OpenCV学习笔记（九）谈谈中值滤波无效性

谈谈中值滤波无效性：

不谈线性滤波，实用性不大，基本没用。

中值滤波的简单在于选择灰度值的中值来替代该像素点的灰度值，该方法去除椒盐噪声，还勉强可以。但对绝大部分图像来说，不合适。但是比起线性滤波来说，优势还是蛮大的。单单从消除噪声来说和保边来说，更胜一筹。

但是对于细节图像来说，就显得捉襟见肘了。这也是在处理细节图像上，不建议使用中值滤波的原因。

下面就验证一下，先生成高斯噪声，用中值滤波看看效果：

#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <cstdlib>
#include <cmath>
#include <limits>
#include <iostream>
using namespace cv;
using namespace std;
double generateGaussianNoise(double mu, double sigma)
{
	//定义一个特别小的值
	const double epsilon = numeric_limits<double>::min();//返回目标数据类型能表示的最逼近1的正数和1的差的绝对值
	static double z0, z1;
	static bool flag = false;
	flag = !flag;
	//flag为假，构造高斯随机变量
	if (!flag)
		return z1*sigma + mu;
	double u1, u2;
	//构造随机变量

	do
	{
		u1 = rand()*(1.0 / RAND_MAX);
		u2 = rand()*(1.0 / RAND_MAX);
	} while (u1 <= epsilon);
	//flag为真构造高斯随机变量X
	z0 = sqrt(-2.0*log(u1))*cos(2 * CV_PI * u2);
	z1 = sqrt(-2.0*log(u1))*sin(2 * CV_PI * u2);
	return z0*sigma + mu;
}
Mat addGaussianNoise(Mat& srcImage)
{
	Mat resultImage = srcImage.clone();    //深拷贝,克隆
	int channels = resultImage.channels();    //获取图像的通道
	int nRows = resultImage.rows;    //图像的行数

	int nCols = resultImage.cols*channels;   //图像的总列数
	//判断图像的连续性
	if (resultImage.isContinuous())    //判断矩阵是否连续，若连续，我们相当于只需要遍历一个一维数组 
	{
		nCols *= nRows;
		nRows = 1;
	}
	for (int i = 0; i < nRows; i++)
	{
		for (int j = 0; j < nCols; j++)
		{	//添加高斯噪声
			int val = resultImage.ptr<uchar>(i)[j] + generateGaussianNoise(2, 0.8) * 32;
			if (val < 0)
				val = 0;
			if (val > 255)
				val = 255;
			resultImage.ptr<uchar>(i)[j] = (uchar)val;
		}
	}
	return resultImage;
}

int main()
{
	Mat srcImage = imread("D:\\1.jpg");
	imshow("srcImage", srcImage);
	Mat resultImage1 = addGaussianNoise(srcImage);
	Mat resultImage2;
	medianBlur(resultImage1, resultImage2, 7);
	imshow("resultImage1", resultImage1);
	imshow("resultImage2", resultImage2);
	waitKey(0);
	return 0;
}

看到了吧，常用的中值滤波，也叫做模糊。