OpenCV学习07_图像线性与非线性滤波_分析线性滤波与非线性滤波的结果-CSDN博客

本文链接：https://blog.csdn.net/qq_35312463/article/details/109909780

在这里插入图片描述

图像滤波,指在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制,是图像预处理中不可缺少的操作,其处理效果的好坏将直接影响到后续图像处理和分析的有效性和可靠性。

消除图像中的噪声成分叫作图像的平滑化或滤波操作。信号或图像的能量大部分集中在幅度谱的低频和中频段,而在较高频段,有用的信息经常被噪声淹没。因此一个能降低高频成分幅度的滤波器就能够减弱噪声的影响。

图像滤波的目的有两个:一个是抽出对象的特征作为图像识别的特征模式;另一个是为适应图像处理的要求,消除图像数字化时所混入的噪声。

而对滤波处理的要求也有两条:一是不能损坏图像的轮廓及边缘等重要信息;二是使图像清晰视觉效果好。

平滑滤波是低频增强的空间域滤波技术。它的目的有两类:一类是模糊;另一类是消除噪音。

空间域的平滑滤波一般采用简单平均法进行,就是求邻近像元点的平均亮度值。邻域的大小与平滑的效果直接相关,邻域越大平滑的效果越好,但邻域过大,平滑也会使边缘信息损失的越大,从而使输出的图像变得模糊,因此需合理选择邻域的大小。

一、线性滤波

1.1 方框滤波

方框滤波(box Filter)被封装在一个名为boxblur的函数中,即boxblur函数的作用是使用方框滤波器(box filter)来模糊一张图片,从sre输入,从dst输出。
函数原型如下。

C++: void boxFilter (InputArray src, OutputArray dst, int ddepth, Size ksize, Point anchor-Point(-1,-1), boolnormalize=true, int borderType=BORDER_DEFAULT )

参数详解如下。

第一个参数,InputArray类型的src,输入图像,即源图像,填Mat类的对象即可。该函数对通道是独立处理的,且可以处理任意通道数的图片。但需要注意,待处理的图片深度应该为CV_8U.CV_16U,CV_16S,CV_32F以及CV_64F之一。
第二个参数, OutputArray类型的dst,即目标图像,需要和源图片有一样的尺寸和类型,
第三个参数, int类型的ddepth,输出图像的深度, -1代表使用原图深度,即src.depth)
第四个参数, Size类型(对Size类型稍后有讲解)的ksize,内核的大小。一般用Size(w,h)来表示内核的大小,其中w为像素宽度, h为像素高度。Size (3,3)就表示3x3的核大小, Size (5,5)就表示5x5的核大小。
第五个参数, Point类型的anchor,表示锚点(即被平滑的那个点)。注意它有默认值Point(-1,-1)。如果这个点坐标是负值的话,就表示取核的中心为锚点,所以默认值Point(-1,-1)表示这个锚点在核的中心。
第六个参数, bool类型的normalize,默认值为true,一个标识符,表示内核是否被其区域归一化(normalized)了。
第七个参数, int类型的borderType,用于推断图像外部像素的某种边界模式。有默认值BORDER DEFAULT,我们一般不去管它。

BoxFilter()函数方框滤波所用的核表示如下。
在这里插入图片描述
其中：

int main()
{
	// 载入原图
	Mat image = imread("F:\\CV\\LearnCV\\files\\maliao.jpg");

	//创建窗口
	namedWindow("方框滤波【原图】");
	namedWindow("方框滤波【效果图】");

	//显示原图
	imshow("方框滤波【原图】", image);

	//进行方框滤波操作
	Mat out;
	boxFilter(image, out, -1, Size(10, 10));

	//显示效果图
	imshow("方框滤波【效果图】", out);

	waitKey(0);
}

在这里插入图片描述

1.2 均匀滤波

均值滤波,是最简单的一种滤波操作,输出图像的每一个像素是核窗口内输入图像对应像素的平均值(所有像素加权系数相等),其实说白了它就是归一化后的方框滤波。我们在下文进行源码剖析时会发现, blur函数内部中其实就是调用了一下boxFilter。

blur函数的原型如下。

C++: void blur(InputArray src, OutputArraydst, Size ksize, Point anchor-Point (-1,-1), int borderType=BORDER_DEFAULT)

第一个参数, InputArray类型的sre,输入图像,即源图像,填Mat类的对象即可。该函数对通道是独立处理的,且可以处理任意通道数的图片。但需要注意的是,待处理的图片深度应该为CV_8U,CV_ 16U,CV_16S,CV_32F以及CV_64F之。
第二个参数, OutputArray类型的dst,即目标图像,需要和源图片有一样的尺寸和类型。比如可以用Mat:Clone,以源图片为模板,来初始化得到如假包换的目标图。
第三个参数, Size类型(对Size类型稍后有讲解)的ksize,内核的大小。一般写作Size(w.h)来表示内核的大小(其中, w为像素宽度, h为像素高度), Size(3,3)就表示3x3的核大小, Size(5,5)就表示5x5的核大小
第四个参数, Point类型的anchor,表示锚点(即被平滑的那个点),注意它有默认值Point(-1,-1)。如果这个点坐标是负值,就表示取核的中心为锚点,所以默认值Point(-1,-1)表示这个锚点在核的中心。
第五个参数, int类型的borderType,用于推断图像外部像素的某种边界模式。有默认值BORDER DEFAULT,我们一般不去管它。

int main( )
{ 
	//【1】载入原始图
	Mat srcImage = imread("F:\\CV\\LearnCV\\files\\maliao.jpg");

	//【2】显示原始图
	imshow( "均值滤波【原图】", srcImage ); 

	//【3】进行均值滤波操作
	Mat dstImage; 
	blur( srcImage, dstImage, Size(7, 7)); 

	//【4】显示效果图
	imshow( "均值滤波【效果图】" ,dstImage ); 

	waitKey( 0 );     
}

在这里插入图片描述

1.3 高斯滤波

高斯滤波是一种线性平滑滤波,可以消除高斯噪声,广泛应用于图像处理的减噪过程。通俗地讲,高斯滤波就是对整幅图像进行加权平均的过程,每一个像素点的值,都由其本身和邻域内的其他像素值经过加权平均后得到。高斯滤波的具体操作是:用一个模板(或称卷积、掩模)扫描图像中的每一个像素,用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。

大家常说高斯滤波是最有用的滤波操作,虽然它用起来效率往往不是最高的。高斯模糊技术生成的图像,其视觉效果就像是经过一个半透明屏幕在观察图像,这与镜头焦外成像效果散景以及普通照明阴影中的效果都明显不同。高斯平滑也用于计算机视觉算法中的预先处理阶段,以增强图像在不同比例大小下的图像效果(参见尺度空间表示以及尺度空间实现)。从数学的角度来看,图像的高斯模糊过程就是图像与正态分布做卷积。由于正态分布又叫作高斯分布,所以这项技术就叫作高斯模糊。

图像与圆形方框模糊做卷积将会生成更加精确的焦外成像效果。由于高斯函数的傅里叶变换是另外一个高斯函数,所以高斯模糊对于图像来说就是一个低通滤波操作。

高斯滤波器是一类根据高斯函数的形状来选择权值的线性平滑滤波器。高斯平滑滤波器对于抑制服从正态分布的噪声非常有效。一维零均值高斯函数如下。
在这里插入图片描述
其中,高斯分布参数Sigma决定了高斯函数的宽度。对于图像处理来说,常·用二维零均值离散高斯函数作平滑滤波器。
二维高斯函数如下。

GaussianBlur函数的作用是用高斯滤波器来模糊一张图片,对输入的图像src进行高斯滤波后用dst输出。它将源图像和指定的高斯核函数做卷积运算,并且支持就地过滤(In-placefiltering )。

C+: void GaussianBlur (InputArray src, OutputArray dst, Size ksize, double sigmax, double sigmay=0, intborderType=BORDER_DEFAULT )

第一个参数, InputArray类型的src,输入图像,即源图像,填Mat类的对象即可。它可以是单独的任意通道数的图片,但需要注意的是,其图片深度应该为CV_8U,CV_16U,CV_16s,CV_32F以及CV_64F之一。
第二个参数, OutputArray类型的dst,即目标图像,需要和源图片有一样的尺寸和类型。比如可以用Mat:Clone,以源图片为模板,来初始化得到如假包换的目标图。
第三个参数, Size类型的ksize高斯内核的大小。其中ksize.width和ksize.height可以不同,但它们都必须为正数和奇数,或者是零,这都由sigma计算而来。
第四个参数, double类型的sigmax,表示高斯核函数在方向的的标准偏差。
第五个参数, double类型的sigmaY,表示高斯核函数在Y方向的的标准偏差。若sigmar为零,就将它设为sigmax;如果sigmaX和sigmaY都是0,那么就由ksize.width和ksize.height计算出来。为了结果的正确性着想,最好是把第三个参数Size、第四个参数sigmaX和第五个参数sigmaY全部指定到。
第六个参数, int类型的borderType,用于推断图像外部像素的某种边界模式。有默认值BORDER DEFAULT,我们一般不去管它。

int main()
{
	// 载入原图
	Mat image = imread("F:\\CV\\LearnCV\\files\\maliao.jpg");

	//创建窗口
	namedWindow("高斯滤波【原图】");
	namedWindow("高斯滤波【效果图】");

	//显示原图
	imshow("高斯滤波【原图】", image);

	//进行高斯滤波操作
	Mat out;
	GaussianBlur(image, out, Size(5, 5), 0, 0);

	//显示效果图
	imshow("高斯滤波【效果图】", out);

	waitKey(0);
}

在这里插入图片描述

二、非线性滤波

上部分中,我们所考虑的滤波器都是线性的,即两个信号之和的响应和它们各自响应之和相等。换句话说,每个像素的输出值是一些输入像素的加权和。线性滤波器易于构造,并且易于从频率响应角度来进行分析。

然而,在很多情况下,使用邻域像素的非线性滤波会得到更好的效果。比如在噪声是散粒噪声而不是高斯噪声,即图像偶尔会出现很大的值的时候,用高斯滤波器对图像进行模糊的话,噪声像素是不会被去除的,它们只是转换为更为柔和但仍然可见的散粒。这就到了中值滤波登场的时候了。

2.1 中值滤波

中值滤波(Median filter)是一种典型的非线性滤波技术,基本思想是用像素点邻域灰度值的中值来代替该像素点的灰度值,该方法在去除脉冲噪声、椒盐噪声的同时又能保留图像的边缘细节。

中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术,其基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替,让周围的像素值接近真实值,从而消除孤立的噪声点。这对于斑点噪声(speckle noise)和椒盐噪声(salt-and-pepper noise)来说尤其有用,因为它不依赖于邻域内那些与典型值差别很大的值。中值滤波器在处理连续图像窗函数,时与线性滤波器的工作方式类似,但滤波过程却不再是加权运算。

中值滤波在一定的条件下可以克服常见线性滤波器,如最小均方滤波、方框滤波器、均值滤波等带来的图像细节模糊,而且对滤除脉冲干扰及图像扫描噪声非常有效,也常用于保护边缘信息。保存边缘的特性使它在不希望出现边缘模糊的场合也很有用,是非常经典的平滑噪声处理方法。

中值滤波在一定条件下,可以克服线性滤波器(如均值滤波等)所带来的图像细节模糊,对滤除脉冲干扰即图像扫描噪声最为有效,而且在实际运算过程中并不需要图像的统计特性,也给计算带来不少方便。但是对一些细节(特别是细、尖顶等)多的图像不太适合。

中值滤波: medianBlur函数

medianBlur函数使用中值滤波器来平滑(模糊)处理一张图片,从src输入,结果从dst输出。对于多通道图片,它对每一个通道都单独进行处理,并且支持就地操作(In-placeoperation)。函数原型如下。

C++: void medianBlur (InputArray src, OutputArray dst, int ksize)

参数详解如下。

第一个参数, InputArray类型的src,函数的输入参数,填1、3或者4通道的Mat类型的图像。当ksize为3或者5的时候,图像深度需为cv_8U,CV_16U,CV_32F其中之一,而对于较大孔径尺寸的图片,它只能是CV_8U.
第二个参数: OutputArray类型的dst,即目标图像,函数的输出参数,需要和源图片有一样的尺寸和类型。我们可以用Mat:Clone,以源图片为模板,来初始化得到如假包换的目标图。
第三个参数: int类型的ksize,孔径的线性尺寸(aperture linear size),注意这个参数必须是大于1的奇数,比如: 3、5、7、9…

int main( )
{ 
	// 载入原图
	Mat image=imread("F:\\CV\\LearnCV\\files\\maliao.jpg"); 

	//创建窗口
	namedWindow( "中值滤波【原图】" ); 
	namedWindow( "中值滤波【效果图】"); 

	//显示原图
	imshow( "中值滤波【原图】", image ); 

	//进行中值滤波操作
	Mat out; 
	medianBlur ( image, out, 7);

	//显示效果图
	imshow( "中值滤波【效果图】" ,out ); 

	waitKey( 0 );     
}

在这里插入图片描述

2.2 双边滤波

双边滤波(Bilateral filter )是一种非线性的滤波方法,是结合图像的空间邻近度和像素值相似度的一种折中处理,同时考虑空域信息和灰度相似性,达到保边去噪的目的,具有简单、非迭代、局部的特点。

双边滤波器的好处是可以做边缘保存(edge preserving)。以往常用维纳滤波或者高斯滤波去降噪,但二者都会较明显地模糊边缘,对于高频细节的保护效果,并不明显。双边滤波器顾名思义,比高斯滤波多了一个高斯方差sigma-d,它是1基于空间分布的高斯滤波函数,所以在边缘附近,离得较远的像素不会对边缘上的像素值影响太多,这样就保证了边缘附近像素值的保存。但是,由于保存了过多的高频信息,对于彩色图像里的高频噪声,双边滤波器不能够干净地滤掉,只能对于低频信息进行较好地滤波。

在双边滤波器中,输出像素的值依赖于邻域像素值的加权值组合,公式如下。
在这里插入图片描述

而加权系数w(i,j,k,l)取决于定义域核和值域核的乘积。
其中定义域核表示如下。
在这里插入图片描述

值域核表示如下。
在这里插入图片描述

定义域滤波和值域滤波如图:
在这里插入图片描述
两者相乘后,就会产生依赖于数据的双边滤波权重函数,如下。

双边滤波: bilateralFilter函数

此函数的作用是用双边滤波器来模糊处理一张图片,由src输入图片,结果,于dst输出。

函数原型如下。

C++: void bilateralFilter(InputArray src, OutputArraydst, int d, double igmacolor, double sigmaSpace, int borderType=BORDER_DEFAULT)

参数详解如下。

第一个参数: InputArray类型的src,输入图像,即源图像,需要为8位或者浮点型单通道、三通道的图像。
第二个参数: OutputArray类型的dst,即目标图像,需要和源图片有一样的尺寸和类型。
第三个参数: int类型的d,表示在过滤过程中每个像素邻域的直径。如果这个值被设为非正数,那么OpenCV会从第五个参数sigmaSpace来计算出它。
第四个参数: double类型的sigmaColor,颜色空间滤波器的sigma值。这个参数的值越大,就表明该像素邻域内有越宽广的颜色会被混合到一起,产生较大的半相等颜色区域。
第五个参数: double类型的sigmaSpace,坐标空间中滤波器的sigma值,坐标空间的标注方差。它的数值越大,意味着越远的像素会相互影响,从而使更大的区域中足够相似的颜色获取相同的颜色。当d20时, d指定了邻域大小且与sigmaSpace无关。否则, d正比于sigmaSpace
第六个参数: int类型的borderType,用于推断图像外部像素的某种边界模式。注意它有默认值BORDER_DEFAULT

int main( )
{ 
	// 载入原图
	Mat image=imread("F:\\CV\\LearnCV\\files\\maliao.jpg"); 

	//创建窗口
	namedWindow( "双边滤波【原图】" ); 
	namedWindow( "双边滤波【效果图】"); 

	//显示原图
	imshow( "双边滤波【原图】", image ); 

	//进行双边滤波操作
	Mat out; 
	bilateralFilter ( image, out, 25, 25*2, 25/2 ); 

	//显示效果图
	imshow( "双边滤波【效果图】" ,out ); 

	waitKey( 0 );     
}

在这里插入图片描述