Question

我实现了一个基本上应用内核的平滑算法：

 [0 1 0;
  1 4 1;
  0 1 0]/8

到矩阵（图像），然后校正边和角，相当于将内核设置为

 [0 1 0;
  0 5 1;
  0 1 0]/8

表示左边缘，

 [0 0 0; 
  0 6 1; 
  0 1 0]/8

左上角。

我现在的目标是应用仅适用于该图像的蒙版部分的平滑。例如（参考下面的图像），如果我有磁盘的方形图像，其中磁盘的值为128 + -10（+ -10是噪声效果），背景为黑色（值为0），应用无限次的正常平滑算法应该给出具有恒定像素强度的方形图像。对于屏蔽平滑算法，我想屏蔽磁盘，使得应用无限次的算法应该在128和黑色（0）背景下给出均匀的磁盘。换句话说，只对磁盘进行了平滑处理。

我要避免的主要问题是背景＆＃34;流血＆＃34;进入磁盘，使磁盘边缘模糊。我也愿意将平滑算法更改为不同的（例如，平均3x3像素），这样可以实现更有效的方法。

（吵闹原创）

（正常顺利后）

（蒙面光滑之后）

这是我正常光滑的代码：

def SmoothImage(Matrix,N=1):
    '''Smooths a Matrix with kernel [0 1 0; 1 4 1; 0 1 0]/8'''
    A=Matrix.copy()
    for i in range(N):
        s=A.shape[0]-1
        B=A*4.0
        B[-s:,:]+=A[:s,:]
        B[0,:]+=A[0,:]
        B[:,-s:]+=A[:,:s]
        B[:,0]+=A[:,0]

        B[:s,:]+=A[-s:,:]
        B[-1,:]+=A[-1,:]
        B[:,:s]+=A[:,-s:]
        B[:,-1]+=A[:,-1]
        B*=1/8
        A=B
    return A

Answer 1

这是一种使用线性卷积加一些技巧来保持干净边缘的方法。欺骗基本上通过与逆掩模卷积并将其添加到原始结果来计算边缘处丢失的质量：

import numpy as np
from scipy.signal import convolve2d

kernel = np.add.outer(*2*(np.arange(3) % 2,))**2 / 8

def perfect_edges(orig, n_iter=1, thresh=20):
    mask = orig <= thresh
    corrector = convolve2d(mask, kernel, 'same')
    result = orig.copy()
    result[mask] = 0
    for j in range(n_iter):
        result = result * corrector + convolve2d(result, kernel, 'same')
        result[mask] = 0
    result = np.round(result).astype(np.uint8)
    result[mask] = orig[mask]
    return result

picture = (np.add.outer(*2*(np.arange(-6, 7)**2,)) < 30).view(np.uint8) * 118
picture += np.random.randint(0, 21, picture.shape, dtype=np.uint8)

print(picture)
print()
print(perfect_edges(picture, 200))

示例运行：

[[ 15   0   4  10  17  13  20  12  14   1   5  16  19]
 [  1   6   9  14 132 132 129 128 135   1   5  11   5]
 [ 13  16   6 126 118 118 134 120 130 138   2   6  10]
 [ 16   3 129 129 128 129 125 134 131 132 127  18   8]
 [ 10 120 132 125 128 120 133 137 125 120 124 129   7]
 [ 10 137 119 120 119 118 137 135 135 126 118 128   0]
 [ 17 134 138 133 134 121 124 119 134 138 133 129   2]
 [  3 134 136 132 119 124 123 133 126 121 126 122  19]
 [  3 123 130 123 125 125 128 119 119 129 119 127   6]
 [  5   0 119 118 125 122 135 135 126 133 136   7   3]
 [ 11   1  13 124 121 118 136 137 127 137   2  19  15]
 [  6   7  15  19 132 132 130 125 130   9  18   9  12]
 [ 16  20   0  14   9  10   1   6   5  17  16   0   3]]

[[ 15   0   4  10  17  13  20  12  14   1   5  16  19]
 [  1   6   9  14 128 128 128 128 128   1   5  11   5]
 [ 13  16   6 128 128 128 128 128 128 128   2   6  10]
 [ 16   3 128 128 128 128 128 128 128 128 128  18   8]
 [ 10 128 128 128 128 128 128 128 128 128 128 128   7]
 [ 10 128 128 128 128 128 128 128 128 128 128 128   0]
 [ 17 128 128 128 128 128 128 128 128 128 128 128   2]
 [  3 128 128 128 128 128 128 128 128 128 128 128  19]
 [  3 128 128 128 128 128 128 128 128 128 128 128   6]
 [  5   0 128 128 128 128 128 128 128 128 128   7   3]
 [ 11   1  13 128 128 128 128 128 128 128   2  19  15]
 [  6   7  15  19 128 128 128 128 128   9  18   9  12]
 [ 16  20   0  14   9  10   1   6   5  17  16   0   3]]

Answer 2

scipy.ndimage.convolve()就是你想要的。要使用蒙版进行卷积，请使用图像和蒙版调用convolve()，然后进行划分：

import numpy as np
from scipy import ndimage

img = np.random.rand(100, 100)

X, Y = np.mgrid[0:100, 0:100]

mask = (((X - 50)**2 + (Y - 50)**2)**0.5 < 30).astype(np.int8)

img[mask == 0] = 0

kernel = np.array([
    [0, 1, 0],
    [1, 4, 1],
    [0, 1, 0]])

neighbour_count = ndimage.convolve(mask, kernel, mode="constant")
m = neighbour_count > 0

for i in range(10):
    img = ndimage.convolve(img, kernel, mode="constant")
    img[m] /= neighbour_count[m]
    img[mask == 0] = 0

pl.imshow(img)

输出：

numpy蒙面平滑算法

2 个答案: