Lab Exercise 5
1. Median filter
1) Implement the median filter function based on the 5x5 template shown in the figure below (It is not allowed to directly or indirectly call third-party functions). Briefly describe the specific steps of median filtering.
2) Read in any image (grayscale or color image), add salt and pepper noise, display the original image, your own median filtering result and the third-party median filtering result, if the results are different, discuss the possible reasons.
2. Two-dimensional Separable Gaussian Smoothing
1) Students are required to implement a Gaussian smoothing function (It is not allowed to directly or indirectly call third-party cross-correlation, Gaussian smoothing, Gaussian blurring and related functions), the function parameters should at least include, image, template size, and Gaussian standard deviation. After smoothing, the size of the image should remain the same as the original image. The input image can be assumed to be a single-channel grayscale image.
2) Based on the separable nature of the Gaussian template, implement the two-dimensional Gaussian smoothing by convolving in the horizontal and vertical directions separately (It is not allowed to directly or indirectly call?the third-party cross-correlation, and Gaussian smoothing, Gaussian blur and other functions cannot be called). Function parameters should remain consistent with 1).
3) Call the functions defined in 1) and 2) respectively to display a 3x3 grid, arranged in the following form:
? ? ? (Template size 13x13, standard deviation=2) original image, the result image of 1), the result image of 2),
? ? ? (Template size 13x13, standard deviation=4) original image, the result image of 1), the result image of 2),
? ? ? (Template size 13x13, standard deviation=6) original image, the result image of 1), the result image of 2),
4) Compare the Gaussian smoothing performance of 1) and 2) functions, set standard deviation=4, template size 2n+1, n=2...25, and record the running time of the function. Taking the template size as the?horizontal coordinates and the running time as the vertical coordinates, plot the running time graphs of 1) and 2) functions. Analyze the time complexity of 1) and 2) functions (in big-O notation). Note: The image size can be adjusted based on your computer hardware (images larger than 512x512 may cause the program to run for a long time.) and the range of n.
我的做法：
from PIL import Image
import numpy as np
import CV2 as cv
import matplotlib.pyplot as plt
# 函數(shù)
? ? #處理灰度圖 默認為3\n
def MedianFilter(img,k = 3, padding = None):
? ? imarray = np.array(img)
? ? height, width = imarray.shape
? ? if not padding:
? ? ? ? ? ? edge = int((k-1)/2)
? ? ? ? ? ? if height - 1 - edge <= edge or width - 1 - edge <= edge:
? ? ? ? ? ? ? ? print("沒辦法使用"),
? ? ? ? ? ? ? ? return None
? ? ? ? ? ? new_arr = np.zeros((height, width), dtype = "uint8")
? ? ? ? ? ? for i in range(height):
? ? ? ? ? ? ? ? for j in range(width):
? ? ? ? ? ? ? ? ? ? #對于邊緣不進行處理，仍然是原圖像像素\n",
? ? ? ? ? ? ? ? ? ? if i <= edge - 1 or i >= height - 1 - edge or j <= edge - 1 or j >= width - edge - 1:
? ? ? ? ? ? ? ? ? ? ? ? new_arr[i, j] = imarray[i, j]
? ? ? ? ? ? ? ? ? ? #可以用模板進行處理的點，其5*5內(nèi)都有像素點了??
? ? ? ? ? ? ? ? ? ? #? ? ? ? ? ? ? ? ? ? ?(i,j-2)
? ? ? ? ? ? ? ? ? ? #? ? ? ? ?（i-1,j-1）(i,j-1)(i+1,j-1)? ? ? ? ?
? ? ? ? ? ? ? ? ? ? #(i-2，j)(i-1,j)（i，j）(i+1,j)(i+2,j)
? ? ? ? ? ? ? ? ? ? #? ? ? ? ? ?(i-1.j+1)(i,j+1)（i+1,j+1）
? ? ? ? ? ? ? ? ? ? #? ? ? ? ? ? ? ? ? ? ? ?(i,j+2)
? ? ? ? ? ? ? ? ? ? else:
? ? ? ? ? ? ? ? ? ? ? ? b=[]
? ? ? ? ? ? ? ? ? ? ? ? a=[]
? ? ? ? ? ? ? ? ? ? ? ? a.append(imarray[i,j])
? ? ? ? ? ? ? ? ? ? ? ? a.append(imarray[i,j+1])
? ? ? ? ? ? ? ? ? ? ? ? a.append(imarray[i,j+2])
? ? ? ? ? ? ? ? ? ? ? ? a.append(imarray[i,j-1])
? ? ? ? ? ? ? ? ? ? ? ? a.append(imarray[i,j-2])
? ? ? ? ? ? ? ? ? ? ? ? a.append(imarray[i-1,j])
? ? ? ? ? ? ? ? ? ? ? ? a.append(imarray[i-1,j+1])
? ? ? ? ? ? ? ? ? ? ? ? a.append(imarray[i-1,j-1])
? ? ? ? ? ? ? ? ? ? ? ? a.append(imarray[i-2,j])
? ? ? ? ? ? ? ? ? ? ? ? a.append(imarray[i+1,j-1])
? ? ? ? ? ? ? ? ? ? ? ? a.append(imarray[i+1,j])
? ? ? ? ? ? ? ? ? ? ? ? a.append(imarray[i+1,j+1])
? ? ? ? ? ? ? ? ? ? ? ? a.append(imarray[i+2,j])
#? ? ? ? ? ? ? ? ? ? ? ? ?a.append(imarray[i,j])
#? ? ? ? ? ? ? ? ? ? ? ? ?a.append(imarray[i+1,j])
#? ? ? ? ? ? ? ? ? ? ? ? ?a.append(imarray[i+2,j])
#? ? ? ? ? ? ? ? ? ? ? ? ?a.append(imarray[i-1,j])
#? ? ? ? ? ? ? ? ? ? ? ? ?a.append(imarray[i-2,j])
#? ? ? ? ? ? ? ? ? ? ? ? ?a.append(imarray[i,j-1])
#? ? ? ? ? ? ? ? ? ? ? ? ?a.append(imarray[i+1,j-1])
#? ? ? ? ? ? ? ? ? ? ? ? ?a.append(imarray[i-1,j-1])
#? ? ? ? ? ? ? ? ? ? ? ? ?a.append(imarray[i,j-2])
#? ? ? ? ? ? ? ? ? ? ? ? ?a.append(imarray[i-1,j+1])
#? ? ? ? ? ? ? ? ? ? ? ? ?a.append(imarray[i,j+1])
#? ? ? ? ? ? ? ? ? ? ? ? ?a.append(imarray[i+1,j+1])
#? ? ? ? ? ? ? ? ? ? ? ? ?a.append(imarray[i,j+2])
? ? ? ? ? ? ? ? ? ? ? ? b.append(a)
#? ? ? ? ? ? ? ? ? ? ? ? ?print(imarray[i,j])
#? ? ? ? ? ? ? ? ? ? ? ? ?a=[imarray[i,j],imarray[i+1,j],imarray[i+2,j],imarray[i-1,j],imarray[i-2，j],imarray[i,j-1],imarray[i+1,j-1],imarray[i-1,j-1],imarray[i,j-2],imarray[i-1,j+1],imarray[i,j+1],imarray[i+1,j+1],imarray[i,j+2]]
#? ? ? ? ? ? ? ? ? ? ? ? ?print(a)
#? ? ? ? ? ? ? ? ? ? ? ? ?print(np.median(imarray[i - edge:i + edge + 1, j - edge:j + edge + 1]))
#? ? ? ? ? ? ? ? ? ? ? ? ?print(np.median(b))
? ??
? ? ? ? ? ? ? ? ? ? ? ? new_arr[i, j] = np.median(b)
? ? ? ? ? ? new_im = Image.fromarray(new_arr)
? ? ? ? ? ? new_im.save("chuli.png")
? ??
#處理彩色圖像 默認為3
def median_Blur(img, filiter_size = 5):? #當輸入的圖像為彩色圖像
? ? ? ? image_copy = np.array(img, copy = True).astype(np.float32)
#? ? ? ? ?print(image_copy.shape)
#? ? ? ? ?(751, 1283, 4)
? ? ? ? processed = np.zeros_like(image_copy)
? ? ? ? middle = int(filiter_size / 2)
? ? ? ? r = np.zeros(filiter_size * filiter_size)
? ? ? ? g = np.zeros(filiter_size * filiter_size)
? ? ? ? b = np.zeros(filiter_size * filiter_size)
? ? ? ? for i in range(middle, image_copy.shape[0] - middle):
? ? ? ? ? ? for j in range(middle, image_copy.shape[1] - middle):
? ? ? ? ? ? ? ? count = 0
? ? ? ? ? ? ? ? #取一點模板周圍的像素值
? ? ? ? ? ? ? ? for m in range(i - middle, i + middle +1):
? ? ? ? ? ? ? ? ? ? for n in range(j - middle, j + middle + 1):
#? ? ? ? ? ? ? ? ? ? ? ? ?print(n)
#每一個點哪些取哪些不取
? ? ? ? ? ? ? ? ? ? ? ? if (m==i-middle and n==j-middle) or (m==i-middle+1 and n==j-middle) or (m==i-middle+3 and n==j-middle) or (m==i-middle+4 and n==j-middle) or (m==i-middle and n==j-middle+1) or (m==i-middle+4 and n==j-middle+1) or (m==i-middle and n==j-middle+3) or (m==i-middle+4 and n==j-middle+3) or (m==i-middle and n==j-middle+4) or (m==i-middle+1 and n==j-middle+4) or (m==i-middle+3 and n==j-middle+4) or (m==i-middle+4 and n==j-middle+4):
? ? ? ? ? ? ? ? ? ? ? ? ? ? pass
? ? ? ? ? ? ? ? ? ? ? ? else:
? ? ? ? ? ? ? ??
? ? ? ? ? ? ? ? ? ? ? ? ? ? r[count] = image_copy[m][n][0]
? ? ? ? ? ? ? ? ? ? ? ? ? ? g[count] = image_copy[m][n][1]
? ? ? ? ? ? ? ? ? ? ? ? ? ? b[count] = image_copy[m][n][2]
? ? ? ? ? ? ? ? ? ? ? ? ? ? count += 1
#? ? ? ? ? ? ? ? ?print(r)? ?
#? ? ? ? ? ? ? ? ?print(g)
#? ? ? ? ? ? ? ? ?print(b)?
? ? ? ? ? ? ? ??
? ? ? ? ? ? ? ??
? ? ? ? ? ? ? ? r.sort()
? ? ? ? ? ? ? ? g.sort()
? ? ? ? ? ? ? ? b.sort()
? ? ? ? ? ? ? ? processed[i][j][0] = r[int(13/2)]
? ? ? ? ? ? ? ? processed[i][j][1] = g[int(13/2)]
? ? ? ? ? ? ? ? processed[i][j][2] = b[int(13/2)]
? ? ? ? processed = np.clip(processed, 0, 255).astype(np.uint8)
? ? ? ? return processed
? ? #展示圖片函數(shù)
def show(img):
? ? ? ? if img.ndim==2:
? ? ? ? ? ? plt.imshow(img,cmap='gray')
? ? ? ? else:
? ? ? ? ? ? plt.imshow(cv.cvtColor(img,cv.COLOR_BGR2RGB))
#? ? ?show(image)
? ??
? ? #噪聲
? ??
? ??
def AddNoise(img, probility = 0.05, method ="salt_pepper"):#灰度圖像加噪聲
? ??
? ? ? ? imarray = np.array(img)
? ? ? ? height, width = imarray.shape
? ??
? ? ? ? for i in range(height):
? ? ? ? ? ? for j in range(width):
? ? ? ? ? ? ? ? if np.random.random(1) < probility:#隨機加鹽或者加椒? ??
? ? ? ? ? ? ? ? ? ? if np.random.random(1) < 0.5:
? ? ? ? ? ? ? ? ? ? ? ? imarray[i, j] = 0
? ? ? ? ? ? ? ? ? ? else:
? ? ? ? ? ? ? ? ? ? ? ? imarray[i, j] = 255
? ? ? ? new_im = Image.fromarray(imarray)
? ? ? ? new_im.save("zaosheng_huidu.png")
? ??
def RGBAddNoise(img,prob): #同時加雜亂(RGB單噪聲)RGB圖噪聲 prob:噪聲占比
? ? ? ? imarray = np.array(img)
? ? ? ? height, width, channels = imarray.shape
? ??
? ? ? ? #prob = 0.05 #噪聲占比 已經(jīng)比較明顯了 >0.1 嚴重影響畫質(zhì)
? ? ? ? NoiseImg = imarray.copy()
? ? ? ? NoiseNum = int(prob * height * width)
? ? ? ? for i in range(NoiseNum):? ??
? ? ? ? ? ? rows = np.random.randint(0, height - 1)? ??
? ? ? ? ? ? cols = np.random.randint(0, width - 1)? ??
? ? ? ? ? ? channel = np.random.randint(0, 3)? ??
? ? ? ? ? ? if np.random.randint(0, 2) == 0:? ??
? ? ? ? ? ? ? ? NoiseImg[rows, cols, channel] = 0? ??
? ? ? ? ? ? else:? ? ? ??
? ? ? ? ? ? ? ? NoiseImg[rows, cols, channel] = 255
? ? ? ? #return NoiseImg
? ? ? ? new_im = Image.fromarray(NoiseImg)
? ? ? ? new_im.save("zaosheng_RGB.png")
# 使用plt顯示CV2格式的圖片
def plt_show_CV2_image(image,image2,image3):
#? ? ?image_0 = cv.cvtColor(image, cv.COLOR_BGR2RGB)
#? ? ?image_1 = cv.cvtColor(image, cv.COLOR_BGR2RGB)
#? ? ?image_2 = cv.cvtColor(image3, cv.COLOR_BGR2RGB)
? ??
? ? plt.figure(figsize=(400,300))? # 打開一個畫布
? ? plt.axis('off')? # 不打開坐標軸
? ? plt.subplot(1,3,1)
? ? plt.title("original")
? ? plt.imshow(image)
? ? plt.subplot(1,3,2)
? ? plt.title("me")
? ? plt.imshow(image2)
? ? plt.subplot(1,3,3)
? ? plt.title("thrid-cv")
? ? plt.imshow(image3)
? ? plt.show()
??
image = cv.imread('orignal.png', cv.IMREAD_GRAYSCALE)
#保存灰度圖后面用
cv.imwrite("huidu.png",image)? ?
addnoise=Image.open("huidu.png")
AddNoise(addnoise)
RGB_addnoise=Image.open("orignal.png")
RGBAddNoise(RGB_addnoise,0.05)
? ??
## 解釋
## 我的方法是分灰度和彩色兩種方式進行處理，當讀入的是灰度圖像時，先對圖像大小進行評估看是否大于5*5，否則的話直接返回錯誤信息，對滿足大小的圖像
## 進行遍歷像素點，對于邊緣像素點直接用傳入圖像進行處理，像圖像最開始的時候，其左上角是沒有像素點的，以及左邊等，相當于對整個圖像的開頭結(jié)尾左邊右邊
## 2行不進行中值劃分，然后對有作用域的像素點取模板中的周邊像素，并進行排序取其中值，然后替換到相應(yīng)的像素點上，最后輸出即可
## 對于彩色圖像來說，同樣是四個方向兩行直接使用初始像素進行替代，對于擁有合格大小的像素區(qū)域進行遍歷，分離出三通道人，r,g,b,進行儲存
## 每次處理完一個像素點周圍的時候，對其進行排序，找出中值并進行替換原來點的像素值，然后結(jié)束輸出即可
#處理灰度圖片
zaosheng_huidu = cv.imread('zaosheng_huidu.png')
zaosheng_huidu1=Image.open('zaosheng_huidu.png')
MedianFilter(zaosheng_huidu1,k=5)
#處理好的文件
#調(diào)用第三方cv處理圖片
img_median = cv.medianBlur(zaosheng_huidu, 5)
chuli = cv.imread('chuli.png')
plt_show_CV2_image(zaosheng_huidu,chuli,img_median)
#處理彩色圖像
zaosheng_RGB = cv.imread('zaosheng_RGB.png')
median_Blur=median_Blur(zaosheng_RGB, filiter_size = 5)
median_Blur=cv.cvtColor(median_Blur, cv.COLOR_BGR2RGB)
zaosheng_RGB2 = cv.cvtColor(zaosheng_RGB, cv.COLOR_BGR2RGB)#顏色模式轉(zhuǎn)換
img_median = cv.medianBlur(zaosheng_RGB2,5)
plt.figure(figsize=(400,300))? # 打開一個畫布
plt.axis('off')? # 不打開坐標軸
plt.subplot(1,3,1)
plt.title("original")
plt.imshow(zaosheng_RGB2)
plt.subplot(1,3,2)
plt.title("me")
plt.imshow(median_Blur)
plt.subplot(1,3,3)
plt.title("thrid-cv")
plt.imshow(img_median)
plt.show()
# 2. Two-dimensional Separable Gaussian Smoothing
# 1) Students are required to implement a Gaussian smoothing function (It is not allowed to directly or indirectly call third-party cross-correlation, Gaussian smoothing, Gaussian blurring and related functions), the function parameters should at least include, image, template size, and Gaussian standard deviation. After smoothing, the size of the image should remain the same as the original image. The input image can be assumed to be a single-channel grayscale image.
# 2) Based on the separable nature of the Gaussian template, implement the two-dimensional Gaussian smoothing by convolving in the horizontal and vertical directions separately (It is not allowed to directly or indirectly call the third-party cross-correlation, and Gaussian smoothing, Gaussian blur and other functions cannot be called). Function parameters should remain consistent with 1).
# 3) Call the functions defined in 1) and 2) respectively to display a 3x3 grid, arranged in the following form:
#? ? ? ?(Template size 13x13, standard deviation=2) original image, the result image of 1), the result image of 2),
#? ? ? ?(Template size 13x13, standard deviation=4) original image, the result image of 1), the result image of 2),
#? ? ? ?(Template size 13x13, standard deviation=6) original image, the result image of 1), the result image of 2),
# 4) Compare the Gaussian smoothing performance of 1) and 2) functions, set standard deviation=4, template size 2n+1, n=2...25, and record the running time of the function. Taking the template size as the horizontal coordinates and the running time as the vertical coordinates, plot the running time graphs of 1) and 2) functions. Analyze the time complexity of 1) and 2) functions (in big-O notation). Note: The image size can be adjusted based on your computer hardware (images larger than 512x512 may cause the program to run for a long time.) and the range of n.
#1
#高斯平滑函數(shù)
from PIL import Image
import numpy as np
from math import exp
import matplotlib.pyplot as plt
import CV2 as cv
?
def GaussianFilter(img, k = 3, sigma = 1):
?
? ? imarray = np.array(img)
? ? height, width = imarray.shape
? ? new_arr = np.zeros((height, width), dtype = "uint8")#新矩陣的替代
?
? ? filter = np.zeros((k,k))#設(shè)置模板大小
? ? mid = (k-1)/2#設(shè)置邊緣
? ? sigma2 = pow(sigma, 2)
#? ? ?模板設(shè)置
? ? for i in range(k):
? ? ? ? for j in range(k):
? ? ? ? ? ? tmp = -(pow(i-mid,2)+pow(j-mid,2))/2/sigma2
? ? ? ? ? ? filter[i,j] = exp(tmp)/2/3.14/sigma2
? ? filtersum = filter.sum()
?
? ? for i in range(height):
? ? ? ? for j in range(width):
? ? ? ? ? ? total = 0
? ? ? ? ? ? #一個像素點，對模板內(nèi)進行處理
? ? ? ? ? ? for n in range(pow(k,2)):
#k = 3, n = 0, 1, 2 ..., 8, a = -1, 0, 1, b = -1, 0, 1
#k = 5, n = 0, 1, 2, 3 ..., 24, a = -2, -1, 0, 1, 2
? ? ? ? ? ? ? ? a, b = int(n//k - (k-1)/2), int(n%k - 1)
? ? ? ? ? ? ? ? #filter_value
? ? ? ? ? ? ? ? aa, bb = int(n//k), int(n%k)
? ? ? ? ? ? #把模板這個點位的值取出來
? ? ? ? ? ? ? ? f_value = filter[aa, bb]
? ? ? ? ? ? ? ? if i + a <= 0:
? ? ? ? ? ? ? ? ? ? if j + b <= 0:
? ? ? ? ? ? ? ? ? ? ? ? total += imarray[0, 0]*f_value
? ? ? ? ? ? ? ? ? ? elif j + b >= width - 1:
? ? ? ? ? ? ? ? ? ? ? ? total += imarray[0, -1]*f_value
? ? ? ? ? ? ? ? ? ? else:
? ? ? ? ? ? ? ? ? ? ? ? total += imarray[0, j + b]*f_value
? ? ? ? ? ? ? ? elif i + a >= height - 1:
? ? ? ? ? ? ? ? ? ? if j + b <= 0:
? ? ? ? ? ? ? ? ? ? ? ? total += imarray[-1, 0]*f_value
? ? ? ? ? ? ? ? ? ? elif j + b >= width - 1:
? ? ? ? ? ? ? ? ? ? ? ? total += imarray[-1, -1]*f_value
? ? ? ? ? ? ? ? ? ? else:
? ? ? ? ? ? ? ? ? ? ? ? total += imarray[-1, j + b]*f_value
? ? ? ? ? ? ? ? else:
? ? ? ? ? ? ? ? ? ? if j + b <= 0:
? ? ? ? ? ? ? ? ? ? ? ? total += imarray[i + a, 0]*f_value
? ? ? ? ? ? ? ? ? ? elif j + b >= width - 1:
? ? ? ? ? ? ? ? ? ? ? ? total += imarray[i + a, -1]*f_value
? ? ? ? ? ? ? ? ? ? else:
? ? ? ? ? ? ? ? ? ? ? ? total += imarray[i + a, j + b]*f_value
? ? ? ? ? ? total /= filtersum
? ? ? ? ? ? new_arr[i, j] = int(total)
?
? ? new_im = Image.fromarray(new_arr)
? ? new_im.save("GaussianFilter.png")
#測試
# img=Image.open("huidu.png")
# # print(np.array(img).shape)
# GaussianFilter(img,k=7,sigma = 1)
#圖片看其起來還行
#2
#二維高斯平滑函數(shù) 基于高斯模板的可分離性，通過水平方向和垂直方向分別卷積實現(xiàn)二維高斯平滑(不允許直接或間接調(diào)用第三方互相關(guān)，不能調(diào)用高斯平滑、高斯模糊等函數(shù))。函數(shù)參數(shù)應(yīng)與1)一致。
# python
#模板大小，圖像，高斯標準差
def conv_2d(kernel_size, img,sigma,mode='fill'):
? ? kernel = np.zeros((kernel_size, kernel_size))
? ? center = kernel_size//2
? ? if sigma<=0:
? ? ? ? sigma = ((kernel_size-1)*0.5-1)*0.3+0.8
? ??
? ? s = sigma**2
? ? sum_val =? 0
? ? for i in range(kernel_size):
? ? ? ? for j in range(kernel_size):
? ? ? ? ? ? x, y = i-center, j-center
? ? ? ? ? ??
? ? ? ? ? ? kernel[i, j] = np.exp(-(x**2+y**2)/(2*s))
? ? ? ? ? ? sum_val += kernel[i, j]
? ??
? ? kernel = kernel/sum_val
? ??
? ??
? ??
? ??
? ? if mode =='fill':
? ? ? ? h = kernel.shape[0]//2
? ? ? ? w = kernel.shape[1]//2
? ? ? ? # opencv filter2d 默認采用reflect填充方式
? ? ? ? # 前面測試了constant edge都不符合
? ? ? ? img = np.pad(img, (h,w), 'reflect')
? ??
? ? res_h = img.shape[0]-kernel.shape[0]+1
? ? res_w = img.shape[1]-kernel.shape[1]+1
? ??
? ? res = np.zeros((res_h, res_w))
? ??
? ? dh = kernel.shape[0]
? ? dw = kernel.shape[1]
? ? for i in range(res_h):
? ? ? ? for j in range(res_w):
? ? ? ? ? ? res[i,j] = np.sum(img[i:i+dh, j:j+dw]*kernel)
? ? cv.imwrite("fl_py.png",res)
#測試? ? 結(jié)果與cv函數(shù)差不多
# img = np.random.random([5,5])
# img=np.array(Image.open("huidu.png"))
# conv_2d(3,img,5)
# #這樣有色差問題
# image0 = cv.cvtColor(img, cv.COLOR_BGR2RGB)
# fl_py=cv.imread("fl_py.png")
# image1 = cv.cvtColor(fl_py, cv.COLOR_BGR2RGB)
# plt.figure(figsize=(400,300))
# plt.subplot(1,2,1)
# plt.title("original")
# plt.imshow(image0)
# plt.subplot(1,2,2)
# plt.title("chuli")
# plt.imshow(image1)
# plt.show()
#3)
img=Image.open("huidu.png")
GaussianFilter(img,k=13,sigma = 2)
fangfa1=cv.imread("GaussianFilter.png")
img_2=np.array(Image.open("huidu.png"))
conv_2d(13,img_2,2)
image0 = cv.cvtColor(img_2, cv.COLOR_BGR2RGB)
fangfa2=cv.imread("fl_py.png")
image1 = cv.cvtColor(fangfa2, cv.COLOR_BGR2RGB)
#模板尺寸13x13，標準差=2? ?原始圖像，結(jié)果圖像1，結(jié)果圖像2，
plt.figure(figsize=(600,500))
plt.subplot(1,3,1)
plt.title("original")
plt.imshow(image0)
plt.subplot(1,3,2)
plt.title("result1")
plt.imshow(fangfa1)
plt.subplot(1,3,3)
plt.title("result2")
plt.imshow(fangfa2)
plt.show()
img=Image.open("huidu.png")
GaussianFilter(img,k=13,sigma = 4)
fangfa1=cv.imread("GaussianFilter.png")
img_2=np.array(Image.open("huidu.png"))
conv_2d(13,img_2,4)
image0 = cv.cvtColor(img_2, cv.COLOR_BGR2RGB)
fangfa2=cv.imread("fl_py.png")
image1 = cv.cvtColor(fangfa2, cv.COLOR_BGR2RGB)
#模板尺寸13x13，標準差=4? 原始圖像，結(jié)果圖像1，結(jié)果圖像2，
plt.figure(figsize=(600,500))
plt.subplot(1,3,1)
plt.title("original")
plt.imshow(image0)
plt.subplot(1,3,2)
plt.title("result1")
plt.imshow(fangfa1)
plt.subplot(1,3,3)
plt.title("result2")
plt.imshow(fangfa2)
plt.show()
img=Image.open("huidu.png")
GaussianFilter(img,k=13,sigma = 6)
fangfa1=cv.imread("GaussianFilter.png")
img_2=np.array(Image.open("huidu.png"))
conv_2d(13,img_2,6)
image0 = cv.cvtColor(img_2, cv.COLOR_BGR2RGB)
fangfa2=cv.imread("fl_py.png")
image1 = cv.cvtColor(fangfa2, cv.COLOR_BGR2RGB)
#模板尺寸13x13，標準差=6? ?原始圖像，結(jié)果圖像1，結(jié)果圖像2，
plt.figure(figsize=(600,500))
plt.subplot(1,3,1)
plt.title("original")
plt.imshow(image0)
plt.subplot(1,3,2)
plt.title("result1")
plt.imshow(fangfa1)
plt.subplot(1,3,3)
plt.title("result2")
plt.imshow(fangfa2)
plt.show()
#4)
#記錄各個模板大小的值
#記錄各個函數(shù)分別運行的時間
import time
import os
import numpy
# 2n+1, n=2...25
randomByteArray = bytearray(os.urandom(120000))
flatNumpyArray = numpy.array(randomByteArray)
?
#數(shù)組轉(zhuǎn)換為一個300*400的灰度圖像
grayImage = flatNumpyArray.reshape(300,400)
cv.imwrite('RandomGray.png',grayImage)
#統(tǒng)計
fangfa1_time=[]
fangfa2_time=[]
size_moban=[]
for i in range(2,26):
? ? zhi=2*i+1#模板大小
? ? print(i)
? ? #運行第一個方法
? ? size_moban.append(zhi)
? ? img=np.array(img)
? ? old_time = time.time()
? ? GaussianFilter(img,k=zhi,sigma = 4)
? ? current_time = time.time()
? ? time_end=current_time - old_time
? ? fangfa1_time.append(time_end)
? ??
? ??
? ??
? ??
? ??
? ? #運行第二個方法
? ? old_time = time.time()
? ? conv_2d(13,img,2)
? ? current_time = time.time()
? ? time_end=current_time - old_time
? ? fangfa2_time.append(time_end)
#運行的數(shù)據(jù)已經(jīng)有了? ??
#畫圖? ?板大小為橫坐標，運行時間為縱坐標
plt.figure(figsize=(20, 8), dpi=80)
# 繪制圖像 label 設(shè)置標簽 color設(shè)置顏色 linestyle 設(shè)置線條 linewidth 設(shè)置線條粗細 alpha設(shè)置透明度
plt.plot(size_moban,fangfa1_time,label='one_time', color='red', linestyle=':', marker='.', markersize=5)
plt.plot(size_moban,fangfa2_time,label='two_time', color='black',linestyle='-', marker='.', markersize=5)
# 設(shè)置X，Y軸標簽
plt.xlabel('size')
plt.ylabel('time')
plt.show()
for i in fangfa2_time:
? ? print(i)
# 方法二運行時間??
輸出：
0.8112778663635254 0.7058887481689453 0.7052502632141113 0.7029576301574707 0.7056605815887451 0.749387264251709 0.7981278896331787 0.7647967338562012 0.7728753089904785 0.8714818954467773 0.8129367828369141 0.7645151615142822 0.9232168197631836 0.7525970935821533 0.8027229309082031 1.0895204544067383 0.7871663570404053 1.352036476135254 0.7733709812164307 0.7695446014404297 0.7612559795379639 0.9162437915802002 0.7639052867889404 1.0024442672729492
