1.图片修复

用opencv实现图片修复 基本原理在于: 咱们本人标定噪声的特色,而后依据噪声四周区域的色彩特色修复噪声所在的区域
有句话说的很贴切 忘了在哪听的了:
用邻近的像素替换那些坏标记,使其看起来像是街坊
比方这位

要去除这个白框框 次要步骤:

(1)标定噪声特色

先剖析红色框框特色,红色区域的值大略处于[240, 240, 240]~[255, 255, 255]之间 图片中其余区域很少有这么高的像素值 所以咱们能够把这个红色区域提取进去 示意为前景区域 而后对其收缩
opencv给咱们提供了一个api ,用cv2.inRange进行二值化解决,cv2.inRange 用法如下

把 low-up之间的值变为255 以外的值变成0 (跟大津法阈值不同)
后果如下:(把灯也当做噪点了)

(2)扩大噪声区域 优化解决成果

cv2.dliate

(3)图像修复

间接用opencv的api cv2.inpaint函数 用法如下:
就是在原图根底上 把mask中前景区域局部的图像依据 flags指定的办法 进行修复

后果:

再试一个:

总的来说 这玩意次要是靠opencv外面cv2.inpaint这个函数实现
一句话 对于这个红色框框: 找到它 干掉它!

(4)代码

代码如下

# 图片修复import cv2import numpy as nppath = "./6t.jpg"img = cv2.imread(path)hight, width, depth = img.shape[0:3]# 图片二值化解决,把[240, 240, 240]~[255, 255, 255]以外的色彩变成0thresh = cv2.inRange(img, np.array([240, 240, 240]), np.array([255, 255, 255]))cv2.imshow("2", thresh)# 创立形态和尺寸的构造元素kernel = np.ones((5, 5), np.uint8)# 扩张待修复区域# dliate参数:原图 内核 侵蚀次数hi_mask = cv2.dilate(thresh, kernel, iterations=1)cv2.imshow("3", hi_mask)# inpaintspecular = cv2.inpaint(img, hi_mask, 5, flags=cv2.INPAINT_TELEA)cv2.namedWindow("Image", 0)cv2.imshow("Image", img)cv2.namedWindow("newImage", 0)cv2.imshow("newImage", specular)cv2.waitKey(0)cv2.destroyAllWindows()

一看到这 我就想起来各位男同胞们心心念念的马赛克技术
我这个代码去不掉马赛克 因为马赛克区域的RGB值 不是240-255之间
马赛克待我钻研钻研再说