mean_image — 2D `smoothing` op

• Datenarten: image → image

• Aufruf: fullseye.apply(img, "mean_image", a=0.5, b=0.5) (das 2-D-Modell ist ein Bild plus zwei skalare Regler a,b∈[0,1])

• HALCON-Äquivalent: mean_image (Bedeutung und Parameter sind in der HALCON-Referenz nachzulesen)

• GPU: ja (mean_image@twin, schneller Pfad mit device="cuda")

mean_image: input → output

*Die Abbildung ist die tatsächliche Ausgabe auf einer synthetischen 128×128-Eingabe. Links Eingabe, rechts Ausgabe. Punktwolken als Draufsicht-Streudiagramm (Helligkeit = z), 1-D-Reihen als Linie, Volumen als Maximum-Projektion entlang z, Videos als mittleres Bild, komplexe Bilder als Betrag; Rückgabewerte, die kein Bild ergeben, werden als Werte gezeigt.*

Regler a durchfahren (0,1 / 0,5 / 0,9, der andere Regler auf Standard):

▸ mean_image: Regler a durchfahren (Doku-Website)

*Regler b ändert die Ausgabe nicht (gemessen: identisch bei 0,1 / 0,5 / 0,9).*

Auf anderen Bildern (synthetische Szene / Foto / Münzen. Obere Reihe: Eingaben, untere Reihe: deren Ausgaben. Regler auf Standard):

▸ mean_image: andere Eingaben (Doku-Website)

*Keine Farb-Eingabe (H,W,3) gezeigt: dieser Op behandelt den Farbkanal als dritte Raumachse (vermischt Kanäle). Pro Kanal aufrufen.*

Verwendung

Rechteckiger Mittelwertfilter (Box-Filter). Eine Näherung, die HALCONs mean_image (Smooth by averaging.) entspricht und den betrachteten Pixel durch den Mittelwert eines Fensters der Seitenlänge k ersetzt.

a variiert die Fensterseitenlänge k in den 4 Stufen {3,5,7,9} (_k(a)). b wird nicht verwendet. Schneller als ein Gauß, doch statt Kanten zu verwischen, hinterlässt es leicht kantige, blockartige Artefakte.

Bei einem Bild mit NaN breitet sich NaN auf die Ausgabe der Mittelwertfenster aus, die dieses Pixel einbeziehen.

Randbehandlung: mit Wiederholung des Randpixels spiegeln (d c b a | a b c d — scipys Standard reflect) (gemessen; tools/impl2/border_probe.py).

Ausführlicher Anwendungsleitfaden

• Leitfaden zur Familie gallery2d_smoothing_rank

Referenzen (Beispieldaten, Literatur)

• Katalog der Beispieldaten (Download-URLs / Lizenzen) — 2-D nutzt skimage.data (BSD/Public Domain) plus synthetische Bilder, 3-D nennt Download-URLs echter Datenquellen (Stanford, PDS, …).

• Herkunft und Literatur der Operatoren — die Quellen der Forschung/Verfahren, auf denen diese Operatorfamilie beruht.

• Der kanonische Algorithmus (Autor, Jahr) und seine Anwendungen stehen im Familienleitfaden oben.

In Studio ausprobieren

Das Programm unten ist nachweislich lauffähig (gleiche Eingabe wie die Abbildung). In der Studio-Hilfe wird dieser Block zu Schaltflächen, die es sofort laden und ausführen.

mean_image 0.35 0.50

▸ Diese Pipeline laden · Laden & ausführen

Ausführbare Beispiele (verifizierte Samples, die diesen Operator wirklich aufrufen)

• gallery2d_smoothing_rank — py -3.11 examples/gallery2d_smoothing_rank.py

• poc_document_scan — py -3.11 examples/poc_document_scan.py

• poc_focus_stacking — py -3.11 examples/poc_focus_stacking.py

• poc_white_balance — py -3.11 examples/poc_white_balance.py

Typkompatible Folge-Operatoren (nehmen `image` als Eingabe)

identity · gaussian · mean_box · mean_box_wh · bilateral · kuwahara · unsharp · median

Gleiche Kategorie (`smoothing`)

gaussian · mean_box · mean_box_wh · bilateral · kuwahara · unsharp · sk_tv · sk_wavelet

*Provenance: ops.py — 2D Operator-Registry. Diese Notiz wird von tools/opdocs.py md erzeugt (nicht von Hand bearbeiten).*

mean_image — 2D smoothing op