OpenCV实现图像滤波

程序员AlbertTu

已于 2022-04-03 11:40:07 修改

阅读量1.2k

点赞数 2

分类专栏： OpenCV 文章标签：图像滤波 opencv c++

于 2020-04-05 11:34:22 首次发布

本文链接：https://blog.csdn.net/m0_37772174/article/details/103039098

版权

本文面向初学者，详细介绍了使用OpenCV实现的各种图像滤波算法，包括高斯滤波、NLmeans滤波、各项异性滤波和邻域滤波，并提供了Python和C++的代码示例。

摘要由CSDN通过智能技术生成

图像滤波算法

前言
算法
- 高斯滤波算法
代码
Python学习

前言

本文将是一篇为图像处理的初学者准备的滤波算法的入门文章。理论在前，代码在后。

算法

高斯滤波算法

一维高斯函数
$\frac{1}{\sqrt{2\pi }}e^{-\frac{x^{2}}{2\sigma ^{2}}}$
在图像处理中，选定X方向上长度为3的窗口，令δ=1，中心坐标为1，由上述公式，其卷积核(Xa,X,Xb)可以如下计算：

Xa = exp(-1*(0-1)(0-1)/(2*1*1))= 0.606530659712633
X = exp(-1*(1-1)(1-1)/(2*1*1))= 1
Xb = exp(-1*(2-1)(2-1)/(2*1*1))= 0.606530659712633

进行归一化操作可得

Sum = Xa + X + Xb = 2.2130613194252668
Xa = Xa/Sum = 0.274068619061197
X = X/Sum = 0.451862761877606
Xb = Xb/Sum = 0.274068619061197

当然你不需要手动计算，opencv提供了这样一个接口

import cv2 as cv
_kernel = cv.getGaussianKernel(3,1)
print(_kernel)

那么二维卷积的计算？(3,1)*(1,3)矩阵即得（3，3）

import cv2 as cv
import numpy as np
_kernel_x = cv.getGaussianKernel(3,1)
_kernel_y = cv.getGaussianKernel(3,1)
_kernel = _kernel_x*np.transpose(_kernel_y)
print(_kernel)

输出结果如下：

[[0.07511361 0.1238414  0.07511361]
 [0.1238414  0.20417996 0.1238414 ]
 [0.07511361 0.1238414  0.07511361]]

滤波前
在这里插入图片描述
滤波后

代码

高斯滤波算法

python代码(也是文本实例中使用的)

# -*- coding: utf-8 -*-
import cv2 as cv
if __name__ == "__main__":
    img = cv.imread("Noise.bmp",1)
    img = cv.GaussianBlur(img,(5,5),0.8)
    #cv.imshow("godness",img)
    cv.imwrite("liuyifei.bmp",img)

相关C++代码

#include <cmath>
#include <limits>
#include <cstdlib>
#include <iostream>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <string>
using namespace cv;
using namespace std;

//生成高斯噪声
double generateGaussianNoise(double mu, double sigma)
{
   
	//定义小值
	const double epsilon = numeric_limits<double>::min();
	static double z0, z1;
	static bool flag = false;
	flag = !flag;
	//flag为假构造高斯随机变量X
	if (!flag)
		return z1 * sigma + mu;
	double u1, u2;
	//构造随机变量
	do
	{
   
		u1 = rand() * (1.0 / RAND_MAX);
		u2 = rand() * (1.0 / RAND_MAX);
	} while (u1 <= epsilon);
	//flag为真构造高斯随机变量
	z0 = sqrt(-2.0*log(u1))*cos(2 * CV_PI*u2);
	z1 = sqrt(-2.0*log(u1))*sin(2 * CV_PI*u2);
	return z0 * sigma + mu;
}

//为图像添加高斯噪声
Mat addGaussianNoise(Mat &srcImag)
{
   
	Mat dstImage = srcImag.clone();
	int channels = dstImage.channels();
	int rowsNumber = dstImage.rows;
	int colsNumber = dstImage.cols*channels;
	//判断图像的连续性
	if (dstImage.isContinuous())
	{
   
		colsNumber *= rowsNumber;
		rowsNumber = 1;
	}