Opencv2系列学习笔记8(图像滤波)

一：概念：

滤波是信号处理机图像处理中的一个基本操作。滤波去除图像中的噪声，提取感兴趣的特征，允许图像重采样。

图像中的频域和空域：空间域指用图像的灰度值来描述一幅图像；而频域指用图像灰度值的变化来描述一幅图像。而低通滤波器和高通滤波器的概念就是在频域中产生的。

低通滤波器指去除图像中的高频成分，而高通滤波器指去除图像中的低频成分。

后面将介绍低通滤波器—均值和高斯滤波器；中值滤波器—非线性滤波器；高通滤波器—sobel算子(方向滤波器)和拉普拉斯变换(二阶导数)。其中利用方向滤波器和拉普拉斯变换可以对图像的边缘进行检测。

二：低通滤波器

<1>cv::blur函数：每个像素替换为相邻矩形内像素的平均值

<2>cv::GaussianBlur函数：通过高斯核来进行替换

Code：

[cpp]  view plain  copy

 print ?

1. Mat result;                              // 线性平滑 滤波  每个像素替换为相邻矩形内像素的平均值  
2.     blur(image, result,Size(5,5));         // filter2D可以自定义核进行线性滤波  
3.   
4.     Mat gauResult;  
5.     GaussianBlur(image, gauResult, Size(5,5), 1.5);    // 高斯平滑 模糊  线性滤波器  

Result：

sourceImage：

BlurResult：

GaussianBlur：

低通滤波器的效果是对图像进行模糊和平滑，减弱了物体边缘可见的快速变化。它是一种线性滤波器，原理是与核进行卷积运算，此时的核内定，当我们需要指定核函数进行卷积时可以用filter2D函数，它的使用见blog：http://blog.csdn.net/lu597203933/article/details/16811851。 

三：中值滤波器

中值滤波器是非线性滤波器，它的原理是仅仅计算这组数的中值，并用中值替换当前的像素值。因此对于去除椒盐噪点非常有用。

Code：

[cpp]  view plain  copy

 print ?

1. Mat medianResult;  
2.     medianBlur(image, medianResult,5);  // 是一个非线性的滤波器，利用中值替换当前的像素值，对于去除椒盐噪点尤为有用  

Result：

 

三：方向滤波器—sobel算子

Sobel算子就是通过卷积操作来计算图像的一阶导数，由于边缘处图像灰度变化率较大，因此可以用sobel算子来进行边缘检测。Sobel算子的核定义为：

y坐标轴：

x坐标轴：

Sobel函数：Sobel(InputArray src, OutputArray dst, int ddepth,

                         int dx, int dy, int ksize=3,

                         doublescale=1, double delta=0,

                         int borderType=BORDER_DEFAULT );

其中ddepth为图像类型， (dx,dy) = (1,0)为x方向导数，(dx,dy) = (0,1)为y方向导数，scale和delta的作用是再保存前可以对图像进行缩放，公式为:dst =dst * scale + delta.

Code:

[cpp]  view plain  copy

 print ?

1. int main()  
2. {  
3.     Mat image = imread("F:\\lena.png", 0);  
4.     if(!image.data)  
5.     {  
6.         cout << "Fail to load image" << endl;  
7.         return 0;  
8.     }  
9.     Mat sobel_x, sobel_y;  
10.     //Sobel(image, sobel_x, CV_8U, 1, 0, 3, 0.4, 128);  
11.     //Sobel(image, sobel_y, CV_8U, 0, 1, 3, 0.4, 128);  
12.   
13.     Sobel(image, sobel_x, CV_16S, 1, 0);  // 因为后面要相加 所以用16位有符号的整数来表示  另外导数肯定含有负数  
14.     Sobel(image, sobel_y, CV_16S, 0, 1);  
15.     Mat sobel;  
16.     sobel = abs(sobel_x) + abs(sobel_y);  
17.   
18.     double sobmin, sobmax;  
19.     minMaxLoc(sobel, &sobmin, &sobmax);  
20.     Mat sobelImage;  
21.     sobel.convertTo(sobelImage, CV_8U, -255.0/sobmax, 255);   // 等价于  saturate_cast(a*sobel + b)  
22.       
23.     Mat sobelThresholded;  
24.     int thre = 200;  
25.     threshold(sobelImage, sobelThresholded, thre, 255, THRESH_BINARY);  
26.   
27.     namedWindow("sobelImage", 0);  
28.     imshow("sobelImage", sobelImage);  
29.     namedWindow("sobelThresholded", 0);  
30.     imshow("sobelThresholded", sobelThresholded);  
31.   
32.     waitKey(0);  
33.     return 0;  
34. }  

Result:

当然除了sobel算子，还有其它的算子，如Scharr算子，它更精确、快。它的核为：

 

Sobel(image, sobelX, CV_16S, 1, 0,CV_SCHARR);

或者：

Scharr(image, scharrX, CV_16S, 1, 0, 3);

四：拉普拉斯变换

拉普拉斯变化时基于图像导数的高通滤波器，计算二阶导数以衡量图像的弯曲度

Code：

[cpp]  view plain  copy

 print ?

1. int main()  
2. {  
3.     Mat image = imread("F:\\lena.png", 0);  
4.     if(!image.data)  
5.     {  
6.         cout << "Fail to load image" << endl;  
7.         return 0;  
8.     }  
9.     Mat laplacian;  
10.     Laplacian(image, laplacian, CV_16S, 3);  // 二阶导数肯定含有负数。。  基于图像导数的高通滤波器，计算二阶导数以衡量图像的弯曲度  
11.     laplacian = abs(laplacian);  
12.     Mat laplacianImage;  
13.     laplacian.convertTo(laplacianImage, CV_8U);  
14.     namedWindow("laplacianImage");  
15.     imshow("laplacianImage", laplacianImage);  
16.     waitKey(0);  
17.     return 0;  
18.   
19. }  

Result：

作者：小村长  出处：http://blog.csdn.net/lu597203933 欢迎转载或分享，但请务必声明文章出处。 （新浪微博：小村长zack, 欢迎交流！）