【图像处理】图像滤波

图像噪声主要来源有以下三种：
第一种是系统设备外部的电气设备发出电磁干扰等因素引起的噪声。
第二种是由外部环境光线不均匀所引起的噪声，这种噪声容易在图像上形成明暗不均的区域或条纹。加装辅助照明可有效减小该噪声。
第三种是由检测系统内部设备电路、元器件本身或光电基本性质引起的噪声。如CMOS相机在采集图像过程中所造成的噪声。

中值滤波

1、中值滤波原理
中值滤波是一种非线性平滑方法，其含义是以邻域内像素的中值来代替所求像素值。中值滤波邻域内像素的中值不受孤立噪声影响，被广泛认为是“边缘保持”，因此它在一定程度上既对去除椒盐噪声非常有效，又保证了边缘特征较满意的复原。

2、中值滤波函数

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

• src:待中值滤波的图像，可以是单通道，三通道和四通道，数据类型与滤波器的尺寸相关，当滤波器尺寸为3或5时，图像可以是CV_8U，CV_16U或CV_32F类型，对于较大尺寸的滤波器，数据类型只能是CV_8U。
• dst:输出图像，与输入图像src具有相同的尺寸和数据类型。
• ksize: 滤波器尺寸，必须是大于1的奇数，例如:3、5、7…

高斯滤波

高斯滤波器是线性滤波器，主要使用了高斯函数，因此对高斯噪声有很好的处理能力，用于模糊图像，去除细节和噪声。
1、高斯滤波原理

通过高斯分布函数求出模板系数，例如一个3*3的模板：以模板的中心位置为坐标原点进行取样，其中模板各个坐标位置如下图，x轴水平向右，y轴垂直向下，（x,y）表示：

σ的意义及选取
通过上述的实现过程，不难发现，高斯滤波器模板的生成最重要的参数就是高斯分布的标准差σ。标准差代表着数据的离散程度，如果σ较小，那么生成的模板的中心系数较大，而周围的系数较小，这样对图像的平滑效果就不是很明显；反之，σ较大，则生成的模板的各个系数相差就不是很大，比较类似均值模板，对图像的平滑效果比较明显。

于是我们有如下结论：σ越小分布越瘦高，σ越大分布越矮胖。

σ越大，分布越分散，各部分比重差别不大，于是生成的模板各元素值差别不大，类似于平均模板；
σ越小，分布越集中，中间部分所占比重远远高于其他部分，反映到高斯模板上就是中心元素值远远大于其他元素值，于是自然而然就相当于中间值的点运算。

为了计算权重矩阵，需要设定σ的值。假定σ=1.5。将各个位置的坐标代入二维零均值高斯分布函数，计算出来的模板有两种形式：整数模板和小数模板。
小数模板：
将坐标和σ带入高斯分布函数后得到：

这9个点的权重总和等于0.4787147，如果只计算这9个点的加权平均，还必须让它们的权重之和等于1，因此上面9个值还要分别除以0.4787147，得到最终的权重矩阵。

整数模板：

得到如下模板：

计算高斯模糊：
假设现有9个像素点，灰度值（0-255）如下：

每个点乘以自己的权重值：

得到：

将这9个值加起来，就是中心点的高斯模糊的值。

对所有点重复这个过程，就得到了高斯模糊后的图像。如果原图是彩色图片，可以对RGB三个通道分别做高斯模糊。

2、高斯滤波函数

void GaussianBlur(InputArray src, OutputArray dst, Size ksize, double sigmaX, double sigmaY=0, intborderType=BORDER_DEFAULT)

• 参数src：可以有任意通道，深度为CV_8U, CV_16U, CV_16S, CV_32F or CV_64F。
• 参数dst：和原图一样的大小和类型。
• 参数ksize：宽，高可以不一样，但必须是正、奇数，当为0时由sigma计算出。
• 参数sigmaX：X方向的标准差。
• 参数sigmaY：Y方向的标准差，如果为0，则将其设置为和sigmaX相等，如果sigmaX，sigmaY均为0，则大小由ksize计算出。
• borderType –像素外推方法（borderInterpolate()有关详细信息，请参见link ）。