前言

选修的是蔡mj老师的计算机视觉，上课还是不错的，但是OpenCV可能需要自己学才能完整把作业写出来。由于没有认真学，这门课最后混了80多分，所以下面作业解题过程均为自己写的，并不是标准答案，仅供参考

任务1

修改test.py的task_one()函数，对task1.jpg进行去噪处理，处理结果保存为task1_proc.jpg

提示：请观察分析task1.jpg的噪声特点，并选择合适的处理方法

def task_one():
    img = cv2.imread('task1.jpg')
    
    #---------your code-----------------#

    median = cv2.medianBlur(img, 3)

    #---------draw figures--------------#

    plt.imshow(cv2.cvtColor(median, cv2.COLOR_BGR2RGB)),plt.title('task1 output')
    plt.show()
    
    #---------save figures--------------#
    cv2.imwrite("task1_proc.jpg", median)

效果如下：

任务2

修改test.py的task_two()函数，对task2.jpg进行去噪处理，处理结果保存为task2_proc.jpg

提示：请观察分析task2.jpg的噪声特点，并选择合适的处理方法

def task_two():
    img = cv2.imread('task2.jpg')
    
    #---------your code-----------------#

    blur = cv2.bilateralFilter(img,5,50,50)
    
    #---------draw figures--------------#
    #plt.imshow(cv2.cvtColor(blur, cv2.COLOR_BGR2RGB)),plt.title('task2 output')
    #plt.show()
    
    #---------save figures--------------#
    cv2.imwrite("task2_proc.jpg", blur)

效果如下：

任务3

修改test.py的task_three()函数，对task3.jpg进行去噪处理，处理结果保存为task3_proc.jpg

提示：task3.jpg中的噪声为y轴方向的周期噪声，周期为图像高度(height)的1/10

这个不会做，弄了半天

def task_three():
    #img = cv2.imread('task3.jpg',1)
    
    #---------your code-----------------#
    # 读取图像
    img = cv2.imread('task3.jpg')

    # 分离RGB通道
    b, g, r = cv2.split(img)

    # 对每个通道进行傅里叶变换
    fb = np.fft.fft2(b)
    fg = np.fft.fft2(g)
    fr = np.fft.fft2(r)

    # 将频域中的原点移动到图像中心
    fb_shift = np.fft.fftshift(fb)
    fg_shift = np.fft.fftshift(fg)
    fr_shift = np.fft.fftshift(fr)

    # 获取频谱图像
    magnitude_spectrum_b = 20 * np.log(np.abs(fb_shift))
    magnitude_spectrum_g = 20 * np.log(np.abs(fg_shift))
    magnitude_spectrum_r = 20 * np.log(np.abs(fr_shift))

    # 获取图像高度
    height, width = img.shape[:2]

    # 计算周期噪声的频率成分
    dft_height = np.ceil(height / 10)
    cy = np.arange(dft_height, height, dft_height)
    cx = np.arange(width)

    # 将周期噪声的频率成分设置为0
    for y in cy:
        fb_shift[int(y) - 1:int(y) + 1, :] = 0
        fg_shift[int(y) - 1:int(y) + 1, :] = 0
        fr_shift[int(y) - 1:int(y) + 1, :] = 0

    # 进行反傅里叶变换，得到去噪后的图像
    ib = np.fft.ifft2(np.fft.ifftshift(fb_shift))
    ig = np.fft.ifft2(np.fft.ifftshift(fg_shift))
    ir = np.fft.ifft2(np.fft.ifftshift(fr_shift))

    # 将每个通道的结果合并为一张去噪后的彩色图像
    denoised_img = cv2.merge((ib.real, ig.real, ir.real))

    #---------draw figures--------------#
    #plt.imshow(cv2.cvtColor(result, cv2.COLOR_BGR2RGB)),plt.title('task3 output')
    #plt.show()
    
    #---------save figures--------------#
    cv2.imwrite("task3_proc.jpg", denoised_img)

效果和原图没啥区别。。。

源代码：

# -*- coding: utf-8 -*-
"""
Created on Fri Mar 31 14:51:59 2023

@author: cai-mj
"""

import numpy as np
import cv2
from matplotlib import pyplot as plt

def task_one():
    img = cv2.imread('task1.jpg')
    
    #---------your code-----------------#

    median = cv2.medianBlur(img, 3)

    #---------draw figures--------------#

    plt.imshow(cv2.cvtColor(median, cv2.COLOR_BGR2RGB)),plt.title('task1 output')
    plt.show()
    
    #---------save figures--------------#
    cv2.imwrite("task1_proc.jpg", median)

def task_two():
    img = cv2.imread('task2.jpg')
    
    #---------your code-----------------#

    blur = cv2.bilateralFilter(img,5,50,50)
    
    #---------draw figures--------------#
    #plt.imshow(cv2.cvtColor(blur, cv2.COLOR_BGR2RGB)),plt.title('task2 output')
    #plt.show()
    
    #---------save figures--------------#
    cv2.imwrite("task2_proc.jpg", blur)

def task_three():
    #img = cv2.imread('task3.jpg',1)
    
    #---------your code-----------------#
    # 读取图像
    img = cv2.imread('task3.jpg')

    # 分离RGB通道
    b, g, r = cv2.split(img)

    # 对每个通道进行傅里叶变换
    fb = np.fft.fft2(b)
    fg = np.fft.fft2(g)
    fr = np.fft.fft2(r)

    # 将频域中的原点移动到图像中心
    fb_shift = np.fft.fftshift(fb)
    fg_shift = np.fft.fftshift(fg)
    fr_shift = np.fft.fftshift(fr)

    # 获取频谱图像
    magnitude_spectrum_b = 20 * np.log(np.abs(fb_shift))
    magnitude_spectrum_g = 20 * np.log(np.abs(fg_shift))
    magnitude_spectrum_r = 20 * np.log(np.abs(fr_shift))

    # 获取图像高度
    height, width = img.shape[:2]

    # 计算周期噪声的频率成分
    dft_height = np.ceil(height / 10)
    cy = np.arange(dft_height, height, dft_height)
    cx = np.arange(width)

    # 将周期噪声的频率成分设置为0
    for y in cy:
        fb_shift[int(y) - 1:int(y) + 1, :] = 0
        fg_shift[int(y) - 1:int(y) + 1, :] = 0
        fr_shift[int(y) - 1:int(y) + 1, :] = 0

    # 进行反傅里叶变换，得到去噪后的图像
    ib = np.fft.ifft2(np.fft.ifftshift(fb_shift))
    ig = np.fft.ifft2(np.fft.ifftshift(fg_shift))
    ir = np.fft.ifft2(np.fft.ifftshift(fr_shift))

    # 将每个通道的结果合并为一张去噪后的彩色图像
    denoised_img = cv2.merge((ib.real, ig.real, ir.real))

    #---------draw figures--------------#
    #plt.imshow(cv2.cvtColor(result, cv2.COLOR_BGR2RGB)),plt.title('task3 output')
    #plt.show()
    
    #---------save figures--------------#
    cv2.imwrite("task3_proc.jpg", denoised_img)

if __name__ == '__main__':
    task_one()
    task_two()
    task_three()