退化

濾波

img_averaging=cv2.blur(img2,(3,3)) #均值濾波
img_median = cv2.medianBlur(img2,3) #中值濾波

高斯模糊

result = cv2.GaussianBlur(source, (11,11), 0)

高斯噪聲

def add_noise_Guass(img, mean=0, var=0.01):  # 添加高斯噪聲img = np.array(img / 255, dtype=float)# 將原始圖像的像素值進行歸一化，除以255使得像素值在0-1之間noise = np.random.normal(mean, var ** 0.5, img.shape)#0.01的0.5次冪,ctrl點擊normal函數可見參數#給出均值為loc，標準差為scale的高斯隨機數（場）'''numpy.random.normal(loc=0.0, scale=1.0, size=None)loc：float此概率分布的均值（對應著整個分布的中心centre）scale：float此概率分布的標準差（對應于分布的寬度，scale越大越矮胖，scale越小，越瘦高）size：int or tuple of ints輸出的shape，默認為None，只輸出一個值'''out_img = img + noise# 將噪聲和原始圖像進行相加得到加噪后的圖像if out_img.min() < 0:low_clip = -1else:low_clip = 0out_img = np.clip(out_img, low_clip, 1.0)#clip函數將元素的大小限制在了low_clip和1之間了，小于的用low_clip代替，大于1的用1代替out_img = np.uint8(out_img * 255)# 解除歸一化，乘以255將加噪后的圖像的像素值恢復return out_img

椒鹽噪聲

def sp_noise(image, amount):output = image.copy()threshold = 1 - amount#傳入的參數,設置一個闕值#amount 越大，白色越多for i in range(image.shape[0]):#shape[0]表示圖片高for j in range(image.shape[1]):#圖片寬rdm = random.random()#取0到1之間的浮點數if rdm < amount: #如果隨機數小于參數，那么像素點取黑色output[i][j] = 0  #亮度0%，取黑色elif rdm > threshold:output[i][j] = 255#取白色return output

增強

修復破損

import cv2
import numpy as np
# 讀取照片
image = cv2.imread('old_photo.jpg')
# 將圖像轉換為灰度圖
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 應用高斯模糊來減少圖像噪聲
blurred = cv2.GaussianBlur(gray, (5, 5), 0)
# 使用Canny邊緣檢測器識別邊緣
edges = cv2.Canny(blurred, 50, 150)
# 使用膨脹操作將邊緣連接在一起形成輪廓
dilated = cv2.dilate(edges, None, iterations=2)
# 在原始圖像上繪制輪廓，以便于可視化結果
result = cv2.inpaint(image, dilated, (3, 3), cv2.INPAINT_TELEA)
# 顯示修復后的照片
cv2.imshow('Result', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

先讀取照片，并將其轉換為灰度圖。然后，我們使用高斯模糊減少圖像噪聲，并使用Canny邊緣檢測器識別邊緣。接下來，我們通過膨脹操作將邊緣連接在一起形成輪廓，以便識別損壞區域。最后，我們使用OpenCV的inpaint函數來修復損壞區域，并將結果顯示出來。