odchylka na ose Y, pokud je rovno 0, velikost bude stejné jako sigmaX

Kód ukázky:

import cv2
import numpy as np

img = cv2.imread("letadlo.jpg")
img = cv2.resize(img , (640, 480))
#Přídáme šum
noise = np.zeros((img.shape), dtype = np.uint8)
noise = cv2.randn(noise, 0, 150)
img = img + noise

cv2.imshow("original", img)
img = cv2.GaussianBlur(img , (7, 7), 0)
cv2.imshow("rozostreny", img)
cv2.waitKey()
cv2.destroyAllWindows()

A výsledek:

Median Blur

Tento typ použije medián všech pixelů v bloku/kernelu, velikost bloku/kernelu musí být lichá:

import cv2
import numpy as np

img = cv2.imread("letadlo.jpg")
img = cv2.resize(img , (640, 480))
#Přídáme šum
noise = np.zeros((img.shape), dtype = np.uint8)
noise = cv2.randn(noise, 0, 150)
img = img + noise

cv2.imshow("original", img)
img = cv2.medianBlur(img, 7)
cv2.imshow("rozostreny", img)
cv2.waitKey()
cv2.destroyAllWindows()

Osobně si myslím, že tento typ odstranil náš šum nejlépe, jen se podívejte na rozdíl mezi originálem a rozostřeným obrázkem:

Bilateral Filter

Tento typ ponechá filtru původní hrany a nejefektivněji odstraní šum. Má následující parametry:

• obrázek
• sigmaColor - hodnota, které určuje jak moc se barvy smixují
• sigmaSpace - hodnota, která určuje jak moc se budou ovlivňovat vzdálenější pixely

Náš kód bude následující:

import cv2
import numpy as np

img = cv2.imread("letadlo.jpg")
img = cv2.resize(img , (640, 480))
#Přídáme šum
noise = np.zeros((img.shape), dtype = np.uint8)
noise = cv2.randn(noise, 0, 150)
img = img + noise

cv2.imshow("original", img)
img = cv2.bilateralFilter(img, 7, 70, 70)
cv2.imshow("rozostreny", img)
cv2.waitKey()
cv2.destroyAllWindows()

A výsledek:

Zdrojový kód najdete ke stažení v příloze článku.

V další lekci, Detekce objektu v obrázku podle barvy a detekce okrajů, si ukážeme detekci objektu v obrázku pode jeho barvy a detekci okrajů objektů v knihovně OpenCV.

Měl jsi s čímkoli problém? Stáhni si vzorovou aplikaci níže a porovnej ji se svým projektem, chybu tak snadno najdeš.