均值滤波原理比较简单,可以用卷积的思想考虑这一问题,也就是认为卷积核的权重均为1,最后再除以卷积核的元素数目。对于边缘像素的处理,简单起见,直接将原始图片的像素值赋给目标图像,也就是不考虑填充等,卷积步长为1,生成的目标图像尺寸和原始图像一致。
以3*3的均值滤波为例,为了更好地显示结果,对图片的上半部分进行均值滤波,以下是opencv3代码:
#include<opencv.hpp>
using namespace cv;
using namespace std;
//均值滤波 模板大小为3*3
void AverFilting(const Mat & src, Mat & dst)
{
if (!src.data)
return;
for (int u = 0; u < src.rows;u++)
for (int v = 0; v < src.cols;v++)
{
if (u - 1 >= 0 && v - 1 >= 0 && u + 1 < src.rows/2 && v + 1 < src.cols)
{
dst.at<Vec3b>(u, v)[0] = (src.at<Vec3b>(u - 1, v - 1)[0] + src.at<Vec3b>(u - 1, v)[0] + src.at<Vec3b>(u - 1, v + 1)[0] +
src.at<Vec3b>(u, v - 1)[0] + src.at<Vec3b>(u, v)[0] + src.at<Vec3b>(u, v + 1)[0] +
src.at<Vec3b>(u + 1, v - 1)[0] + src.at<Vec3b>(u + 1, v)[0] + src.at<Vec3b>(u + 1, v + 1)[0]
) / 9;
dst.at<Vec3b>(u, v)[1] = (src.at<Vec3b>(u - 1, v - 1)[1] + src.at<Vec3b>(u - 1, v)[1] + src.at<Vec3b>(u - 1, v + 1)[1] +
src.at<Vec3b>(u, v - 1)[1] + src.at<Vec3b>(u, v)[1] + src.at<Vec3b>(u, v + 1)[1] +
src.at<Vec3b>(u + 1, v - 1)[1] + src.at<Vec3b>(u + 1, v)[1] + src.at<Vec3b>(u + 1, v + 1)[1]
) / 9;
dst.at<Vec3b>(u, v)[2] = (src.at<Vec3b>(u - 1, v - 1)[2] + src.at<Vec3b>(u - 1, v)[2] + src.at<Vec3b>(u - 1, v + 1)[2] +
src.at<Vec3b>(u, v - 1)[2] + src.at<Vec3b>(u, v)[2] + src.at<Vec3b>(u, v + 1)[2] +
src.at<Vec3b>(u + 1, v - 1)[2] + src.at<Vec3b>(u + 1, v)[2] + src.at<Vec3b>(u + 1, v + 1)[2]
) / 9;
}
else
{
dst.at<Vec3b>(u, v)[0] = src.at<Vec3b>(u, v)[0];
dst.at<Vec3b>(u, v)[1] = src.at<Vec3b>(u, v)[1];
dst.at<Vec3b>(u, v)[2] = src.at<Vec3b>(u, v)[2];
}
}
}
int main()
{
cv::Mat image1, image2;
image1 = cv::imread("F:\\ebook\\opencv\\LearningOpenCV3\\test\\test\\lenna.bmp");
cv::Mat resultimage(image1.rows,image1.cols,CV_8UC3);
namedWindow("原始图像", WINDOW_AUTOSIZE);
cv::imshow("原始图像", image1);
cv::waitKey(0);
//均值滤波
AverFilting(image1, resultimage);
namedWindow("均值滤波", WINDOW_AUTOSIZE);
cv::imshow("均值滤波", resultimage);
cv::waitKey(0);
cv::imwrite("均值滤波.jpg", resultimage);
return 0;
}
结果如图所示:
可以看到均值滤波后图片上半部分变得模糊起来。