学习OPENCV笔记(2): 第四章图像处理

最新推荐文章于 2024-04-28 19:47:53 发布

mmmmmk_

最新推荐文章于 2024-04-28 19:47:53 发布

阅读量1k

点赞数 1

分类专栏：图像笔记

本文链接：https://blog.csdn.net/mmmmmk_/article/details/81269454

版权

图像同时被 2 个专栏收录

8 篇文章 1 订阅

订阅专栏

笔记

2 篇文章 0 订阅

订阅专栏

1 平滑处理

平滑处理也称作模糊处理(blurring)，其用途很多，最常见的是用来减少图像上的噪声或者失真。

目前，OpenCV支持五种平滑处理，他们都通过 cvSmooth 函数实现：

CVAPI(void) cvSmooth( const CvArr* src, CvArr* dst,
                      int smoothtype CV_DEFAULT(CV_GAUSSIAN),
                      int size1 CV_DEFAULT(3),
                      int size2 CV_DEFAULT(0),
                      double sigma1 CV_DEFAULT(0),
                      double sigma2 CV_DEFAULT(0));

通过参数 smoothtype来确定对输入图像采取何种平滑处理：

平滑类型	名称	IN-PLACE	输入类型	输出类型	简要说明
CV_BLUE	简单模糊(均值滤波)	Y	8U, 32F	8U, 32F	对每个像素size1size2邻域求和，并做缩放1/(size1size2)
CV_BLUE_NO_SCALE	简单无缩放变化的模糊	N	8U`	16S/32F	对每个像素size1*size2邻域求和
CV_MEDIAN	中值模糊	N	8U	8U	对源图像进行核大小为size1*size2的中值滤波
CV_GAUSSIAN	高斯模糊	Y	8U，32F	8U, 32F	对源图像进行核大小为size1*size2的高斯卷积
CV_BILATERAL	双边滤波	N	8U	8U	应用双线性3*3滤波

1.1 中值滤波

将中心像素的正方形邻域内的每个像素值用中间像素表示。

他相较简单模糊(均值滤波)，对图像中孤立的噪声点不是那么敏感：均值滤波时，即使有极少量的点存在较大的差异，也会导致平均值有明显的波动，而中值滤波可以通过选择中间值来避免这些点的影响。

1.2 高斯滤波

高斯滤波其实就是对邻域内的每个像素点进行加权平均，同时，离中心越近的像素权重越高，相对于均值滤波，他的平滑效果更加柔和，且能够更号的保留边缘；具体的做法是用卷积核和输入图像的每个点进行卷积。

OpenCV为高斯滤波提供了几个常见的核以提高性能：具有标准sigma值的3*3， 5*5， 7*7比其他的核具有更高的性能。

一维高斯分布的公式如下：

二维高斯高斯分布的公式如下：

高斯滤波后被平滑的图像取决于标准差。函数cvSmooth的参数三代表了高斯卷积核的sigma值，如果没有指定的化，函数将会通过如下的公式自动获取：

$\sigma x = (sizex / 2 - 1) * 0.3 +0.8$

$\sigma y = (sizey / 2 - 1) * 0.3 + 0.8$

1.3 边缘滤波

高斯滤波在保留信号的条件下，减少了噪声。但是，这种方法在接近边缘的地方就无效了，在边缘，你不希望像素和相邻像素有关。因此，高斯滤波会磨平边缘，而双边滤波能够提供一种不会将边缘平滑掉的方法。但是作为代价，需要更多的处理时间。

和高斯滤波类似，双边滤波会依据每个像素及其邻域构造一个加权平均，加权计算包括两个部分，其中第一部分加权方式和高斯平滑中的相同，第二部分也属于高斯加权，但是不是基于基于中心像素点与其他像素点的空间距离之上的加权，而是基于与中心像素的亮度值的加权。可以将双边滤波视为高斯平滑，对相似的像素赋予较高的权重，不相似的赋予较小的权重。

双边滤波的公式如下图所示：

其中w取决与定义域和和值域核的乘积：

定义域核：

值域核：

权重系数：

2. 图像形态学

2.1 膨胀操作

膨胀操作是求局部最大值的操作。在对邻域求最大值之后，相当于前景(亮的部分)大了一圈。膨胀操作能够使图像中的高亮区域逐渐增长。

void cvDilate( const CvArr* srcarr, CvArr* dstarr, IplConvKernel* element, int iterations )

2.2 腐蚀操作

腐蚀操作要计算核区域像素的最小值。是膨胀操作的反操作。

void cvErode( const CvArr* srcarr, CvArr* dstarr, IplConvKernel* element, int iterations )

膨胀操作可以填补凹洞，而腐蚀操作能够消除细的凸起。腐蚀操作通常用来消除图像中的斑点噪声，而在试图找到联通分支的时候，通常需要用到膨胀操作，因为一个大的区域，可能因为噪声，阴影等类似的东西而分割成多个部分，而膨胀操作，能够将其重新融合在一起。

膨胀和腐蚀函数的第三个参数是IplCovKernel，我们也可以自定义核。通常，通过如下函数进行核的创建和释放：

IplConvKernel *
cvCreateStructuringElementEx( int cols, int rows,
                              int anchorX, int anchorY,
                              int shape, int *values );

void
cvReleaseStructuringElement( IplConvKernel ** element );

创建的时候，可以通过参数决定核的形状：

CV_SHAPE_RECT	矩形
CV_SHAPE_CROSS	十字交叉形
CV_SHAPE_ELLIPSE	椭圆形
CV_SHAPE_CUSTOM	用户自定义的值

如果不是二值图像，膨胀和腐蚀的操作结果往往不是很明显。在很多情况下，我们需要一些更加通用的形态学操作：

void
cvMorphologyEx( const void* srcarr, void* dstarr, void*,
                IplConvKernel* element, int op, int iterations );

op的可选标记有：

操作	形态学操作	是否需要临时图像
CV_MOP_OPEN	开运算	否
CV_MOP_CLOSE	闭运算	否
CV_MOP_GRADIENT	形态梯度	是
CV_MOP_TOPHAT	礼帽	in-place下需要
CV_MOP_BLACKHAT	黑帽	in-place下需要

2.3 开运算和闭运算

运算	操作	说明
开运算	先腐蚀，再膨胀	消除了高于临近点的孤立点。通常用来统计二值图像中的区域数。
闭运算	先膨胀，再腐蚀	消除了低于临近点的孤立点。

从上图中可以看出，膨胀操作先其了邻域内的最大点，再对其进行腐蚀得到最终的图形，可以消除像素值低于临近点的孤立的点。

从上图中可以看出，腐蚀操作取邻域内的最小值，再对其进行膨胀得到最终图像。可以消除像素值高于临近点的孤立点。

需要注意，在开运算和闭运算下，函数cvMorphologyEx的iterations参数并不表示膨胀-腐蚀-膨胀-腐蚀的次数，而是表示膨胀-膨胀-...-腐蚀-腐蚀...这样的过程的次数。

2.4 形态学梯度

形态学梯度的表达式如下：

$gradient(src) = dialate(src) - erode(src)$

从上图中可以看出形态学梯度的过程，从原图像的膨胀减去了源图像的收缩，就得到了图像的边缘。

2.5 礼帽和黑帽

同以上的形态学操作类似，礼貌和黑帽操作也是基本操作的组合，公式如下:

$TopHat(src) = src - open(src)$

$BlackHat(src) = close(src) - src$

从2.3的阐述中，我们可以知道，开运算消除了高于临近点的孤立的点，如果我们用原图像减去开运算的结果；得到的就是开运算消除的部分，即高于临近点的部分。所以礼帽操作突出了比周围区域更加明亮的部分。

相反，闭运算消除了低于临近点的孤立的点，如果我们用闭运算的结果加你去源图像，得到的就是闭运算消除的部分，即低于临近点的部分。所以黑帽操作突出了比周围区域更加黯的部分。

3. 漫水填充算法

漫水填充算法的思路很简单，就是从一个种子点开始，如果周围的点和目标点相同或者相似，就往周围扩散；就像水往周围漫开一样。它经常被用来标记或者分离图像的一部分，以便对其进行进一步的处理或者分析。

void
cvFloodFill( CvArr* arr, CvPoint seed_point,
             CvScalar newVal, CvScalar lo_diff, CvScalar up_diff,
             CvConnectedComp* comp, int flags, CvArr* maskarr )

该函数的入参比较复杂，下面我们来进行说明：

arr	源图像
seedPoint	种子点，从哪个点开始漫水
newVal	像素点被染色的值
lo_diff, up_diff	范围，如果目的像素点的值在lo_diff和up_diff之间，将会被染色成newVal
comp	如果该参数不是NULL，那么该cvConnectedComp结构将被设置为填充区域的统计属性
maskarr	掩码，即代表函数的输入值，也代表输出值。如果maskarr非空，那么他一定要是一个单通道，8位，宽度和高度均比源图像大2个像素的图像。mask图像的(x+1, y+1)和原图像的(x,y)对应。cvFoodFill 不会覆盖mask的非0的点
flags	低8位：4/8，填充算法考虑四邻域或者8邻域高8位：CV_FLOODFILL_FIXED_RANGE - 目的像素和种子像素点比较。CV_FLOODFILL_MASK_ONLY - 函数不填充源图像，只填充mask图像。中间8位：填充掩码图像的值，如果中间是0，则掩码图像用1填充。 eg: flags = 8 \| CV_FLOODFILL_MASK_ONLY \| CV_FLOODFILL_FIXED_RANGE \| (47 << 8)

4. 图像的尺寸调整

我们使用函数 cvResize 来对图像进行方法或者缩小：

void cvResize( const CvArr* srcarr, CvArr* dstarr, int method )

如果源图像中设置了ROI，那么函数将会对源图像的ROI进行尺寸调整。同样，如果目的图像设置了ROI，那么将源图像调整之后，填充到目的图像的ROI中。

当图像被缩小时，目标像素的图像会被映射到源图像中的多个像素，这个时候需要进行插值。当放大图像时，目标图像上的像素可能无法在源图像中找到精确的对应像素，这个时候也需要进行插值。cvResize函数的method参数提供了选择插值方式的入口：

插值方式	含义	说明
CV_INTER_NN	最近邻插值	将图像各点的像素值设为源图形中与其距离最近的像素点。
CV_INTER_LINER	线性插值	将根据源图像附近的2*2范围的四个点的像素的线性加权得出。权重由这四个点到目的点的距离决定。
CV_INTER_AREA	区域插值	用新的像素点映射到源图像的像素点，然后取覆盖区域的平均值。
CV_INTER_CUBIC	三次样条插值	对源图像附近的4*4个临近像素进行三次样条拟合，然后将目标像素对应的三次样条值作为目标图像对应像素值的点。

5. 图像金字塔

图像金子塔是一个图像的集合，集合中所有的图像都源于同一个图像，而且是通过对源图像进行连续的降采样得到的。

有两种金子塔经常用到：高斯金子塔和拉普拉斯金字塔。高斯金子塔用来向下采样，而拉普拉斯金子塔用来从金子塔的底层向上重建一个图像。要想用金子塔的第i层获得第i+1层，我们要用高斯核对其进行卷积，然后删除偶数行和偶数列。

void cvPyrDown( const void* srcarr, void* dstarr, int _filter )

目前_filter只支持 CV_GAUSSIAN_5x5。

我们也可以使用下面相似的函数，将图像在每个维度上都放大两倍：

void cvPyrUp( const void* srcarr, void* dstarr, int _filter )

这个函数将元图下个的每个维度都扩大为原来的两倍，新增的偶数行以0填充，然后使用给定的滤波器进行卷积（实际上是一个在每一个维度上都扩大为两倍的过滤器）来估计丢失像素的近似值。

很容易开出up操作并不是down操作的逆操作。为了恢复原来的图像，我们需要获得又降采样操作丢失的信息，这些数据形成了拉普拉斯金子塔。

$Li = Gi - PyrUp(Gi+1)$

我们可以利用图像金字塔实现图像的分割，在图像金字塔的基础上，快速分割可以在低分辨率的图像上完成，然后逐层对分割图图像进行优化。

6. 图像的阈值化

图像的阈值化就是给定一个阈值，并对像素上的点是高于或者低于该阈值进行一定的操作：

double cvThreshold( const void* srcarr, void* dstarr, double thresh, double maxval, int type )

type可以取值如下：

CV_THRESH_BINARY	大于阈值：maxval 小于阈值：0
CV_THRESH_BINARY_INV	大于阈值：0 小于阈值：maxval
CV_THRESH_TRUNC	大于阈值：maxval 小于阈值：值不变
CV_THRESH_TOZERO_INV	大于阈值：0 小于阈值：值不变
CV_THRESH_TOZERO	大于阈值：值不边小于阈值：0

通常情况下，阈值并不是很好确定，或者如果图像本身光照不均匀的前提下，阈值需要针对不同的部分不同处理。在OpenCV中，提供了自适应阈值化函数：

void
cvAdaptiveThreshold( const void *srcIm, void *dstIm, double maxValue,
                     int method, int type, int blockSize, double delta )

当前有两种类型的自适应：

CV_ADAPTIVE_THRESH_MEAN_C：对于blockSize*blockSize区域内的像素点平均加权 - delta，来作为阈值。

CV_ADAPTIVE_THRESH_GAUSSIAN_C: 对blockSize*blockSize区域的所有像素按照高斯函数按照他们的中心距离进行加权计算。

mmmmmk_

关注

1
点赞
踩
4

收藏

觉得还不错? 一键收藏
0
评论
学习OPENCV笔记(2): 第四章图像处理

1 平滑处理平滑处理也称作模糊处理(blurring)，其用途很多，最常见的是用来减少图像上的噪声或者失真。目前，OpenCV支持五种平滑处理，他们都通过 cvSmooth 函数实现：CVAPI(void) cvSmooth( const CvArr* src, CvArr* dst, int smoothtype CV_DEFAULT(C...
复制链接

扫一扫