C++实现快速高斯滤波

最新推荐文章于 2024-08-10 20:02:03 发布

痛&快乐着

最新推荐文章于 2024-08-10 20:02:03 发布

阅读量626

点赞数 9

分类专栏： C++学习图像处理文章标签： c++ 图像处理

本文链接：https://blog.csdn.net/qq_44924694/article/details/131631076

版权

C++学习同时被 2 个专栏收录

28 篇文章 0 订阅

订阅专栏

图像处理

12 篇文章 2 订阅

订阅专栏

本文介绍了如何通过使用一维高斯函数替代二维方式，减少在OpenCV中实现高斯滤波的计算量。作者提供了GetGaussianKernel_1D函数和GaussBlur_x、GaussBlur_y函数的代码示例，以及MatFastGaussian函数，展示了如何快速高斯滤波并利用分离特性加速算法。

摘要由CSDN通过智能技术生成

文章目录

看这篇文章的道友想必对高斯滤波已经很熟悉，在此就不进行赘述了，也可以看看参考资料的文章回顾一下。

高斯函数分离特性

在这里插入图片描述

二维方式是根据kernel的大小以及sigma大小生成一个 size*size的卷积核，然后再做卷积。计算量是imgWidth * imgHeight * size * size，但如果用两个一维来替代，则计算量是imgWidth * imgHeight * size * 2,计算量大大减少。
在这里插入图片描述

代码实现

此处的数据类型ImagePro可以根据自己的需求进行定义。

double *GetGaussianKernel_1D(int arr_size, double sigma)
{
	double *array = new double[arr_size];
	int center_i = arr_size / 2;
	double sum = 0.0f;
	double sigma2 = (2.0f*sigma*sigma);
	for (int i = 0; i < arr_size; i++) 
	{
		array[i] = exp(-(1.0f)* (((i - center_i)*(i - center_i)) / sigma2));
		sum += array[i];
	}
	//归一化求权值
	for (int i = 0; i < arr_size; i++)
	{
		array[i] /= sum;
		cout << array[i] << " ";
	}
	cout << endl;
	return array;
}

void GaussBlur_x(ImagePro* src, ImagePro* dst, int w, int h, int kernelSize, double *gaussianArray)
{
	int center = kernelSize / 2;
	int ind = 0;
	for (int i = 0; i < h; i++)
	{
		for (int j = 0; j < w; j++)
		{
			double sum = 0.0;
			for (int k = -center; k <= center; k++)
			{
				if (j + k < 0 || j + k >= w)
					continue;
				ind = i*w + j + k;
				sum += src[ind] * gaussianArray[k + center];
			}
			// 放入中间结果
			ind = ind = i*w + j;
			dst[ind] = MAX(MIN(sum, 255), 0);
		}
	}
}
void GaussBlur_y(ImagePro* src, ImagePro* dst, int w, int h, int kernelSize, double *gaussianArray)
{
	int center = kernelSize / 2;
	int ind = 0;
	for (int i = 0; i < h; i++)
	{
		for (int j = 0; j < w; j++)
		{
			double sum = 0.0;
			for (int k = -center; k <= center; k++)
			{
				if (i + k < 0 || i + k >= h)
					continue;
				ind = (i+k)*w + j;
				sum += src[ind] * gaussianArray[k + center];
			}
			// 放入中间结果
			ind = ind = i*w + j;
			dst[ind] = MAX(MIN(sum, 255), 0);
		}
	}
}
Mat FastGaussian(cv::Mat _src, int kernelSize, double sigma)
{
	int srcW = _src.cols;
	int srcH = _src.rows;

	int radius = kernelSize / 2;
	//padding
	Margin margin;
	margin.down = radius;
	margin.up = radius;
	margin.left = radius;
	margin.right = radius;
	int w = _src.cols + margin.left + margin.right;
	int h = _src.rows + margin.up + margin.down;
	Mat pad(h, w, _src.type(), Scalar(0));
	ImagePadding((ImagePro*)_src.data, _src.cols, _src.rows, (ImagePro*)pad.data, margin);
	_src = pad.clone();

	double *gaussianArray = GetGaussianKernel_1D(kernelSize, sigma);
	int center = kernelSize / 2;
	cv::Mat temp = _src.clone();
	cv::Mat dst = _src.clone();
	int channels = _src.channels();
	// X方向
	GaussBlur_x((ImagePro*)_src.data, (ImagePro*)temp.data, _src.cols, _src.rows, kernelSize, gaussianArray);
	// Y方向
	GaussBlur_y((ImagePro*)temp.data, (ImagePro*)dst.data, _src.cols, _src.rows, kernelSize, gaussianArray);
	
	delete[] gaussianArray;
	return dst(Rect(radius, radius, srcW, srcH));
}