OpenCV8---图像滤波（模糊）（均值、高斯、中值、双边）

八、模糊图像（滤波）

1、模糊原理

• Smooth/Blur是图像处理中最简单和常用的操作之一
• 使用该操作的原因之一就是为了给图像预处理时候降低噪声
• 使用Smooth/Blur操作其背后是数学的卷积计算
• 通常这些卷积算子计算都是线性操作，所以又叫线性滤波
  卷积过程示意如下：
  （灰色代表图片，黄色部分代表卷积算子，红色中心部分代表正在处理的像素）
  

2、有关模糊（滤波）的API（Application Programming Interface 预先定义函数）

• 均值模糊（各像素权重一样）：用像素即周围像素的平均值代替该像素值，通过blur()函数实现，由于每一个像素都由周围的像素取平均值获得，所以会使原本层次分明的部分变得平均化，减少像素值间差异，即变得模糊。

blur(src, dst, Size(11, 11), Point(-1, -1));//均值模糊，参数分为为待处理图像，处理后图像，卷积模板x方向和y方向窗口的大小（只能为正的奇数，值越大，对应方向模糊程度越明显），模板中间像素位置一般固定为Point(-1,-1)

• 高斯模糊（各像素权重不一样，按高斯分布）：周围像素通过按权（通过高斯分布获得）相加代替该像素值，通过GaussianBlur（）函数实现。

GaussianBlur(src, gblur, Size(11, 11), 11, 11);//高斯模糊，参数分别为待处理图像，处理后图像，卷积模板x方向和y方向窗口的大小（只能为正的奇数，值越大，对应方向模糊程度越明显），高斯公式的两个方向的sigma值（用来调节正态分布）

对比：高斯滤波会保留像素原有的特征值，若原像素值很大，根据高斯分布按权相加，越靠近中心权重越大，待处理像素位置有最大的权值，经过高斯滤波仍会是一个较大的像素值。而在均值滤波中，一个较大像素值周围都是小的像素值，平均后会变小，所以均值模糊获得的图像会更模糊一些。

示例代码（均值模糊与高斯模糊）：

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main(int argc, char** argv) {
    Mat src, dst;
    src = imread("添加图片路径");
    if (src.empty()) {
       cout << "could not load image..." << endl;
       return -1;
    }

    blur(src, dst, Size(11, 11), Point(-1, -1));
    imshow("blur image demo", dst);

    Mat gblur;
    GaussianBlur(src, gblur, Size(11, 11), 11, 11);
    imshow("GaussianBlur image demo", gblur);

    waitKey(0);
    destroyAllWindows();
    return 0;
}

输出结果显示：

3、中值滤波

• 统计排序滤波器
• 中值对椒盐噪声有很好的抑制作用（椒盐噪声即图片中偶尔会出现的极大极小值）
  对模板下所对应的像素值进行从小到大排序，取中间位置的像素值做为模板中央像素的像素值。若取最小位置的像素值则为最小值滤波，若取最大位置像素值则为最大值滤波。

medianBlur(Mat src, Mat dest, ksize);//src为待处理图像，dest为处理后图像， ksize为卷积模板的大小,其值必须大于1且为奇数

中值滤波效果图：（左为原图，右为中值滤波处理后图片）

4、双边滤波

• 均值模糊无法克服边缘像素信息丢失缺陷。原因是均值滤波是基于平均权重。
• 高斯模糊部分克服了该缺陷，但是无法完全避免，因为没有考虑像素值的不同。
  例如边界处像素值差别会比较大，对其进行高斯滤波时，边界处像素值受周围像素值的影响较大。（虽然周围像素值所占权重较小，但也会受影响）
• 高斯双边模糊，是边缘保留的滤波方法，避免了边缘信息丢失，保留了图像轮廓不变。（设定一个阈值，若周围像素值与其模板中心像素值的差值大于某一个阈值，不参与计算）利用双边滤波，可以消除微小差异，保留图像轮廓，类似磨皮的效果。

bilateralFilter(src, dest, d = 15, 150, 3);//src为待处理图像，dest为处理后图像，d为计算的半径（半径之内的像素都会被纳入计算），150为设定的阈值（像素差值在阈值内才可以参与运算），3为高斯分布的sigma值（若d的值大于0则声明无效，否则根据它计算d值）

双边滤波效果图：（左为原图，右为双边滤波处理后图片）

双边滤波与高斯滤波对比图：（左为原图，中为双边滤波处理后图片，右为高斯滤波处理后图片）

示例代码（双边高斯滤波加对比度提升）：

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main(int argc, char** argv) {
   Mat src, dst;
   src = imread("添加图片地址");
   if (!src.data) {
       cout << "could not load image..." << endl;
       return -1;
   }
   imshow("input", src);

   bilateralFilter(src, dst, 5, 150, 3);//双边滤波
   imshow("bilateralFilter image demo", dst);

   Mat m1;//在双边滤波的基础上提高对比度
   Mat kernel = (Mat_<int>(3, 3) << 0, -1, 0, -1, 5, -1, 0, -1, 0);
   filter2D(dst, m1, dst.depth(), kernel, Point(-1, -1), 0);
   imshow("final result", m1);
   
   waitKey(0);
   destroyAllWindows();
   return 0;
}

输出结果如下所示：（左为原图，中为双边滤波处理后图片，右为提高对比度后的图片）