Opencv学习笔记之五——线性邻域滤波（方框滤波、均值滤波、高斯滤波）

首先感谢@浅墨_毛星云，本篇博文是小武通过学习@浅墨_毛星云的博客以及书籍《opencv3.0编程入门》整理的笔记及疑问心得，小武水平有限，欢迎交流。

@浅墨_毛星云博文：https://blog.csdn.net/poem_qianmo/article/category/1923021

【1】方框滤波

方框滤波（box Filter）被封装在一个名为boxblur的函数中，即boxblur函数的作用是使用方框滤波器（box filter）来模糊一张图片，从src输入，从dst输出。

函数原型：

C++: void boxFilter(InputArray src, OutputArray dst, int ddepth, Size ksize, 
                    Point anchor=Point(-1,-1), bool normalize=true, int borderType=BORDER_DEFAULT )

参数详解：

• 第一个参数，InputArray类型的src，输入图像，即源图像，填Mat类的对象即可。
• 第二个参数，OutputArray类型的dst，即目标图像，需要和源图片有一样的尺寸和类型。
• 第三个参数，int类型的ddepth，输出图像的深度，-1代表使用原图深度，即src.depth()。
• 第四个参数，Size类型（对Size类型稍后有讲解）的ksize，内核的大小。一般这样写Size( w,h )来表示内核的大小( 其中，w 为像素宽度， h为像素高度)。Size（3,3）就表示3x3的核大小，Size（5,5）就表示5x5的核大小
• 第五个参数，Point类型的anchor，表示锚点（即被平滑的那个点），注意他有默认值Point(-1,-1)。如果这个点坐标是负值的话，就表示取核的中心为锚点，所以默认值Point(-1,-1)表示这个锚点在核的中心。
• 第六个参数，bool类型的normalize，默认值为true，一个标识符，表示内核是否被其区域归一化（normalized）了。
• 第七个参数，int类型的borderType，用于推断图像外部像素的某种边界模式。有默认值BORDER_DEFAULT，我们一般不去管它。

该函数平滑图像所使用的内核：

【2】均值滤波

均值滤波是方框滤波归一化（normalized）后的特殊情况。

函数原型：

C++: void blur(InputArray src, OutputArray dst, Size ksize, 
               Point anchor=Point(-1,-1), int borderType=BORDER_DEFAULT )

参数详解：

• 第二个参数，OutputArray类型的dst，即目标图像，需要和源图片有一样的尺寸和类型。
• 第三个参数，int类型的ddepth，输出图像的深度，-1代表使用原图深度，即src.depth()。
• 第四个参数，Size类型（对Size类型稍后有讲解）的ksize，内核的大小。一般这样写Size( w,h )来表示内核的大小( 其中，w 为像素宽度， h为像素高度)。Size（3,3）就表示3x3的核大小，Size（5,5）就表示5x5的核大小
• 第五个参数，Point类型的anchor，表示锚点（即被平滑的那个点），注意他有默认值Point(-1,-1)。如果这个点坐标是负值的话，就表示取核的中心为锚点，所以默认值Point(-1,-1)表示这个锚点在核的中心。
• 第六个参数，bool类型的normalize，默认值为true，一个标识符，表示内核是否被其区域归一化（normalized）了。
• 第七个参数，int类型的borderType，用于推断图像外部像素的某种边界模式。有默认值BORDER_DEFAULT，我们一般不去管它。

该函数平滑图像所使用的内核：

【3】高斯滤波

gaussianBlur函数的作用是用高斯滤波器来模糊一张图片。

函数原型：

C++: void GaussianBlur(InputArray src, OutputArray dst, Size ksize,
                       double sigmaX, double sigmaY=0, int borderType=BORDER_DEFAULT )

参数详解：

• 第一个参数，InputArray类型的src，输入图像，即源图像，填Mat类的对象即可。它可以是单独的任意通道数的图片，但需要注意，图片深度应该为CV_8U,CV_16U, CV_16S, CV_32F 以及 CV_64F之一。
• 第二个参数，OutputArray类型的dst，即目标图像，需要和源图片有一样的尺寸和类型。比如可以用Mat::Clone，以源图片为模板，来初始化得到如假包换的目标图。
• 第三个参数，Size类型的ksize高斯内核的大小。其中ksize.width和ksize.height可以不同，但他们都必须为正数和奇数。或者，它们可以是零的，它们都是由sigma计算而来。
• 第四个参数，double类型的sigmaX，表示高斯核函数在X方向的的标准偏差。
• 第五个参数，double类型的sigmaY，表示高斯核函数在Y方向的的标准偏差。若sigmaY为零，就将它设为sigmaX，如果sigmaX和sigmaY都是0，那么就由ksize.width和ksize.height计算出来。
• 为了结果的正确性着想，最好是把第三个参数Size，第四个参数sigmaX和第五个参数sigmaY全部指定到。
• 第六个参数，int类型的borderType，用于推断图像外部像素的某种边界模式。有默认值BORDER_DEFAULT，我们一般不去管它。

代码实现

<1>方框滤波

#include<opencv2/highgui.hpp>
#include<opencv2/imgproc.hpp>
#include<iostream>

using namespace std;
using namespace cv;

//主函数
int main ()
{
Mat lenna1=imread("lenna.jpg");

Mat Img_out;

//方框滤波
boxFilter(lenna1,Img_out,-1,Size(9 , 9));
	
imshow("【原图】方框滤波",lenna1);

imshow("【效果图】方框滤波",Img_out);

waitKey(0);

return 0;
}

效果：

<2>均值滤波

//添加头文件
#include<opencv2/core/core.hpp>
#include<opencv2/highgui.hpp>
#include<opencv2/imgproc.hpp>
#include<iostream>

using namespace std;
using namespace cv;

//主函数
int main ()
{
Mat lenna1=imread("lenna.jpg");

Mat Img_out;

//均值滤波
blur(lenna1,Img_out,Size(7 , 7));
	
imshow("【原图】均值滤波",lenna1);

imshow("【效果图】均值滤波",Img_out);

waitKey(0);

return 0;
}

效果：

<3>高斯滤波

//添加头文件
#include<opencv2/core/core.hpp>
#include<opencv2/highgui.hpp>
#include<opencv2/imgproc.hpp>
#include<iostream>

using namespace std;
using namespace cv;

//主函数
int main ()
{
Mat lenna1=imread("lenna.jpg");

Mat Img_out;

//高斯滤波
GaussianBlur(lenna1,Img_out,Size(9 , 9),0,0);
	
imshow("【原图】高斯滤波",lenna1);

imshow("【效果图】高斯滤波",Img_out);

waitKey(0);

return 0;
}

效果：

综合：

//添加头文件
#include<opencv2/core/core.hpp>
#include<opencv2/highgui.hpp>
#include<opencv2/imgproc.hpp>
#include<iostream>

using namespace std;
using namespace cv;

int kernel_box=3;
int kernel_mean=3;
int kernel_gaussian=3;

Mat Img_in,Img_out1, Img_out2,Img_out3;

void callback_box(int ,void*);
void callback_mean(int ,void*);
void callback_gaussian(int ,void*);

//主函数
int main ()
{
	 Img_in=imread("lenna.jpg");
	/* Img_out1=Img_in.clone();
	 Img_out2=Img_in.clone();
	 Img_out3=Img_in.clone();
	*/ 
	 imshow("【原图】",Img_in);

	 //加跟踪条
	 namedWindow("【方框滤波】");
	 createTrackbar("内核大小","【方框滤波】",&kernel_box,25,callback_box);
	 callback_box(kernel_box,0);

	  namedWindow("【均值滤波】");
	 createTrackbar("内核大小","【均值滤波】",&kernel_mean,25,callback_mean);
	 callback_mean(kernel_mean,0);

	 	  namedWindow("【高斯滤波】");
	 createTrackbar("内核大小","【高斯滤波】",&kernel_gaussian,25,callback_gaussian);
	 callback_gaussian(kernel_gaussian,0);

	 waitKey(0);
	 return 0;

}

//回调函数
void callback_box(int ,void*)
{
	if (kernel_box%2 ==0)
		kernel_box=kernel_box+1;
boxFilter(Img_in,Img_out1,-1,Size(kernel_box,kernel_box));
   imshow("【方框滤波】",Img_out1);
}

void callback_mean(int ,void*)
{
	if (kernel_mean%2 ==0)
		kernel_mean=kernel_mean+1;
  blur(Img_in,Img_out2,Size(kernel_mean,kernel_mean));
   imshow("【均值滤波】", Img_out2);
}

void callback_gaussian(int ,void*)
{
	if (kernel_gaussian%2 ==0)
		kernel_gaussian=kernel_gaussian+1;
GaussianBlur(Img_in,Img_out3,Size(kernel_gaussian*2+1 , kernel_gaussian*2+1),0,0);
   imshow("【高斯滤波】",Img_out3);
}