理论
- 平滑,也称为模糊,是一种简单且经常使用的图像处理操作。
- 平滑的原因有很多。 在本教程中,我们将重点关注平滑以减少噪音
- 要执行平滑操作,我们将对图像应用滤镜。 最常见的滤波器类型是线性的,其中输出像素的值(即g(i,j))被确定为输入像素值的加权和(即f(i + k,j + 1)):
- 有很多种过滤器,这里我们会提到最常用的过滤器。
标准化盒式过滤器
- 这个过滤器是最简单的! 每个输出像素是其内核邻居的平均值(它们都以相同的权重贡献)
- 内核如下:
高斯滤波
- 可能是最有用的过滤器(尽管不是最快)。 高斯滤波是通过将输入数组中的每个点与高斯核进行卷积,然后将它们相加以产生输出数组来完成的。
- 假设图像是1D,您可以注意到位于中间的像素将具有最大权重。 随着它们与中心像素之间的空间距离的增加,其邻居的权重减小。
中值滤波
- 中值滤波器遍历信号的每个元素(在这种情况下是图像),并用其相邻像素的中值(位于评估像素周围的方形邻域中)替换每个像素。
双边过滤器
- 到目前为止,我们已经解释了一些过滤器,主要目标是平滑输入图像。 但是,有时滤镜不仅可以消除噪音,还可以平滑边缘。 为了避免这种情况(至少在某种程度上),我们可以使用双边滤波器。
- 双边滤波器还考虑具有分配给它们中的每一个的权重的相邻像素。 这些权重有两个分量,第一个是高斯滤波器使用的相同加权。 第二个分量考虑了相邻像素和评估像素之间的强度差异。
代码
#include "opencv2/imgproc.hpp"
#include "opencv2/highgui.hpp"
using namespace std;
using namespace cv;
int DELAY_CAPTION = 1500;
int DELAY_BLUR = 100;
int MAX_KERNEL_LENGTH = 31;
Mat src; Mat dst;
char window_name[] = "Filter Demo 1";
int display_caption( char* caption );
int display_dst( int delay );
/*
* function main
*/
int main( int argc, char** argv )
{
namedWindow( window_name, WINDOW_AUTOSIZE );
src = imread( "../images/lena.jpg", 1 );
if( display_caption( "Original Image" ) != 0 ) { return 0; }
dst = src.clone();
if( display_dst( DELAY_CAPTION ) != 0 ) { return 0; }
if( display_caption( "Homogeneous Blur" ) != 0 ) { return 0; }
for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
{ blur( src, dst, Size( i, i ), Point(-1,-1) );
if( display_dst( DELAY_BLUR ) != 0 ) { return 0; } }
if( display_caption( "Gaussian Blur" ) != 0 ) { return 0; }
for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
{ GaussianBlur( src, dst, Size( i, i ), 0, 0 );
if( display_dst( DELAY_BLUR ) != 0 ) { return 0; } }
if( display_caption( "Median Blur" ) != 0 ) { return 0; }
for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
{ medianBlur ( src, dst, i );
if( display_dst( DELAY_BLUR ) != 0 ) { return 0; } }
if( display_caption( "Bilateral Blur" ) != 0 ) { return 0; }
for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
{ bilateralFilter ( src, dst, i, i*2, i/2 );
if( display_dst( DELAY_BLUR ) != 0 ) { return 0; } }
display_caption( "End: Press a key!" );
waitKey(0);
return 0;
}
int display_caption( char* caption )
{
dst = Mat::zeros( src.size(), src.type() );
putText( dst, caption,
Point( src.cols/4, src.rows/2),
FONT_HERSHEY_COMPLEX, 1, Scalar(255, 255, 255) );
imshow( window_name, dst );
int c = waitKey( DELAY_CAPTION );
if( c >= 0 ) { return -1; }
return 0;
}
int display_dst( int delay )
{
imshow( window_name, dst );
int c = waitKey ( delay );
if( c >= 0 ) { return -1; }
return 0;
}
解释
(1)标准化块过滤器
OpenCV提供函数cv :: blur来使用此过滤器执行平滑。
4个参数具体含义如下:
- src:源图像
- dst:目标图像
- Size(w,h):定义要使用的内核的大小(宽度为w像素,高度为h像素)
- Point(-1,-1):表示锚点(被评估的像素)相对于邻域的位置。 如果存在负值,则将内核的中心视为锚点。
(2)高斯滤波
它由函数cv :: GaussianBlur执行:
4个参数具体含义如下:
- src:源图像
- dst:目标图像
- Size(w,h):要使用的内核的大小(要考虑的邻居)。 w和h必须是奇数和正数,否则将使用σx和σy参数计算大小。
- σx:x中的标准偏差。 写0表示使用内核大小计算σx。
- σy:y的标准偏差。 写0表示使用内核大小计算σy。
(3)中值滤波
此过滤器由cv :: medianBlur函数提供:
3个参数具体含义如下:
- src:源图像
- dst:目标图像,必须与src的类型相同
- i:内核的大小。
(4)双边过滤器
由OpenCV函数cv :: bilateralFilter提供:
5个参数具体含义如下:
- src:源图像
- dst:目标图像
- d:每个像素邻域的直径
- σColor:颜色空间的标准偏差
- σSpace:坐标空间的标准差(以像素为单位)
结果
中值滤波的效果图