图 1-13：使用 ROF 模型对合成图像去噪：（a）为原始噪声图像；（b）为经过高斯模糊的图像（σ=10）；（c）为经过 ROF 模型去噪后的图像
下面看一下在实际图像中使用 ROF 模型去噪的效果：
from PIL import Image from pylab import * import rof im = array(Image.open(\'empire.jpg\').convert(\'L\')) U,T = rof.denoise(im,im) figure() gray() imshow(U) axis(\'equal\') axis(\'off\') show()经过 ROF 去噪后的图像如图 1-14c 所示。为了方便比较，该图中同样显示了模糊后的图像。可以看到，ROF 去噪后的图像保留了边缘和图像的结构信息，同时模糊了“噪声”。
图 1-14：使用 ROF 模型对灰度图像去噪：（a）为原始噪声图像；（b）为经过高斯模糊的图像（σ=5）；（c）为经过 ROF 模型去噪后的图像
练习
如图 1-9 所示，将一幅图像进行高斯模糊处理。随着 σ 的增加，绘制出图像轮廓。在你绘制出的图中，图像的轮廓有何变化？你能解释为什么会发生这些变化吗？
通过将图像模糊化，然后从原始图像中减去模糊图像，来实现反锐化图像掩模操作（）。反锐化图像掩模操作可以实现图像锐化效果。试在彩色和灰度图像上使用反锐化图像掩模操作，观察该操作的效果。
除了直方图均衡化，商图像是另一种图像归一化的方法。商图像可以通过除以模糊后的图像 I/(I* Gσ) 获得。尝试使用该方法，并使用一些样本图像进行验证。
使用图像梯度，编写一个在图像中获得简单物体（例如，白色背景中的正方形）轮廓的函数。
使用梯度方向和大小检测图像中的线段。估计线段的长度以及线段的参数，并在原始图像中重新绘制该线段。
使用 label() 函数处理二值化图像，并使用直方图和标签图像绘制图像中物体的大小分布。
使用形态学操作处理阈值化图像。在发现一些参数能够产生好的结果后，使用 morphology 模块里面的 center_of_mass() 函数寻找每个物体的中心坐标，将其在图像中绘制出来。
代码示例约定从第 2 章起，我们假定 PIL、NumPy 和 Matplotlib 都包括在你所创建的每个文件和每个代码例子的开头：
from PIL import Image from numpy import * from pylab import *这种约定使得示例代码更清晰，同时也便于读者理解。除此之外，我们使用 SciPy 模块时，将会在代码示例中显式声明。
一些纯化论者会反对这种将全体模块导入的方式，坚持如下使用方式：
import numpy as np import matplotlib.pyplot as plt这种方式能够保持命名空间（知道每个函数从哪儿来）。因为我们不需要 PyLab 中的 NumPy 部分，所以该例子只从Matplotlib 中导入 pyplot 部分。纯化论者和经验丰富的程序员们知道这些区别，他们能够选择自己喜欢的方式。但是，为了使本书的内容和例子更容易被读者接受，我们不打算这样做。
请读者注意。
更多IT系统运维、大数据实战、项目管理、商务英语及应用知识，扫描下方二维码关注公众号了解更多！！！