【OpenCV C++20 学习笔记】图像平滑基础

理论

平滑(smoothing)或者模糊(blurring)是一个简单常用的图像处理操作。
平滑的作用很多，这里主要介绍如何利用平滑来降低噪音。
平滑操作需要应用滤波。应用最广的滤波类型是线性滤波，其数学公式如下：
$$g(i,j)=\sum _{k,l}f(i+k,j+l)h(k,l)$$

• $g(i,j)$为$i$行$j$列的像素值的滤波结果；
• $h(k,l)$为核，即一个系数矩阵，决定了对应$i$行$j$列的像素值的加权系数$k$和$l$；
• $f(i+k,j+l)$为$i$行$j$列的像素值的加权结果；

归一化方框滤波

这是所有滤波中最简单的一种。每个像素值的滤波结果都是它在核内的邻近像素值的平均值
归一化方框滤波的核如下：
$$K=\frac{1}{K_{width}\ast K_{height}}\left[\begin{array}{ccccc}1& 1& 1& ...& 1\\ 1& 1& 1& ...& 1\\ .& .& .& ...& 1\\ .& .& .& ...& 1\\ 1& 1& 1& ...& 1\end{array}\right]$$
核中的所有系数均为1。

高斯滤波

高斯滤波是最有用的滤波。它用一个高斯分布的核对像素值进行卷积，然后把它们都相加。
一维的高斯核是个正态分布，标准正态分布图如下：

对于一维数据来说，落在中间的数将获得最大的权重，然后权重向两边递减。
二维高斯分布的公式如下：
$$G_0(x,y)=A{e}^{\frac{-(x-{\mu }_x{)}^2}{2{\sigma }_x^2}\frac{-(y-{\mu }_y{)}^2}{2{\sigma }_y^2}}$$

• $\mu$为平均数
• ${\sigma }^2$分别为$x$和$y$的方差

中值滤波

中值滤波将图像中的每个像素点都用它邻近像素点的中值替代。

双边滤波

滤波在平滑图片的同时也会模糊图片的边缘。双边滤波能够防止边缘被模糊化。
相比于高斯滤波，双边滤波除了有权重，还有一个表示邻近像素点与目标像素点之间的强度差的成分。
更详细的说明，请参考该论文。

代码实现

在OpenCV中，以上集中滤波分别用以下函数实现：

归一化滤波

blur(src,			//原始图片
	dst,			//目标图片
	Size(i, i),		//核的尺寸，宽-高
	Point(-1, -1));	//锚点，即目标点，(-1, -1)则代表核的中心

高斯滤波

GaussianBlur(src,		//原始图片
			dst,		//目标图片
			Size(i, i),	//核的尺寸，必须都是正奇数
			0,			//x的标准差，0代表根据核的尺寸计算x的标准差
			0);			//y的标准差，0代表根据核的尺寸计算y的标准差

中值滤波

medianBlur(src,		//原始图片
			dst,	//目标图片
			i);		//核的尺寸，所以核的宽和高必须相等

双边滤波

bilateralFilter(src,	//原始图片
				dst,	//目标图片
				i, 		//核的尺寸，所以核的宽高必须相等
				i*2,	//颜色的标准差
				i/2);	//坐标的标准差