基于OpenCV 的图像模糊

主要使用进行均值滤波的操作函数blur函数

/**
 *Copyright (c) 2018 Young Fan.All Right Reserved.
 *Filename: 3 图像模糊
 *Author: Young Fan
 *Date: 2018.4.1
 *OpenCV version: 3.4.1
 *IDE: Visual Studio 2017
 *Description: 图像模糊
 */

#include"opencv2/highgui/highgui.hpp"
#include<opencv2/imgproc/imgproc.hpp>
#include<iostream>
using namespace cv;
using namespace std;

int main()
{
    //载入图片
    Mat srcImage = imread("1.jpg");
    //显示图片
    imshow("原图", srcImage);
    //进行均值滤波
    Mat dstImage;
    blur(srcImage,dstImage,Size(7,7));
    //显示效果图
    imshow("均值滤波效果图",dstImage);

    waitKey(0);
    return 0;
}

效果图:

这里写图片描述

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
OpenCV中,图像模糊可以通过两种方式进行判断:基于图像梯度和基于图像频率。 基于图像梯度的方法是使用Laplacian算子计算图像梯度,通过计算梯度的方差来判断图像是否模糊。一般来说,模糊图像的梯度方差较小,而清晰图像的梯度方差较大。使用下面的代码可以实现这种方法: ``` import cv2 img = cv2.imread('test.jpg') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) laplacian_var = cv2.Laplacian(gray, cv2.CV_64F).var() if laplacian_var < 100: print('The image is blurry!') else: print('The image is clear!') ``` 基于图像频率的方法是首先将图像进行傅里叶变换(FFT),然后计算图像的频率谱。一般来说,模糊图像的频率谱集中在低频区域,而清晰图像的频率谱则分布在各个频率区域。因此,可以通过计算频率谱的标准差来判断图像是否模糊。使用下面的代码可以实现这种方法: ``` import cv2 import numpy as np img = cv2.imread('test.jpg') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) freq = np.fft.fft2(gray) freq_shifted = np.fft.fftshift(freq) magnitude_spectrum = 20*np.log(np.abs(freq_shifted)) std = np.std(magnitude_spectrum) if std < 10: print('The image is blurry!') else: print('The image is clear!') ``` 两种方法各有优缺点,基于图像梯度的方法适用于大部分图像,并且计算速度快,但是当图像中有较大的纹理或者边缘时,可能会错误地将清晰图像判定为模糊图像。而基于图像频率的方法可以更准确地判断图像模糊程度,但是计算速度较慢,对内存的要求也较高。在实际应用中,可以根据具体情况选择合适的方法来进行图像模糊的判断。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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