C++不使用外部库手写均值滤波、中值滤波

已于 2024-09-09 12:35:37 修改
阅读量242 收藏 2
点赞数 9
文章标签： c++ 均值算法 算法
于 2024-09-09 10:47:17 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Yakuza_0213/article/details/141962079
版权

文章目录

一、手写Auto_Padding

1.代码

// 判断x是否在区间[a,b]内。
bool IsInRange(int x, int a, int b) 
{
	return a <= x && x <= b;
}

// 判断输入字符串是否为纯数字
bool IsAllDigits(const string& str)
{
	return all_of(str.begin(), str.end(), isdigit);
}

/*
* 自动填充函数
* \param img 输入图片指针
* \param rows 输入图片高
* \param cols 输入图片宽
* \param kernel_size 卷积核大小
* \param mode 填充方式：0-255的正整数、replicate复制填充、reflect镜像填充
* \return unsigned char*型填充后图像的指针
*/
void* AutoPadding(unsigned char* img, int rows, int cols, int channels, int kernel_size, string mode, unsigned char* padded)
{
	if (kernel_size % 2 == 0) 
		throw "Error: Kernel size must be an odd number.";
	else 
	{
		int pad_size = (kernel_size - 1) / 2;
		int padded_rows = rows + pad_size * 2;
		int padded_cols = cols + pad_size * 2;

		if (IsAllDigits(mode))  // 常数填充
		{
			int padding_value = stoi(mode);
			if (IsInRange(padding_value, 0, 255))
			{
				for (int y = 0; y < padded_rows; ++y)
				{
					for (int x = 0; x < padded_cols; ++x)
					{
						for (int z = 0; z < channels; ++z)
						{
							if (IsInRange(y - pad_size, 0, rows - 1) && IsInRange(x - pad_size, 0, cols - 1))
								padded[y * padded_cols * channels + x * channels + z] = img[(y - pad_size) * cols * channels + (x - pad_size) * channels + z];  // 内部填充
							else
								padded[y * padded_cols * channels + x * channels + z] = padding_value;  // 边缘填充
						}
					}
				}
			}
			else
				throw "Error: Padding value is not in range.";
		}
		else if (mode == "replicate")  // 复制填充
		{
			for (int y = 0; y < rows; ++y)
			{
				for (int x = 0; x < cols; ++x)
				{
					for (int z = 0; z < channels; ++z)
					{
						padded[(y + pad_size) * padded_cols * channels + (x + pad_size) * channels + z] = img[y * cols * channels + x * channels + z];  // 内部填充
					}
				}
			}
			for (int y = 0; y < pad_size; ++y)
			{
				for (int x = 0; x < padded_cols; ++x)
				{
					for (int z = 0; z < channels; ++z)
					{
						if (not IsInRange(x, pad_size, padded_cols - pad_size - 1)) // 四顶点矩阵填充
						{
							if (pad_size - x >= 0)
							{
								padded[y * padded_cols * channels + x * channels + z] = img[0];
								padded[(y + padded_rows - pad_size) * padded_cols * channels + x * channels + z] = img[(rows - 1) * cols * channels + z];
							}
							else
							{
								padded[y * padded_cols * channels + x * channels + z] = img[(cols - 1) * channels + z];
								padded[(y + padded_rows - pad_size) * padded_cols * channels + x * channels + z] = img[(rows - 1) * cols * channels + (cols - 1) * channels + z];
							}
						}
						else  // 上下边界填充
						{
							padded[y * padded_cols * channels + x * channels + z] = img[(x - pad_size) * channels + z];
							padded[(y + padded_rows - pad_size) * padded_cols * channels + x * channels + z] = img[(rows - 1) * cols * channels + (x - pad_size) * channels + z];
						}
					}
				}
				for (int x = pad_size; x < padded_rows - pad_size; ++x)  //  左右边界填充
				{
					for (int z = 0; z < channels; ++z)
					{
						padded[x * padded_cols * channels + y * channels + z] = img[(x - pad_size) * cols * channels + z];
						padded[x * padded_cols * channels + (y + padded_cols - pad_size) * channels + z] = img[(x - pad_size) * cols * channels + (cols - 1) * channels + z];
					}
				}
			}
		}
		else if (mode == "reflect")
		{
			if (pad_size <= rows - 1 && pad_size <= cols - 1)
			{
				int padded_rows = rows + pad_size * 2;
				int padded_cols = cols + pad_size * 2;


				for (int y = 0; y < rows; ++y)
				{
					for (int x = 0; x < cols; ++x)
					{
						for (int z = 0; z < channels; ++z)
							padded[(y + pad_size) * padded_cols * channels + (x + pad_size) * channels + z] = img[y * cols * channels + x * channels + z];  // 内部填充
					}
				}

				for (int i = 0; i < cols; ++i)
				{
					for (int k = 1; k <= pad_size; ++k)  //  上下边缘镜像
					{
						for (int z = 0; z < channels; ++z)
						{
							padded[(pad_size - k) * padded_cols * channels + (i + pad_size) * channels + z] = img[k * cols * channels + i * channels + z];
							padded[(pad_size + rows - 1 + k) * padded_cols * channels + (i + pad_size) * channels + z] = img[(rows - 1 - k) * cols * channels + i * channels + z];
						}
					}
				}
				for (int i = 0; i < padded_rows; ++i)
				{
					for (int k = 1; k <= pad_size; ++k)  //  左右边缘镜像
					{
						for (int z = 0; z < channels; ++z)
						{
							padded[i * padded_cols * channels + (pad_size - k) * channels + z] = padded[i * padded_cols * channels + (pad_size + k) * channels + z];
							padded[i * padded_cols * channels + (pad_size + cols - 1 + k) * channels + z] = padded[i * padded_cols * channels + (pad_size + cols - 1 - k) * channels + z];
						}
					}
				}
			}
			else
				throw "Error: Kernel size is too big.";
		}
		else
			throw "Error: This mode is not defined.";
	}
}

2.测试

void PaddingMatrixTest(int rows , int cols, int kernel_size, string mode)
{
	Mat matrix = Mat::zeros(rows, cols, CV_8UC1);
	randu(matrix, Scalar(10), Scalar(99));
	cout << matrix << endl;
	Mat test(matrix.rows + (kernel_size - 1), matrix.cols + (kernel_size - 1), CV_8UC1);
	try
	{
		AutoPadding(matrix.data, matrix.rows, matrix.cols, matrix.channels(), kernel_size, mode, test.data);
	}
	catch (const char* error_msg)
	{
		cout << error_msg << endl;
	}
	cout << test << endl;
}

void PaddingImageTest(string path, string mode)
{
	Mat img = imread(path);
	imshow("原图", img);
	int kernel_size = min(int(img.rows / 2), int(img.cols / 2));
	Mat test(img.rows + (kernel_size - 1), img.cols + (kernel_size - 1), CV_8UC3);
	try
	{
		AutoPadding(img.data, img.rows, img.cols, img.channels(), kernel_size, mode, test.data);
	}
	catch (const char* error_msg)
	{
		cout << error_msg << endl;
	}
	imshow("填充", test);
	waitKey(0);
}

int main()
{
	
	PaddingMatrixTest(5, 5, 5, "replicate");
	PaddingImageTest("test.png", "replicate");

	return 0;
}

在这里插入图片描述
在这里插入图片描述

二、滤波函数

1.代码

/*
* 滤波
* \param img 输入图片指针
* \param rows 输入图片高
* \param cols 输入图片宽
* \param channels 输入图像通道数
* \param kernel_size 卷积核大小
* \param padding_mode 填充方式：0-255的正整数、replicate复制填充、reflect镜像填充
* \param blur_mode 滤波方式：Median、Mean
* \param blured 输出图片指针
*/
void Blur(unsigned char* img, int rows, int cols, int channels, int kernel_size, string padding_mode, string blur_mode, unsigned char* blured)
{
	int pad_size = (kernel_size - 1) / 2;
	int padded_rows = rows + pad_size * 2;
	int padded_cols = cols + pad_size * 2;
	unsigned char* padded = new unsigned char[padded_rows * padded_cols * channels];
	AutoPadding(img, rows, cols, channels, kernel_size, padding_mode, padded);
	
	vector<unsigned char> temp(kernel_size * kernel_size);

	for (int y = pad_size; y < padded_rows - pad_size; ++y)
	{
		for (int x = pad_size; x < padded_cols - pad_size; ++x)
		{
			for (int z = 0; z < channels; ++z)
			{
				int index = 0;
				for (int j = y - pad_size; j <= y + pad_size; ++j)
				{
					for (int i = x - pad_size; i <= x + pad_size; ++i)
						temp[index++] = padded[j * padded_cols * channels + i * channels + z];
				}
				if (blur_mode == "Median")
				{
					sort(temp.begin(), temp.end());
					blured[(y - pad_size) * cols * channels + (x - pad_size) * channels + z] = temp[(index - 1) / 2];
				}
				else if (blur_mode == "Mean")
				{
					int sum = accumulate(temp.begin(), temp.end(), 0);
					blured[(y - pad_size) * cols * channels + (x - pad_size) * channels + z] = sum / index;
				}
				else
					throw "Error: This mode is not defined.";
				//cout << z << "\n";
			}
		}
	}
	delete[] padded;
}

2.测试

void BlurTest(string path, int kernel_size, string padding_mode, string mode)
{
	Mat img = imread(path);
	imshow("原图", img);
	Mat test(img.rows, img.cols, CV_8UC3);
	try
	{
		Blur(img.data, img.rows, img.cols, img.channels(), kernel_size, padding_mode, mode, test.data);
	}
	catch (const char* error_msg)
	{
		cout << error_msg << endl;
	}
	imshow("滤波", test);
	waitKey(0);
}


int main()
{

	Mat img = imread("test.png");
	BlurTest("test.png", 5, "reflect", "Mean");

	return 0;
}

在这里插入图片描述

Yakuza_0213
关注
C++手敲灰度图均值滤波中值滤波高斯滤波
m0_64007201的博客
11-17 2893
三种滤波去噪
C++手写均值滤波算法
coder_Alger 的博客
07-06 1670
均值滤波算法C++自实现
C/C++语言图像处理：各种滤波 高斯 中值 均值
CharlieYYang的博客
12-15 1263
文章目录常见噪声及常用滤波方式一、常见噪声分类：高斯噪声椒盐噪声二、常见滤波方式1、中值滤波2、均值滤波3、高斯滤波三、完整代码 常见噪声及常用滤波方式 一、常见噪声分类： 高斯噪声 高斯噪声是指它的概率密度函数服从高斯分布（即正态分布）的一类噪声。如果一个噪声，它的幅度分布服从高斯分布，而它的功率谱密度又是均匀分布的，则称它为高斯白噪声。高斯白噪声的二阶矩不相关，一阶矩为常数，是指先后信号在时间上的相关性。 产生原因： 1）图像传感器在拍摄时市场不够明亮、亮度不够均匀； 2）电路各元器件自身噪声和相互影
数字图像处理编程基础：Python语言不调用OpenCV函数实现任意滤波模板对图像进行滤波
qq_28005905的博客
07-04 1325
Python语言不调用OpenCV函数实现任意模板滤波编译环境前提代码滤波结果如下总结 编译环境 由于编程语言选择Python，所以博主用的编译器为PyCharm 2017 前提 岗萨勒斯第三版的数字图像处理中，介绍到空间滤波器模板，为了实现任意模板的滤波，例如33或55的均值滤波和33或55的高斯滤波，以及任意数值的空间滤波模板，用python语言在PyCharm中编写了如下代码。 代码 此次例...
高斯滤波(GaussianFilter)原理及C++实现
热门推荐
小武的博客
05-02 3万+
写在前面 首先，搞清楚几个概念：滤波(高通、低通、带通、带阻) 、模糊、去噪、平滑，看下图： 滤波是对输入信号进行卷积处理的一个过程，写成一个表达式的形式是这样的：滤波 = 卷积（ 输入信号 ，卷积模板 ）， 卷积模板/掩膜 的不同决定了不同的滤波方式，也因此产生了高通、低通、带通、带阻等基本的...
中值、均值、高斯、双边滤波（第五天）
寂寞的小乞丐
03-31 431
--------滤波简介-------- 滤波的是图像处理之中必备的手段，也是必经之路。模式识别，深度学习都会用到滤波的相关内容，没有好的图片你怎么识别？ 个人理解的“滤波”二字： 滤波没有什么神奇的地方，就是通过旁边像素对比来做判断(其他的下面再说)举个例子： 假如上面的图形1是瑕疵，通过滤波给过滤掉 上面是...
双边滤波实现
HCDuo6956的博客
05-11 1092
噪声类别：椒盐噪声（盐=白色，椒=黑色）:椒盐噪声是数字图像中的常见噪声，一般是由图像传感器、传输信道及解码处理等产生的黑白相见的亮暗点噪声，椒盐噪声常由图像切割产生。椒盐噪声是指两种噪声：盐噪声（salt noise）及椒噪声（pepper noise）。盐噪声一般是白色噪声，椒噪声一般是黑色噪声，前者高灰度噪声，后者属于低灰度噪声，一般两种噪声同时出现，呈现在图像上就是黑白杂点。图像去除脉冲干扰及椒盐噪声最常用的算法是中值滤波，图像模拟添加椒盐噪声是通过随机获取像素值点并设置为高亮点来实现的。
SLAM十四讲之第九讲：卡尔曼滤波与BA推导
qq_49561752的博客
10-28 271
贝叶斯滤波的详细推导、线性和非线性卡尔曼滤波推导、BA理论推导、图优化、BAL数据集、环境配置、SnavelyReprojectionError.h、rotation.h旋转变换、common.cpp、common.h、bundle_adjustment_ceres.cpp，bundle_adjustment_g2o.cpp
图像锐化、直方图均衡、图像增强、图像滤波
正在挣扎中的人
10-28 799
参考： https://www.cnblogs.com/wangguchangqing/category/740760.html 1. 拉普拉斯算子锐化 算法实现： #include <iostream> #include <opencv2/highgui.hpp> #include <opencv2/imgcodecs.hpp> #include <opencv2/imgproc.hpp> using namespace std; using name
vc++mfc经典数字图像处理程序
06-21
基于vc++和mfc的经典数字图像处理程序，代码纯手写，可以...包括图像文件的打开，另存，领域处理，灰度化，伪彩色，微分、拉普拉斯锐化，直方图均衡和，二值化，阈值分割，均值、中值滤波，平移，旋转，特效等算法。
vc++ 应用源码包_6
09-15
利用Delphi的代码在VC中显示JPG图片，不使用动态连接库。 Mail_Report.zip 一个邮件报告程序。 SrcFirstProg.zip 解释了最基本的MFC程序流程。 tabcontrol_demo.zip tabcontrol_src.zip 自定义的标签控件对话框...
【ORB_SLAM3源码解读】IMU基础介绍、IMU姿态、速度、位置解算以及误差方程、坐标系
小秋 AI SLAM 入门实战教程
04-29 9011
ORB_SLAM3优势 IMU(Inertial Measurement Unit),惯性测量单元 • 典型 6 轴 IMU 以较高频率(≥ 100Hz)返回被测量物体的角速度与加速度 • 受自身温度、零偏、振动等因素干扰,积分得到的平移和旋转容易漂移 六自由度 IMU 本身由一个陀螺仪和一个加速度计组成,分别测量自身的角速度和加速度。 IMU 适合计算短时间、快速的运动; 快速响应,不受成像质量影响,角速度普遍比较准确,可估计绝对尺度 存在零偏,低精度 IMU 积分位姿发散,高精度价格昂贵 可利用视觉定位
[c语言]一句话讲清循环中break和continue的作用与区别
2303_77060768的博客
09-29 170
1.两者的作用break和contuinue都只能在循环中使用，都用来停止循环。​​​​​​​2.两者的区别break在循环中只要遇到break，就直接永久终止当前循环，开始执行当前循环之外的代码。在循环中只要遇到continue，就结束本次循环，继续进行下一次循环。
【C语言】数据类型和变量
最新发布
2302_76713442的博客
10-06 1031
一、数据类型分类（内置数据类型：字符型、整型、浮点型和布尔类型）（自定义数据类型：数组、结构体、枚举和联合体）二~三、深入研究内置数据类型（内置数据类型的大小、使用内置数据类型创建变量、signed 和 unsigned）四、自定义数据类型的内容过于庞大，所以每种自定义数据类型都专门写了一篇博客来介绍，文中有相应链接。
第 21 章 一条记录的多幅面孔——事务的隔离级别与 MVCC
weixin_45740473的博客
10-02 980
并发的事务在运行过程中会出现一些可能的引发一致性问题SQL 标准中有4种隔离级别版本链ReadView。
C - Separated Lunch
m0_74304371的博客
10-05 274
C - Separated Lunch(KEYENCE Programming Contest 2024 (AtCoder Beginner Contest 374))
【C语言】字符函数和字符串函数(1)
hdxbufcbjuhg的博客
09-28 1723
str是\0了，循环是照常结束，但是str还要++一次，str就指向\0后面了，根据我们前面的分析就是错误的，所以这里只能把str自增的语句写在循环体内，当然，如果是拷贝字符串则不用担心这一点，可以放心把自增写在循环判断条件中。原型解析：strcpy的第一个参数是我们拷贝字符串的目的地的首地址，也就是接收拷贝的数组的首元素地址，第二个参数是我们拷贝字符串的源字符串的首地址，它的返回值就是接收拷贝的目标空间的初始地址。strcmp的作用就是帮我们比较两个字符串的大小，那么比较的依据是什么呢？
C语言 | Leetcode C语言题解之第448题找到所有数组中消失的数字
m0_59237910的博客
10-01 413
C语言 | Leetcode C语言题解之第448题找到所有数组中消失的数字
均值滤波中值滤波matlab
06-05
均值滤波和中值滤波是两种常见的图像处理滤波方法，它们用于平滑图像、去除噪声，特别是在信号处理和计算机视觉领域中广泛应用。在MATLAB中，这两种滤波可以通过内置函数轻松实现。 1. 均值滤波： MATLAB中的`...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值