在Python中使用 OpenCV 实现 Photoshop 高通滤波器 (HPF)

在本文中，我们将讨论如何在Python OpenCV 中实现 Photoshop 高通滤波器 (HPF) 图像。

高通滤波器

当我们谈论数字信号处理或数字图像处理时，滤波器是最基本的概念。滤波器或数字滤波器用于从信号中筛选出不需要的频率响应。滤波器可用于完成数字信号处理中的两个主要任务，即信号分离和信号恢复。信号分离基本上是对输入信号的噪声分离和噪声衰减。这个过程主要用于心电图，一种心电图监测器，用于过滤母亲的呼吸和心跳。信号恢复是输入信号以任何方式失真时的过程。这主要用于对图像进行去模糊处理。我们将看看高通滤波器主要用于什么。

高通滤波器（HPF）的主要优点是通过衰减低频来锐化图像。当脉冲响应或信号通过高通滤波器时，HPF 主要允许高频通过。由于高通滤波器用于锐化图像，因此获得的频率与截止频率（ωc）相比较小。在 OpenCV 和数字图像处理中，我们还使用 HPF 功能来查找图像中的边缘。

方法一： Python OpenCV 中的高通滤波器（HPF）

在这里，我们将在Python中使用 OpenCV 执行 HPF

使用的图像：

现在我们有了一个图像，我们将使用Python OpenCV 模块读取图像。

img = cv2.imread(“outimage.(jpeg/png/jpg)”)

由于图像的大小，我们也可以调整形状的大小，这一步是完全可选的。在调整图像大小时，您可以传递插值以使图像保持其质量。您可以自由选择 cv2.INTER_BITS、cv2.INTER_CUBIC 或 cv2.INTER_LINEAR 方法来调整插值大小。

img = cv2.resize(img,(width,height),interpolation=cv2.INTER_BITS)

下一步是模糊图像。模糊图像的原因是为图像添加平滑效果。通过模糊图像，我们可以过滤掉图像中不需要的噪声。在 OpenCV 库中，我们广泛使用 Gaussian Filter。它采用了“内核卷积”技术。

注意： 127是在减去带有模糊图像的图像后添加的，以添加灰色外观。我们将使用高斯模糊来模糊图像。

hpf = img – cv2.GaussianBlur(img,(21,21),3)+127

执行

Python3

import cv2
 
img = cv2.imread("naruto.jpg")
img = cv2.resize(img, (680, 520),
                 interpolation=cv2.INTER_CUBIC)
 
# subtract the original image with the blurred image
# after subtracting add 127 to the total result
hpf = img - cv2.GaussianBlur(img, (21, 21), 3)+127
 
# display both original image and filtered image
cv2.imshow("Original", img)
cv2.imshow("High Passed Filter", hpf)
 
# cv2.waitkey is used to display
# the image continuously
# if you provide 1000 instead of 0 then
# image will close in 1sec
# you pass in milli second
cv2.waitKey(0)
cv2.destroyAllWindows()

输出：

方法 2：使用 Sobel 和 Laplacian

Python OpenCV 支持 Sobel 和 Laplacian 实现。

Syntax for Laplacian:  laplacian=cv2.Laplacian(gray,cv2.CV_64F)

Syntax For SobelX: [dx=1 and dy=0]:  sobelx=cv2.Sobel(gray,cv2.CV_64F,1,0,ksize=7)

Syntax For SobelY: [dx=0 and dy=1]:  sobely=cv2.Sobel(gray,cv2.CV_64F,dx=0,dy=1,ksize=7)

注意： cv2.CV_64F 表示图像的深度

Python3

import cv2
import numpy as np
import matplotlib.pyplot as plt
 
# read image
img = cv2.imread("naruto.jpeg")
 
# resize image
img = cv2.resize(img, (500, 450), interpolation=cv2.INTER_CUBIC)
 
# convert image to gray scale image
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
 
# apply laplacian blur
laplacian = cv2.Laplacian(gray, cv2.CV_64F)
 
# sobel x filter where dx=1 and dy=0
sobelx = cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize=7)
 
# sobel y filter where dx=0 and dy=1
sobely = cv2.Sobel(gray, cv2.CV_64F, 0, 1, ksize=7)
 
# combine sobel x and y
sobel = cv2.bitwise_and(sobelx, sobely)
 
# plot images
plt.subplot(2, 2, 1)
plt.imshow(laplacian, cmap='gray')
plt.title('Laplacian')
 
plt.subplot(2, 2, 2)
plt.imshow(sobelx, cmap='gray')
plt.title('SobelX')
 
plt.subplot(2, 2, 3)
plt.imshow(sobely, cmap='gray')
plt.title('SobelY')
 
plt.subplot(2, 2, 4)
plt.imshow(sobel, cmap='gray')
plt.title('Sobel')
 
plt.show()
 
cv2.waitKey(0)
cv2.destroyAllWindows()

输出：

方法三：手动对图像进行高通滤波

由于我们已经定义了矩阵方法，让我们手动过滤我们的图像数据。通过保持对拉普拉斯矩阵的引用，可以在 HPF 遮罩后显示图像的像素矩阵格式。

Python3

import cv2
import numpy as np
 
img = cv2.imread('naruto.jpeg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
 
# dimension of gray image is in 2D
dimensions = gray.shape  # (height,weight)
 
print("Image Dimensions:", dimensions)
n = int(input("Enter the size of the original image to be captured:"))
print("The matrix of the original image:")
 
 
for i in range(0, n):
    for j in range(0, n):
        print(gray[i][j], end=" ")
    print()
"""
Apply below filter on image matrix
0 -1 0
-1 4 -1
0  -1 0
"""
filter = np.zeros(shape=(n, n))
for i in range(0, n):
    for j in range(0, n):
        filter[i][j] = 0*gray[i][j]-1*gray[i][j+1]\
        +0*gray[i][j+2]-1*gray[i+1][j]+4 * \
            gray[i+1][j+1]-1*gray[i+1][j+2]+0*gray[i+2][j] - \
            1*gray[i+2][j+1]+0*gray[i+2][j+2]
 
print("\n")
print("The matrix form after HPF masking the captured image is:")
print("\n")
for hpf in filter:
    print(hpf)
 
cv2.imshow("Image", gray)
cv2.waitKey(0)
cv2.destroyAllWindows()

输出：