opencv c++ （7）：模糊与锐化

前言介绍

在图像处理中，模糊（也称为平滑）和锐化是两种常见的图像滤波技术，它们可以用来改变图像的外观和质量。
在OpenCV中，模糊和锐化可以通过不同的滤波器来实现，如平均滤波、高斯滤波、拉普拉斯滤波等。根据具体的需求和应用场景，可以选择合适的滤波器来达到期望的效果。以下是一些具体方法。

1. 高斯模糊

Size越大模糊程度越大，原理不在介绍，直接看使用方法，一般都用高斯模糊，其他模糊方法可自寻探索

#include <iostream>
#include<opencv.hpp>
#include<opencv2\highgui\highgui.hpp>

using namespace std;
using namespace cv;

int main()
{

	Mat src = imread("src.jpg");
	if (src.empty())
	{
		cout << "could not open file!";
		cout << endl;
		return -1;
	}
	imshow("src", src);
	Mat dst;

	//高斯模糊, sigm=0， 则通过Size计算
	GaussianBlur(src, dst, Size(7, 7), 0);
	imshow("dst", dst);

	waitKey(0);
	destroyAllWindows();
	return 0;

}

2. 锐化

	//锐化
	//1.Blur
	GaussianBlur(src, blur_imag, Size(3, 3), 0);
	
	//2. 拉普拉斯梯度获取,获得图像中的高频信息
	Laplacian(src, dst, -1, 1, 1.0, 0, BORDER_DEFAULT);

	//3. 相加
	Mat ums_image;
	addWeighted(blur_imag, 1.0, dst, -0.7, 0, ums_image);

	imshow("ums", ums_image);

3. 作用

1）. 模糊（平滑）：

• 模糊可以减少图像中的噪声和细节，使图像变得更加平滑和柔和。这对于一些图像处理任务如边缘检测、图像分割等是有益的。
• 模糊还可以模糊敏感信息，如人脸识别中对个人隐私的保护。

2）. 锐化：

• 锐化可以增强图像中的细节和边缘，使图像看起来更清晰和更有立体感。这对于提高图像的视觉质量是有益的。
• 锐化还可以使图像中的特定目标更加突出，有助于目标检测和识别任务。

4. 其他方法

不做详细说明
除了常见的平均滤波、高斯滤波和拉普拉斯滤波外，OpenCV还提供了其他一些用于模糊和锐化的方法，以下是一些常用的方法：

1. 中值滤波（Median Blur）：

   • 中值滤波是一种非线性滤波方法，它将像素的值替换为邻域内所有像素值的中值。这种方法对于去除椒盐噪声（Salt and Pepper Noise）非常有效。
   • 中值滤波在图像处理中常用于去除噪声，并且可以保留图像的边缘信息。

2. 双边滤波（Bilateral Filter）：

   • 双边滤波是一种结合了空间距离和像素值相似性的滤波方法，它可以在减少噪声的同时保持图像的边缘和细节信息。
   • 双边滤波在图像处理中常用于平滑图像并保持图像的细节，适用于许多图像处理任务。

3. 锐化滤波（Sharpening Filter）：

   • 锐化滤波是一种增强图像细节和边缘的滤波方法，它可以使图像看起来更加清晰和锐利。
   • 锐化滤波通常通过增加像素与其周围像素之间的差值来实现，以突出图像中的细节。

这些方法在图像处理中都有各自的应用场景和优势，可以根据具体的需求选择合适的方法来实现图像模糊和锐化效果。在OpenCV中，这些滤波方法都可以通过相应的函数进行实现。

API 参数说明

cv::GaussianBlurc()
cv::GaussianBlur()函数用于对图像进行高斯模糊处理，可以减少图像中的噪声并平滑图像。该函数的参数说明如下：

• 输入参数：
  • src：输入图像，通常是一个cv::Mat类型的多通道图像。
  • dst：输出图像，用于存储经过高斯模糊处理后的图像，通常是一个cv::Mat类型的多通道图像。
  • ksize：高斯核的大小，通常是一个奇数的正整数，表示高斯核的宽和高。
  • sigmaX：X 方向的高斯核标准差。
  • sigmaY：Y 方向的高斯核标准差，如果为0，则默认与sigmaX相同。

示例代码：

cv::Mat src = cv::imread("image.jpg");
cv::Mat dst;
cv::GaussianBlur(src, dst, cv::Size(5, 5), 0, 0);

在上面的示例中，src是输入的图像，dst是用于存储处理后的图像。调用cv::GaussianBlur()函数对输入图像进行高斯模糊处理，使用5x5大小的高斯核，X 和 Y 方向的标准差均为0，最终结果存储在dst中。

cv::Laplacian()

• src：输入图像，即要进行边缘检测的图像。通常为单通道灰度图像。

• dst：输出图像，即存储边缘检测结果的图像。通常为与输入图像相同尺寸和深度的图像。

• ddepth：输出图像的深度，即输出图像的数据类型。可以是以下几种选项之一：

  • CV_16S：16位有符号整数
  • CV_32F：32位浮点数
  • CV_64F：64位浮点数

• ksize：拉普拉斯算子的卷积核大小。可以是以下几种选项之一：

  • 1：表示使用3x3的卷积核
  • 3：表示使用5x5的卷积核
  • 5：表示使用7x7的卷积核

• scale：可选参数，用于调节输出图像的缩放因子。默认值为1。

• delta：可选参数，用于调节输出图像的偏移值。默认值为0。

• borderType：可选参数，用于指定边界填充类型。默认值为BORDER_DEFAULT，表示使用默认的边界填充方式。

通过调整这些参数，可以对输入图像进行不同尺寸和深度的拉普拉斯边缘检测操作，并根据需要调节输出图像的缩放因子、偏移值和边界填充方式。