如何去模糊img = img.resize((w, h), 4)
时间: 2024-05-07 19:21:38 浏览: 9
如果你想对图片进行模糊处理,可以使用PIL库中的ImageFilter模块。具体操作如下:
```python
from PIL import ImageFilter
# 读取图片
img = Image.open("your_image.jpg")
# 对图片进行模糊处理
blurred_img = img.filter(ImageFilter.GaussianBlur(radius=10))
# 保存模糊处理后的图片
blurred_img.save("blurred_image.jpg")
```
在上面的代码中,我们使用了GaussianBlur滤镜对图片进行了模糊处理。其中radius参数用于控制模糊程度,数值越大,图片越模糊。你可以根据自己的需要调整这个参数的值。
相关问题
写出下列代码可以实现什么功能: #Img = cv2.undistort(Img, K, Dist) Img = cv2.resize(Img,(240,180),interpolation=cv2.INTER_AREA) #将opencv读取的图片resize来提高帧率 img = cv2.GaussianBlur(Img, (5, 5), 0) imgHSV = cv2.cvtColor(img, cv2.COLOR_BGR2HSV) # 将BGR图像转为HSV lower = np.array([h_min, s_min, v_min]) upper = np.array([h_max, s_max, v_max]) mask = cv2.inRange(imgHSV, lower, upper) # 创建蒙版 指定颜色上下限 范围内颜色显示 否则过滤 kernel_width = 4 # 调试得到的合适的膨胀腐蚀核大小 kernel_height = 4 # 调试得到的合适的膨胀腐蚀核大小 kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (kernel_width, kernel_height)) mask = cv2.erode(mask, kernel) mask = cv2.dilate(mask, kernel) mask = cv2.dilate(mask, kernel) light_img = mask[:100,:200 ] cv2.imshow("light",light_img) # 输出红绿灯检测结果 Img1 = Img Img = cv2.cvtColor(Img, cv2.COLOR_BGR2RGB) Img2 = Img cropped2 = Img2[70:128, 0:100] h,w,d = cropped2.shape #提取图像的信息 Img = Image.fromarray(Img) Img = ValImgTransform(Img) # 连锁其它变形,变为tesor Img = torch.unsqueeze(Img, dim=0) # 对tesor进行升维 inputImg = Img.float().to(Device) # 让数据能够使用 OutputImg = Unet(inputImg) Output = OutputImg.cpu().numpy()[0] OutputImg = OutputImg.cpu().numpy()[0, 0] OutputImg = (OutputImg * 255).astype(np.uint8) Input = Img.numpy()[0][0] Input = (Normalization(Input) * 255).astype(np.uint8) OutputImg = cv2.resize(OutputImg,(128,128),interpolation=cv2.INTER_AREA) # 将opencv读取的图片resize来提高帧率 ResultImg = cv2.cvtColor(Input, cv2.COLOR_GRAY2RGB) ResultImg[..., 1] = OutputImg cropped = ResultImg[80:128, 20:100] cropped1 = OutputImg[80:128, 20:100] cv2.imshow("out", cropped1)#显示处理后的图像 cv2.imshow("Img2", Img2) cv2.imshow("Img0", cropped)#显示感兴趣区域图像 print(reached)
这段代码实现的功能是:
1. 读取图像并进行图像去畸变操作,使用cv2.undistort函数。
2. 将图像的大小调整为240x180像素,使用cv2.resize函数。
3. 对图像进行高斯模糊处理,使用cv2.GaussianBlur函数。
4. 将图像从BGR色彩空间转换为HSV色彩空间,使用cv2.cvtColor函数。
5. 创建一个掩码(mask),根据指定的颜色上下限范围过滤出感兴趣的颜色区域,使用cv2.inRange函数。
6. 对掩码进行膨胀和腐蚀操作,使用cv2.erode和cv2.dilate函数。
7. 提取红绿灯区域的图像并显示,使用cv2.imshow函数。
8. 对图像进行一系列处理,包括转换色彩空间、裁剪、调整大小等操作。
9. 使用神经网络模型(Unet)对图像进行处理,并得到处理后的图像。
10. 对处理后的图像进行显示,使用cv2.imshow函数。
11. 打印变量"reached"的值。
请注意,该代码片段缺少一些必要的导入语句和变量定义语句,因此无法单独运行。
讲解这段代码:def read_img_and_convert_to_binary(filename): #读取待处理的图片 original_img = cv2.imread(filename) # print(original_img) #将原图分辨率缩小SCALSIZE倍,减少计算复杂度 original_img = cv2.resize(original_img,(np.int(original_img.shape[1]/SCALSIZE),np.int(original_img.shape[0]/SCALSIZE)), interpolation=cv2.INTER_AREA) #降噪 blur = cv2.GaussianBlur(original_img, (5, 5), 0) #将彩色图转化成灰度图 img_gray = cv2.cvtColor(blur,cv2.COLOR_BGR2GRAY) #图片开(opening)处理,用来降噪,使图片中的字符边界更圆滑,没有皱褶 kernel = np.ones((3, 3), np.uint8) opening = cv2.morphologyEx(img_gray, cv2.MORPH_OPEN, kernel) kernel2 = np.ones((3,3), np.uint8) opening = cv2.dilate(opening, kernel2, iterations=1) # Otsu's thresholding after Gaussian filtering # 采用otsu阈值法将灰度图转化成只有0和1的二值图 blur = cv2.GaussianBlur(opening,(13,13),0) #ret, binary_img = cv2.threshold(img_gray, 120, 1, cv2.THRESH_BINARY_INV) ret,binary_img = cv2.threshold(blur,0,1,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU) return original_img,binary_img
这段代码是一个函数,名为`read_img_and_convert_to_binary`,它的功能是读取一张待处理的图片并将其转换为二值图像。下面是对代码的逐行解释:
1. `original_img = cv2.imread(filename)`:使用OpenCV库的`imread`函数读取指定路径的图片,并将其存储在`original_img`变量中。
2. `original_img = cv2.resize(original_img,(np.int(original_img.shape[1]/SCALSIZE),np.int(original_img.shape[0]/SCALSIZE)), interpolation=cv2.INTER_AREA)`:将原图的分辨率缩小`SCALSIZE`倍,通过调整图像大小减少计算复杂度,结果存储在`original_img`变量中。
3. `blur = cv2.GaussianBlur(original_img, (5, 5), 0)`:使用高斯模糊对`original_img`进行降噪处理,减少图像中的噪点,结果存储在`blur`变量中。
4. `img_gray = cv2.cvtColor(blur,cv2.COLOR_BGR2GRAY)`:将降噪后的彩色图像转换为灰度图像,便于后续处理,结果存储在`img_gray`变量中。
5. `kernel = np.ones((3, 3), np.uint8)`:创建一个3x3的矩阵,用于后续图像形态学操作。
6. `opening = cv2.morphologyEx(img_gray, cv2.MORPH_OPEN, kernel)`:对灰度图像进行形态学开运算(opening),通过腐蚀和膨胀操作使字符边界更加平滑,结果存储在`opening`变量中。
7. `kernel2 = np.ones((3,3), np.uint8)`:创建另一个3x3的矩阵,用于后续膨胀操作。
8. `opening = cv2.dilate(opening, kernel2, iterations=1)`:对开运算后的图像进行膨胀操作,进一步平滑字符边界,结果仍存储在`opening`变量中。
9. `blur = cv2.GaussianBlur(opening,(13,13),0)`:再次使用高斯模糊对图像进行降噪处理,参数(13,13)表示高斯核的大小。
10. `ret, binary_img = cv2.threshold(blur,0,1,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)`:使用Otsu阈值法将灰度图像转换为二值图像。该阈值法会自动选择一个合适的阈值,将图像分为黑白两部分,结果存储在`binary_img`变量中。
11. 最后,函数返回原始图像`original_img`和二值图像`binary_img`。
这段代码主要进行了图像预处理的步骤,包括降噪、灰度化、形态学操作和阈值处理,最终得到二值图像以供后续处理使用。