计算机视觉----实验E4：图像滤波

实验内容

实验4.1 高斯滤波

实现图像的高斯滤波。

• 通过参数sigma来控制平滑程度。
• 滤波窗口大小取为[6*sigma-1]，[.]表示取整。
• 利用二维高斯函数的行列可分离性进行加速。

实验过程

1，计算卷积核大小。

 卷积核大小公式为[6*sigma-1]，[.]表示取整。如果大小为偶数，则将大小加一。并计算进行卷积需要随原图扩充的边缘大小，大小为：卷积核大小整除 2。

int border_size = (int)(6 * sigma - 1) / 2;

2，计算一维的高斯滤波。

 公式为$G(x)=e^{-\frac{x^2}{2{\sigma }^2}}$，$border\_size$滤波窗口的中心。进行归一化。

double *kernel = new double[(long long)border_size * 2 + 1];
double sum = 1;
kernel[border_size] = 1;
for (int i = 1; i <= border_size; i++)
{
    double value = exp(-(i * i) / (2 * sigma * sigma));
    kernel[border_size - i] = value;
    kernel[border_size + i] = value;
    sum += 2 * value;
}
for (int i = 0; i < border_size * 2 + 1; i++)
{
    kernel[i] /= sum; // 归一化
}

3，对原图进行镜像填充。

 $bordered\_img$的边长比原图多 2 个边缘宽，进行一次卷积后得到图像$temp$，它的行数和填充后图相同，列数和原图相同。

Mat bordered_img;
copyMakeBorder(input, bordered_img, border_size, border_size, border_size, border_size,
               BORDER_REFLECT_101);
// 进行对列的卷积后图像
Mat temp = Mat(bordered_img.rows, input.cols, input.type());

4，进行对列的一维高斯滤波卷积。

 直接访问图像的像素，不使用 at 方法。每个索引的格式为[通道总数 ∗ 行号 ∗ 总列数 + 列号 + 通道号]。对行卷积也类似。

for (int i = 0; i < bordered_img.rows; i++)
{
    for (int j = border_size; j < bordered_img.cols - border_size; j++)
    {
        for (int c = 0; c < ch; c++)
        {
            temp.data[ch * (i * temp.cols + j - border_size) + c] = 0;
            for (int k = j - border_size; k <= j + border_size; k++)
            {
                temp.data[ch * (i * temp.cols + j - border_size) + c] +=
                    bordered_img.data[ch * (i * bordered_img.cols + k) + c] *
                    kernel[k - j + border_size];
            }
        }
    }
}

5，添加滑块.

 为了方便调整 sigma，添加滑块，$10sigma$是$sigma$的十倍（因为滑块的参数是整数，使用 10 倍 sigma 使得 sigma 可以调整到一位小数）。

createTrackbar("10 * sigma", "image", &sigma10, 100, callBack, 0);
static void callBack(int, void *)
{
    gaussianBlur(input_img, output_img, (double)sigma10 / 10);
    imshow("image", output_img);
}

6，效果。

附源代码

#include<iostream>
#include<opencv2/core/core.hpp>
#include<opencv2/highgui/highgui.hpp>

using namespace cv;
using namespace std;

void gaussianBlur(const Mat& input, Mat& output, double sigma) {

	int border_size = (int)(6 * sigma - 1)/2; //需要扩充的边缘宽度
	if (border_size < 1) {
		output = input;
		return;
	}

	//计算卷积核
	double* kernel = new double[(long long)border_size * 2 + 1];
	double sum = 1;
	kernel[border_size] = 1;
	for (int i = 1; i <= border_size; i++) {
		double value = exp(-(i * i) / (2 * sigma * sigma));
		kernel[border_size - i] = value;
		kernel[border_size + i] = value;
		sum += 2 * value;
	}
	for (int i = 0; i < border_size * 2 + 1; i++) {
		kernel[i] /= sum; //归一化
	}

	//填充后图像
	Mat bordered_img;
	copyMakeBorder(input, bordered_img, border_size, border_size, border_size, border_size, BORDER_REFLECT_101);
	//进行对列的卷积后图像
	Mat temp = Mat(bordered_img.rows, input.cols,input.type());

	int ch = input.channels();//图像通道数

	//对列卷积
	for (int i = 0; i < bordered_img.rows; i++) {
		for (int j = border_size; j < bordered_img.cols - border_size; j++) {
			for (int c = 0; c < ch; c++) {
				temp.data[ch * (i * temp.cols + j - border_size) + c] = 0;
				for (int k = j - border_size; k <= j + border_size; k++) {
					temp.data[ch * (i * temp.cols + j - border_size) + c] +=
						bordered_img.data[ch * (i * bordered_img.cols + k) + c] * kernel[k - j + border_size];
				}
			}
		}
	}

	//对行卷积
	for (int j = 0; j < temp.cols; j++) {
		for (int i = border_size; i < temp.rows - border_size; i++) 
			for (int c = 0; c < ch; c++) {
				output.data[ch * ((i - border_size) * output.cols + j) + c] = 0;
				for (int k = i - border_size; k <= i + border_size; k++) {
					output.data[ch * ((i - border_size) * output.cols + j) + c] +=
						temp.data[ch * (k * temp.cols + j) + c] * kernel[k - i + border_size];
				}
			}
		}
	}

void callBack(int, void*);
Mat input_img;
Mat output_img;
int sigma10=10; //十倍sigma
int main() {
	//图像加载
	input_img = imread("D:/Opencv/opencv-03/01.jpg");
	output_img = Mat(input_img.size(), input_img.type());
	namedWindow("image");
	//imshow("image", input_img);
	createTrackbar("10 * sigma", "image", &sigma10, 100, callBack, 0);
	waitKey();
	return 0;
}

static void callBack(int, void*)
{
	gaussianBlur(input_img, output_img, (double)sigma10 / 10);
	imshow("image", output_img);
}