C++ OpenCV学习：四、平滑滤波处理，均值滤波、高斯滤波、中值滤波

平滑（低通）滤波处理

平滑滤波处理用于降低灰度的急剧过渡，主要作用如下：

1. 降噪
2. 模糊

3x3的线性空间滤波的原理如下式所示：
$$g(x,y)=(w(-1,-1)f(x-1,y-1)+w(-1,0)f(x-1,y)+...+w(0,0)f(x,y)+...+w(1,1)f(x+1,y+1))$$
核的中心系数 w(0,0)对齐于(x,y)处的像素。对于大小为𝑚×𝑛的核，假设m=2a+1 和 n=2b+1，其中 a 和 b 是非负整数，均值滤波可表示为：
$$g(x,y)=\frac{1}{mn}\sum _{s=-a}^a\sum _{t=-b}^{b}w(s,t)f(x+s,y+t)$$

注：该图中x和y方向与OpenCV中的坐标相反

由图可知，滤波器核与图像做卷积运算产生的新图像，其图像尺寸比原图像尺寸要小，要使新图像与原图像尺寸一致，需要在滤波处理前进行边缘填充。
零填充的效果如下所示：

OpenCV中使用BorderTypes进行填充，常用的信息如下：

BorderTypes	解释
BORDER_CONSTANT	iiiiii|abcdefgh|iiiiiii，指定了i值（常值填充）
BORDER_REPLICATE	aaaaaa|abcdefgh|hhhhhhh（复制填充）
BORDER_REFLECT	fedcba|abcdefgh|hgfedcb （镜像填充）
BORDER_WRAP	cdefgh|abcdefgh|abcdefg
BORDER_REFLECT_101	gfedcb|abcdefgh|gfedcba（与镜像填充类似）

均值滤波

平滑边缘一般使用均值滤波器，其原理是求邻近像素点的灰度值，降低灰度的急剧过渡，邻域的大小与平滑的效果直接相关，邻域越大平滑的效果越好，但邻域过大，平滑会使边缘信息损失的过大，从而使输出的图像变得模糊。
3x3的均值滤波器（也称为核）权重如下：

任意大小的滤波器权重如下：

均值滤波使用blur函数，信息如下：

参数1：src，输入的图像
参数2：dst，输出的图像
参数3：ksize，均值滤波核的大小
参数4：anchor，锚点，表示核的中心，不常使用
参数5：borderType，图像外部像素边框，不常使用

代码示例如下：

blur(src,dst,Size(3,3));

高斯滤波

均值滤波器的方向性存在着沿垂直方向模糊图像等限制问题，因此需要核为圆对称的高斯滤波。
高斯滤波器核的权重如下：

$$w(s,t)=G(s,t)=K{e}^{-\frac{s^2+t^2}{2{\sigma }^2}}$$

高斯滤波使用GaussianBlur函数，信息如下：

参数1：src，输入的图像
参数2：dst，输出的图像
参数3：ksize，均值滤波核的大小
参数4：sigmaX，X方向的标准差
参数5：sigmaY，Y方向的标准差
参数6：borderType，图像外部像素边框，不常使用
代码示例如下：

GaussianBlur(src,dst,Size(3,3),0);

中值滤波

中值滤波是排序统计滤波器，也是非线性的空间滤波器，基于滤波器所包含区域内的像素排序。将中心像素的值代替为排序结果的中值。
能有效去除冲击噪声（白点和黑点叠加，即椒盐噪声）。

中值滤波使用medianBlur函数，信息如下：

参数1：src，输入图像
参数2：dst，输出图像
参数3：ksize，核的大小

代码示例如下：

medianBlur(src,dst,3);

测试

下面将使用图片队上述三种滤波依次进行测试。

均值滤波

测试原图命名为blur.png，如下所示：

均值滤总代码如下：

#include<iostream>
#include<opencv.hpp>

using namespace std;
using namespace cv;

int main() {

	Mat dst,src = imread("blur.png");

	blur(src, dst, Size(5, 5));

	imshow("src", src);
	imshow("dst", dst);
	waitKey(0);
	destroyAllWindows();
	return 0;
}

结果如下图所示：

可以看到相较原图已产生模糊效果。

高斯滤波测试

高斯滤波总代码如下：

#include<iostream>
#include<opencv.hpp>

using namespace std;
using namespace cv;

int main() {

	Mat dst,src = imread("blur.png");

	GaussianBlur(src, dst, Size(3, 3),0);

	imshow("src", src);
	imshow("dst", dst);
	waitKey(0);
	destroyAllWindows();
	return 0;
}

结果如下图所示：

相较原图已产生模糊处理，虽然看上去与均值滤波效果类似，但在特定图像上效果比均值滤波效果要好。

中值滤波测试

中值滤波总代码如下：

#include<iostream>
#include<opencv.hpp>

using namespace std;
using namespace cv;

int main() {

	Mat dst,src = imread("blur.png");

	medianBlur(src, dst, 3);

	imshow("src", src);
	imshow("dst", dst);
	waitKey(0);
	destroyAllWindows();
	return 0;
}

测试结果如下所示：

相较原图右侧的椒盐噪点已被消除了许多，且其他部分与图片大致上一致。