OpenCV之图像滤波简述

1、原理概述

我们知道，图像的空间域和频域构成了描述图像的两种方式，前者对应图像中不同灰度的分布，后者则用于描述图像灰度变化的频率。那么从空间域来看，图像滤波就是去除图像中的噪声，提取感兴趣的部分；而在频域中，滤波的作用是增强部分频段，同时限制（或衰减）其他频段。按照频域滤波的特点，滤波器分为低通滤波器和高通滤波器，前者去除图像中的高频成分，后者去除低频成分。

2、均值滤波器

均值滤波的原理是将每个像素替换为相邻像素的平均值（或加权平均值），它是一种低通滤波器。OpenCV中的API为blur，用法如下：

void blur(InputArray src, 
          OutputArray dst, 
          Size ksize,
          Point anchor=Point(-1,-1), 
          int borderType=BORDER_DEFAULT )

Parameters:
src – 原始图像；
dst – 目标图像 ；
ksize – 滤波器大小；
anchor – 指定锚点位置(被平滑点)， 如果是负值，锚点为滤波器的中心点，默认参数为Point(-1, -1)；
borderType – 计算图像边界时用于指定滤波器越界地方的像素类型。

//示例
cv::blur(image, result, cv::Size(5, 5))

若将每个像素替换为相邻像素的加权平均值，则API函数为GaussianBlur，用法如下：

void GaussianBlur(InputArray src,
                  OutputArray dst,
                  double sigmaX,
                  double sigmaY=0,
                  int borderType=BORDER_DEFAULT )

src: 输入图像
dst: 输出图像
Ksize(w, h): 定义滤波器的大小。 w 和 h 必须是正奇数，否则将使用 $\sigma_{x}$ 和 $\sigma_{y}$参数来计算内核大小。
$\sigma_{x}: x$方向标准方差， 如果是 0 则$\sigma_{x}$使用内核大小计算得到。
$\sigma_{y}: y$方向标准方差， 如果是 0 则$\sigma_{y}$ 使用内核大小计算得到。

3、中值滤波器

中值滤波器是一种非线性的低通滤波器，其原理是将每个像素替换为其相邻像素点的中值。中值滤波器对去除椒盐噪点尤为有用，并且具有保留图像边缘信息的优点 。OpenCV中的API为medianBlur，用法如下：

void medianBlur(InputArray src,
                OutputArray dst,
                int ksize)

参数作用与均值滤波器的类似。

4、方向滤波器

常用的方向滤波器是Sobel算子，它是一种高通滤波器，所以可用于图像的边缘检测。由于Sobel算子滤波具有方向性，因此也被称为方向滤波器。方向滤波器的原理：Sobel算子是一个离散微分算子，它用来计算图像灰度函数的近似梯度，即Sobel算子可用来度量图像在垂直和水平方向的变化，由于像素点的离散特性，所以Sobel算子通过水平和垂直方向下进行像素差分给出图像梯度的近似，差分算子如下：

$$\begin{equation} \left( \begin{array}{ccc} -1 & 0 & 1\\ -2 & 0 & 2\\ -1 & 0 & 1 \end{array} \right) %右括号 \end{equation}$$
$$\begin{equation} \left( \begin{array}{ccc} -1 & -2 & -1\\ 0 & 0 & 0\\ 1 & 2 & 1 \end{array} \right) %右括号 \end{equation}$$
OpenCV中的API为Sobel，用法如下：

void Sobel(InputArray src, 
           OutputArray dst, 
           int xorder, 
           int yorder, 
           int ksize=3,
           double scale=1, 
           double delta=0, 
           int borderType=BORDER_DEFAULT )

Parameters:
src – 输入图像；
dst – 输出图像；
ddepth – 图像类型；
xorder – 滤波器$x$方向偏导的阶数；
yorder – 滤波器$y$方向偏导的阶数；
ksize – 滤波器的大小，其值必须为 1, 3, 5, or 7；
scale – 缩放值；
delta – 偏移量 ；
borderType – 计算图像边界时用于指定滤波器越界地方的像素类型。

Demo如下：

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

using namespace std;
using namespace cv;

int main()
{
    Mat dst;
    Mat src = imread("test.jpg");
    if(!src.data)
    {
        cout<<"image is not built!"<<endl;
        return -1;
    }
    cvtColor( src, src, CV_RGB2GRAY );
    imshow("src",src);
    //水平方向的Sobel算子
    Sobel(src, dst, CV_8U, 1, 0, 3, 0.4, 128);
    imshow("xSobel", dst);
    //垂直方向的Sobel算子
    Sobel(src, dst, CV_8U, 0, 1, 3, 0.4, 128);
    imshow("ySobel", dst);
    waitKey();
    return 0;
}

运行结果如下：

Sobel算子是求像素点的一阶导，OpenCV还提供了计算二阶导进行滤波的函数，常用的有拉普拉斯变换法。拉普拉斯（Laplacian）是一种线性的高通滤波器，其原理与Sobel算子类似，其滤波器均可看成微分方程的数值形式，拉普拉斯方程如下：

$$Laplacian(f)=\frac{\partial^2f(x,y)}{\partial x^2}+\frac{\partial^2f(x,y)}{\partial y^2}$$
OpenCV中的API为Laplacian，用法如下：

void Laplacian(InputArray src,
               OutputArray dst,
               int ddepth,
               int ksize=1,
               double delta=0, 
               int borderType=BORDER_DEFAULT )

参数的意义与Sobel函数类似。

最后，Sobel算子和Laplacian算子作为高通滤波器，它们具有去除图像中低频成分，保留高频成分的特性，因此常用于图像的边缘检测。但需要注意的是，Laplacian对噪点特别敏感，所以用于边缘检测时，通常在之前的操作中一般进行低通滤波器来去除噪点。