OpenCV 陷波滤波器消除周期性噪音 C++

本文通过OpenCV C++实现陷波滤波器,消除图像中的周期性噪声。首先展示带有近似水平线噪声的图像,接着分析其频谱,并构建陷波器移除垂直轴的分量。经过滤波处理,成功去除空间中的周期性噪声。代码包括图像边界填充、中心化、对角线内容交换和频率域滤波等步骤。
摘要由CSDN通过智能技术生成

观察下面图像:

有明显的近似水平线的噪音模式,我们希望他在频率域内的成分沿垂直轴集中;

下图是该图像的谱;

将垂直轴的分量去掉,构建的陷波器如下:

原图与结果图对比:

滤掉的空间噪音模式:

代码实现:

#include "opencv2/opencv.hpp"

typedef cv::Mat Mat;

Mat image_add_border( Mat &src )
{
    int w=2*src.cols;
    int h=2*src.rows;
    std::cout << "src: " << src.cols << "*" << src.rows << std::endl;

    cv::Mat padded;
    copyMakeBorder( src, padded, 0, h-src.rows, 0, w-src.cols,
                    cv::BORDER_CONSTANT, cv::Scalar::all(0));
    padded.convertTo(padded,CV_32FC1);
    std::cout << "opt: " << padded.cols << "*" << padded.rows << std::endl;
    return padded;
}

//transform to center 中心化
void center_transform( cv::Mat &src )
{
    for(int i=0; i<src.rows; i++){
        float *p = src.ptr<float>(i);
        for(int j=0; j<src.cols; j++){
            p[j] = p[j] * pow(-1, i+j);
        }
    }
}

//对角线交换内容
void zero_to_center(cv::Mat &freq_plane)
{
//    freq_plane = freq_plane(Rect(0, 0, freq_plane.cols & -2

  • 2
    点赞
  • 21
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
下面是一个基于OpenCV的卡尔曼滤波器函数的示例代码,其中使用了一个简单的矩阵,可以通过修改矩阵来适应不同的问题。 ```c++ #include <opencv2/opencv.hpp> #include <iostream> using namespace cv; using namespace std; int main() { // 卡尔曼滤波器矩阵 // A: 状态转移矩阵 // B: 控制矩阵 // H: 观测矩阵 // Q: 系统噪声协方差矩阵 // R: 观测噪声协方差矩阵 Mat A = (Mat_<float>(2, 2) << 1, 0.1, 0, 1); Mat B = (Mat_<float>(2, 1) << 0.5, 1); Mat H = (Mat_<float>(1, 2) << 1, 0); Mat Q = (Mat_<float>(2, 2) << 0.1, 0, 0, 0.1); Mat R = (Mat_<float>(1, 1) << 1); // 初始状态向量和协方差矩阵 Mat x = (Mat_<float>(2, 1) << 0, 0); Mat P = (Mat_<float>(2, 2) << 1, 0, 0, 1); // 观测数据集合 vector<float> measurements = { 1.2, 1.7, 2.4, 3.6, 4.9, 5.0 }; // 初始化卡尔曼滤波器 KalmanFilter kf(2, 1, 0); kf.transitionMatrix = A; kf.controlMatrix = B; kf.measurementMatrix = H; kf.processNoiseCov = Q; kf.measurementNoiseCov = R; kf.statePost = x; kf.errorCovPost = P; // 迭代滤波 for (int i = 0; i < measurements.size(); i++) { Mat measurement = (Mat_<float>(1, 1) << measurements[i]); Mat prediction = kf.predict(); Mat correction = kf.correct(measurement); cout << "Predicted: " << prediction << endl; cout << "Corrected: " << correction << endl; } return 0; } ``` 此代码可以读取一个观测数据序列,并使用卡尔曼滤波器对其进行处理。在每个迭代中,代码会进行预测和校正操作,并输出预测和校正结果。您可以根据需要修改代码中的矩阵来适应不同的问题。
评论 1
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

打赏作者

Dwyane05

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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