import numpy as npimport cv2path = "./058.jpg"img = cv2.imread(path)# 1.均值滤波img_mean = cv2.blur(img, (3, 3))# 2.双边滤波img_bilater = cv2.bilateralFilter(img, 9, 75, 75)# 3.高斯滤波img_Guassian = cv2.Gaussian

以下代码是用于数据集划分，只需要修改config对象中对应的里的Annotations文件夹和JPEGImages文件夹路径即可!

灰度共生矩阵（skimage库中的graycomatrix，greycoprops）import numpy as npfrom skimage.feature import greycomatrix, greycoprops使用灰度级为4，矩阵维度为4x4的矩阵image = np.array([[0, 0, 1, 1],[0, 0, 1, 1],[0, 2, 2, 2],[2, 2, 3, 3

灰度共生矩阵（skimage库中的graycomatrix，greycoprops）import numpy as npfrom skimage.feature import greycomatrix, greycoprops使用灰度级为4，矩阵维度为4x4的矩阵image = np.array([[0, 0, 1, 1],[0, 0, 1, 1],[0, 2, 2, 2],[2, 2, 3, 3

直方图均衡化1.计算过程得到原始图片的灰度直方图得到各个灰度级对应的概率密度函数通过概率密度函数得到累积分布函数累计分布函数乘以255，得到每一个灰度级对应的新的灰度通过第4步的结果，将旧灰度映射得到新的灰度，即更新整张图片的灰度（统计一幅图像中不同灰度级下的像素个数）；例如：一副64X64的8个灰度级的图像，（正常情况下一张彩色图像灰度化[R=G=B]以后,灰度级为0~255）rk为灰度级，nk

基于数学形态学的织物缺陷检测1.介绍相较于现在使用的神经网络来检测织物缺陷，数学形态学方法是传统的检测方法，其检测的核心思想就是用具有一定形态学结构的元素去度量和提取图像中对应的形状，以达到对图像分析和识别的目的。所以数学形态学对于具有较强的几何形状的织物缺陷有较强的检测能力，但是现实情况是织物疵点的种类繁多，疵点的大小不一，形态各异，并且不是所有织物的缺陷都是具有几何形状的特点,所以要找到一种能