Python skimage图像滤波详解：从边缘检测到平滑处理

Finn

发布时间：2026-10-15 | 2人浏览过

原创

本文详解Python中skimage库的图像滤波功能，涵盖Sobel、Roberts、Scharr、Prewitt及Canny等边缘检测算子的用法与参数调整，以及Gaussian、Median和Gabor滤波在去噪与纹理提取中的应用。通过具体代码示例解析sigma、frequency等关键参数的影响，帮助开发者掌握图像特征提取与噪声抑制的核心技术。

引言

对图像进行滤波处理主要旨在实现两种效果：一是通过平滑滤波抑制图像噪声，二是利用微分算子检测图像边缘并提取关键特征。

在Python的skimage库中，滤波操作主要通过filters模块来执行。

1、Sobel算子

Sobel算子常用于检测图像中的边缘信息。

其函数调用格式为：skimage.filters.sobel(image, mask=None)

from skimage import data,filters
import matplotlib.pyplot as plt
img = data.camera()
edges = filters.sobel(img)
plt.imshow(edges,plt.cm.gray)

2、Roberts算子

Roberts算子的功能与Sobel算子类似，同样用于边缘检测。

其调用格式与Sobel算子保持一致。

edges = filters.roberts(img)

3、Scharr算子

Scharr算子的功能同Sobel，其调用格式为：

edges = filters.scharr(img)

4、Prewitt算子

Prewitt算子的功能同Sobel，其调用格式为：

edges = filters.prewitt(img)

5、Canny算子

Canny算子同样用于提取边缘特征，但它不属于filters模块，而是位于feature模块中。

函数格式为：skimage.feature.canny(image，sigma=1.0)

用户可以通过修改sigma的值来调整滤波效果。

from skimage import data,filters,feature
import matplotlib.pyplot as plt
img = data.camera()
edges1 = feature.canny(img)   #sigma=1
edges2 = feature.canny(img,sigma=3)   #sigma=3
plt.figure('canny',figsize=(8,8))
plt.subplot(121)
plt.imshow(edges1,plt.cm.gray)  
plt.subplot(122)
plt.imshow(edges2,plt.cm.gray)
plt.show()

从实验结果可以看出，sigma值越小，检测出的边缘线条越细。

6、Gabor滤波

Gabor滤波可用于边缘检测以及纹理特征的提取。

函数调用格式为：skimage.filters.gabor_filter(image, frequency)

通过调整frequency值可以改变滤波效果，该函数返回一对边缘结果：分别基于真实滤波核和理想滤波核的计算结果。

from skimage import data,filters
import matplotlib.pyplot as plt
img = data.camera()
filt_real, filt_imag = filters.gabor_filter(img,frequency=0.6)   
plt.figure('gabor',figsize=(8,8))
plt.subplot(121)
plt.title('filt_real')
plt.imshow(filt_real,plt.cm.gray)  
plt.subplot(122)
plt.title('filt-imag')
plt.imshow(filt_imag,plt.cm.gray)
plt.show()

上图展示了frequency=0.6时的处理结果。

上图展示了frequency=0.1时的处理结果。

7、Gaussian滤波

这是一种多维滤波器，属于平滑滤波范畴，主要用于消除高斯噪声。

调用函数为：skimage.filters.gaussian_filter(image, sigma)

通过调节sigma的值可以控制滤波效果。

from skimage import data,filters
import matplotlib.pyplot as plt
img = data.astronaut()
edges1 = filters.gaussian_filter(img,sigma=0.4)   #sigma=0.4
edges2 = filters.gaussian_filter(img,sigma=5)   #sigma=5
plt.figure('gaussian',figsize=(8,8))
plt.subplot(121)
plt.imshow(edges1,plt.cm.gray)  
plt.subplot(122)
plt.imshow(edges2,plt.cm.gray)
plt.show()

观察结果可知，sigma值越大，滤波后的图像越模糊。

8、Median（中值滤波）

中值滤波是一种平滑滤波技术，能够有效消除噪声。

需要使用skimage.morphology模块来设置滤波器的形状。

from skimage import data,filters
import matplotlib.pyplot as plt
from skimage.morphology import disk
img = data.camera()
edges1 = filters.median(img,disk(5))
edges2= filters.median(img,disk(9))
plt.figure('median',figsize=(8,8))
plt.subplot(121)
plt.imshow(edges1,plt.cm.gray)  
plt.subplot(122)
plt.imshow(edges2,plt.cm.gray)
plt.show()

从结果可以看出，滤波器尺寸越大，图像越模糊。

9、水平与垂直边缘检测

上述示例均进行全方向边缘检测，若只需检测水平或垂直边缘，可采用以下方法。

水平边缘检测函数：sobel_h, prewitt_h, scharr_h

垂直边缘检测函数：sobel_v, prewitt_v, scharr_v

from skimage import data,filters
import matplotlib.pyplot as plt
img = data.camera()
edges1 = filters.sobel_h(img)  
edges2 = filters.sobel_v(img) 
plt.figure('sobel_v_h',figsize=(8,8))
plt.subplot(121)
plt.imshow(edges1,plt.cm.gray)  
plt.subplot(122)
plt.imshow(edges2,plt.cm.gray)
plt.show()

上图左侧为检测出的水平边缘，右侧为检测出的垂直边缘。

10、交叉边缘检测

可使用Roberts的十字交叉核进行过滤，以检测交叉边缘。这些交叉边缘实际上是梯度在特定方向上的分量。

其中一个核矩阵为：

0 1 -1 0

对应的处理函数为：

roberts_neg_diag(image）

示例代码如下：

from skimage import data,filters
import matplotlib.pyplot as plt
img =data.camera()
dst =filters.roberts_neg_diag(img) 
plt.figure('filters',figsize=(8,8))
plt.subplot(121)
plt.title('origin image')
plt.imshow(img,plt.cm.gray)
plt.subplot(122)
plt.title('filted image')
plt.imshow(dst,plt.cm.gray)

另一个核矩阵为：

1 0 0 -1

对应的函数为：

roberts_pos_diag(image）

from skimage import data,filters
import matplotlib.pyplot as plt
img =data.camera()
dst =filters.roberts_pos_diag(img) 
plt.figure('filters',figsize=(8,8))
plt.subplot(121)
plt.title('origin image')
plt.imshow(img,plt.cm.gray)
plt.subplot(122)
plt.title('filted image')
plt.imshow(dst,plt.cm.gray)