opencv2学习笔记（2）

滤波是信号处理的及图像处理中的一个基本操作，旨在特定的应用程序中，选择性地提取图像中被认为的传达重要信息的部分。滤波去除图像中的噪声，提取感兴趣的视觉特征，允许图像重样，等等。
观察图像中变化的频率构成了描述图像的一种方式，这种观点被称为频域，而通过灰度分布来描述一副图像被称为空间域。
#低通滤波器
低通滤波器的目的是降低图像变化的速率幅度。
cv::blur函数的作用是将每个像素替换为相邻矩形内像素的平均值。用法如下。

cv::blur(image,result,cv::Size(5,5));

在一些情况下，对于靠近的像素需要给予更多的重要性。这可以通过计算加权平均数，即离的近的像素比离的远的像素拥有更多权重。常用的加权方案基于高斯函数。cv::GaussianBlur函数起到这个作用，它的用法如下：

cv::GaussianBlur(image,result,cv::Size(5,5),1.5);

不难看出低通滤波器的的效果是对图像进行模糊或平滑，它减弱了物体边缘处可见的快速变化。
当滤波器的作用相当于将一个像素替换为相邻像素的加权总和时，我们称它是线性的。箱式滤波器便属于这一类，它将一个像素替换为相邻矩形内的像素和，并除以相邻像素的个数（以得到平均值)。这就像是将每个相邻像素乘以1后进行求和。滤波器的不同权重可以通过矩阵表示，矩阵的每一项都是对应位置像素的相乘因子。位于中心的元素对应的是滤波器当前正处理的像素。这样一个矩阵有时被称为核(Kernel )或掩码( Mask )。
想要在一幅图像上应用二维高斯滤波器，可以先对图像的行应用一维高斯滤波器(这将影响垂直频率），接着对图像的列应用相同的一维滤波器（影响的是垂直频率）。
当图像大小改变时也将使用低通滤波器，会由空间扭曲引起一些不受欢迎的瑕疵，这发生于将高频成分放入过小的图像时。事实上，小些的图像（即拥有更少像素点的图像）无法如同高分辨率图像一般表现出精美的纹理及尖锐的边缘。由于图像中的精致细节对应于高频分量，在将尺寸缩小前我们需要移除这些分量。在本秘诀中我们了解到低通滤波器可以达成该目的。也就是说，若想缩减一半的尺寸而不添加瑕疵，必须先对原图应用低通滤波，然后隔行、隔列去除像素。这也正是cv::pyrDown 函数的作用度:

cv::Mat reducedImage;//包含缩小后的图像
cv::pyrDown(image,reducedTmage);//将图像尺寸减半

存在一个更通用的cv::resize函数允许指定目标 图像的尺寸。尺寸既可以小于原图，也可以大于原图。

cv::Mat resizedImage;//包含改变尺寸后的图像
cv::resize(image,resizedImage,cv::Size(image.cols/3,image.row/3));//改为1/3大小

在其他选项也可以通过设置放缩因子来确定尺寸，或是挑选重采样过程中的特定插值方式。
#中值滤波
由于中值滤波器是非线性的，它无法表示为一个核矩阵。然而，它也对一个像素的相邻区域进行操作以确定输出像素的值。该像素及它的相邻区域组成一组数组，同时中值滤波仅仅计算这组数的中值，并用中值替换当前的像素值。
这解释了为何该滤波器在去除椒盐噪点方面是如此的高效。事实上，当一个例外的黑色或白色像素出现在一个给定的相邻区域时,它从不会被选为中值(它或为极大值,或为极小值)，因此它总替换为某个相邻像素的值。与之相反，一个简单的均值滤波器将会极大地受到这类噪点的影响。
噪点像素使得相邻像素的平均值发生变化。即便已经被中值滤波器进行模糊。结界中的噪点还是依然可见的。
中值滤波器的同时还有保留边缘锐利度的优点。然而，它也会除去相同区域中的纹理。

#方向滤波器检测边缘
Sobel滤波器具有方向性，根据使用的核的不同，他只改变图像的水平或竖直频率。水平滤波器的使用方法如下

cv::Sobel(image,sobelX,CV_8U,1,0,3,0.4,128);

垂直滤波器的使用方法类似

cv::Sobel(image,sobelY,CV_8U,1,0,3,0.4,128);

它们能生成8位图像来表示结果。
在这种表示方法中，零值对应的灰度值位128，负数被表示为较暗的像素，而整数被表示为较亮的像素。
Sobel滤波器 的结果通过保存在16位的有符号整数图像中。两个结果（垂直和水平的）结合得到Sobel滤波器的范式（norm）。

//计算Sobel范式
cv::Sobel(image,SobelX,CV_16S,1,0);
cv::Sobel(image,SobelY,CV_16S,0,1);
cv::Mat sobel;
//计算L1范式
sobel = abs(SobelX)+abs(SobelY);

通过converTo函数可选的缩放参数，Sobel距离可以很方便地显示在一副图像中，零值对应于白色，而较高的值被赋予暗灰色：

//搜寻Sobel极大值
double sobmin,sobbmin;
cv::minMaxLoc(sobel,&sobmin,&sobmax);
//变换位8位图像
sobelTmage = -alpha*sobel+255;
cv::Mat sobelImage;
sobel.convertTo(sobelImage,CV_8U,-255./sobmax,255);

Sobel算子通过在水平和垂直方向下进行像素差分给图像梯度的近似。它在感兴趣像素的小窗口内运算，以减少噪声的影响。cv::Sobel函数使用Sobel核计算图像卷积的结果。它的完整使用说明如下：

cv::Sobel(image,      //输入
          sobel,          //输出
          image_depth,    //图像类型
          xorder,yorder,  //核的阶数
          kernel_size,    //方形核的大小
          alpha,beta);    //缩放值及偏移量

可以选择图像的类型为无符号字符、有符号字符或是浮点数。如果及如果位于像素值域之外，将进行饱和截断，这就是最后两个参数起作用的地方。在结果被保存之前，可以乘以alpah变量，再加上beta偏移量。
然而，在图像处理，我们通常计算的绝对值之和，也就是L1距离。它的结果于L2距离相近但是复杂度低很多。

//计算L1范式
sobel = abs(sobelX)+abs(sobelY);

梯度向量总是指向变化最剧烈的方向。在图像中，这意味着梯度向量总是与边缘增加哦，从暗处指向亮出。
在边缘检测中，如果既需要距离有需要方向，可以使用下述方法。

//Sobel必须以浮点数格式进行计算
cv::Sobel(image,sobelX,CV_32F,1,0);
cv::Sobel(image,sobelY,CV_32F,0,1);
//L2范式及梯度方向
cv::Mat norm,dir;
cv::cartToPolar(sobelX,sobelY,norm.dir);

默认情况下，方向的单位是弧度。设置一个额外的参数为true即可得到角度值。

#计算图像的拉普拉斯变换

Laplacian(拉普拉斯)是另一种基于图像倒数的高通线性滤波器，它计算二阶导数以衡量图像的弯曲度。
OpenCV函数cv::Laplacian使用基础函数cv::getDerivKernels来获取核矩阵。

class LaplacianZC{
  private:
      //原图
      cv::Mat img;
      //包含Laplacian的32位浮点图像
      cv::Mat laplacian;
      //Laplacian卷积核的大小
      int aperture;
  public:
      LaplacianZC():aperture(3){}
      //设置卷积核的大小
      void setAperture(int a){
           aperture = a;
      }
      //计算浮点数laplacian
       cv::Mat computeLaplacian(contest  cv::Mat& Image){
      //计算Laplacian
       cv::Laplacian(image,laplace,CV_32F,aperture);
       //保留图像的局部备份
       img = image.clone();
       return laplace;
       }
       

Laplacian的计算结果保存在浮点数图像中。为了得到结果，我们进行与之前秘诀相同的重缩放。这个重缩放基于拉普拉斯最大绝对值，其中0对应灰度128。用类似德方法允许得到该图像：

//返回8位图像存储德Laplacian结果
//零点交叉于灰度值128
//如果没有指定scale参数，那么最大值将缩放至强度255
//你必须在调用它之前用computeLaplacian
cv::Mat getLaplacianImage(double scale=-1.0){
    if(scale<0){
       double lapmin,lapmax;
       cv::minMaxLoc(laplace,&lapmin,&lapmax)
       scale = 127/std::max(-lapmin,lapmax);
    }
    cv::Mat LaplaceImage;
    laplace.convertTo(LaplaceImage,CV_8U,scale,128);
    return laplace;
 

使用该类，可以这么计算图像的7x7拉普拉斯变换；

//使用LaplacianZC类进行计算
LaplacianZC laplacian;
laplacian.setAperture(7);
cv::Mat flap = laplacian.computeLaplacian(image);
laplance = laplacian.getLaplacianImage();

跟随Laplacian 图像中零交叉曲线是一件容易出错的事情。然而，一个简化的算法被用于检测近似的零交叉位置，过程如下。扫描Laplacian图像，比较当前像素与左侧像素。如果两者的符号不同，那么说明当前像素存在零交叉。如果没有，在正上方位置重复相同测试。这个算法使用下述方法实现，能够生产零交叉的二值图像:

//得到零点交叉的二值图像
//如国相邻像素的乘积小于threshold
//那么零点交叉将被忽略
cv::Mat getZeroCrossings(float threshold=1.0){
//创建迭代器
cv::Mat_<float>::const_itertor it=
laplace.begin<float>()+laplace.step1();
cv::Mat_<float>::const_itertor itend=
laplace.end<float>();
cv::Mat_<float>::const_itertor itup=
laplace.begin<float>();
//初始化白色的二值图像
cv::Mat binary(laplace.size(),CV_8U,cv::Scalar(255));
cv::Mat_<uchar>::iterator itout=binary.begin<uchar>()+binary.step1();
//对输入阈值取反
threshold*=-1.0;
for(;it!= itend;++it,++itup,++itout)
//如果相邻像素的乘积为负数，那么符号发生改变
if(*it**(it-1)<threshold)
   *itout = 0;
else if(*it**itup<threshold)
   *itout = 0:
   }
   return binary;
}