Je suis tombé sur un filtre d'image avec un nom clairement japonais appelé filtre Kuwahara, et quand je l'ai essayé, c'était incroyable, alors je vais le présenter.

introduction

** Qu'est-ce que le filtre Kuwahara ** Le filtre Kuwahara est un type de filtre de lissage conçu par un professeur d'université nommé Michiyoshi Kuwahara (selon Wikipedia). Si vous voulez voir, jetez un œil au bas de l'article) Kuwahara filter -Wikipedia Traitement des données pour SPECT (papier original?)

Contenu du filtre Kuwahara

https://upload.wikimedia.org/wikipedia/commons/4/49/Kuwahara.jpg

Pour expliquer brièvement le filtre Kuwahara, Ce filtre utilise la couleur de chaque pixel comme couleur moyenne de la zone avec la plus petite somme de dispersion dans les zones carrées supérieure gauche, supérieure droite, inférieure gauche et inférieure droite de n'importe quelle largeur autour d'elle.

Dans l'image ci-dessus, pour déterminer la couleur du pixel central,

1. Calculez la distribution de ** a ** zone, ** b ** répartition de zone, ** c ** répartition de zone et ** d ** distribution de zone pour chaque couleur RVB et pour chaque zone Ajoutez tout RVB à.
2. Comparez les variances obtenues en 1 et calculez la moyenne des couleurs dans la plus petite zone pour chaque RVB.
3. Définissez la couleur moyenne obtenue en 2 comme couleur du pixel central.

Suivez les étapes ci-dessus ou le processus pour obtenir des résultats équivalents. De plus, dans l'image, un côté de la zone carrée fait 3 pixels, mais il peut avoir n'importe quelle largeur.

la mise en oeuvre

** Définition **

import numpy as np
import cv2

 def kuwahara (pic, r = 5, resize = False, rate = 0.5): # Image originale, largeur de la zone carrée-1, redimensionnement ou ratio lors du redimensionnement
    h,w,_=pic.shape
    if resize:pic=cv2.resize(pic,(int(w*rate),int(h*rate)));h,w,_=pic.shape
    filtered_pic=np.empty_like(pic)
    pic=np.pad(pic,((r,r),(r,r),(0,0)),"edge")
    ave,var=cv2.integral2(pic)
 ave = (ave [: -r-1 ,: -r-1] + ave [r + 1:, r + 1:] - ave [r + 1:,: -r-1] -ave [: -r -1, r + 1:]) / (r + 1) ** 2 # Dérivation par lots de la couleur moyenne de la zone
 var = ((var [: -r-1 ,: -r-1] + var [r + 1:, r + 1:] - var [r + 1:,: -r-1] -var [: - r-1, r + 1:]) / (r + 1) ** 2-ave ** 2) .sum (axis = 2) # Dérivation par lots de la distribution régionale

    for i in range(h):
        for j in range(w):
 filtered_pic [i, j] = np.array ([ave [i, j], ave [i + r, j], ave [i, j + r], ave [i + r, j + r]]) [ np.array ([var [i, j], var [i + r, j], var [i, j + r], var [i + r, j + r]]). argmin ()] #color Décision

    return filtered_pic

** Courir **

import matplotlib.pyplot as plt

 pic = np.array (plt.imread ("input_picture.png ")) Remplacez # input_picture.png par le chemin de l'image que vous souhaitez filtrer
filtered_pic=kuwahara(pic,7,True,0.2)
plt.imshow(filtered_pic)

résultat

Voici quelques-unes des photos que j'ai prises lors d'un voyage en France l'année dernière.

** L'image d'origine **

** Après avoir appliqué le filtre ** ** Ver. ** avec un côté de la zone carrée plus petit

Les gens, les gens, les gens, les gens ＞ ** Peinture sérieuse ** < ￣Y^Y^Y^Y^Y^Y^￣

Résumé

Je l'ai présenté parce que j'ai été impressionné par la texture comme le dessin sur la toile. C'est facile alors essayez-le. Je ne pouvais pas penser à une méthode qui n'utilise pas l'instruction for cette fois, donc si le paramètre de redimensionnement est désactivé pour une grande image, cela prendra un certain temps. N'oubliez pas de définir le troisième argument sur True.