简介
图像模糊(图像平滑)可以降低图像的噪声,在图像重取样之前平滑图像以减少混淆,平滑用于减少图像的无关细节(其中“无关”是指小于滤波器核的像素区域),还可以用于因灰度数量级不足导致的伪轮廓。
其原理为图像f和滤波器核w之间执行乘积之和运算(图像与滤波器核进行卷积)。
大小mxn的核对大小为MxN的图像可表示为:
均值模糊blur(src.dst,ksize,anchor,borderType)
//src:输入的图像
//dst:输出的图像
//ksize:均值核的大小
//anchor:锚点,将均值赋予卷积核的中心位置;默认值为Point(-1,-1)
//borderType:边界样式,决定用什么方式处理边界。
BORDER_DEFAULT-用最近的像素进行映射
BORDER_CONSTANT – 填充边缘用指定像素值
BORDER_REPLICATE – 填充边缘像素用已知的边缘像素值。
BORDER_WRAP – 用另外一边的像素来补偿填充
归一化常数的作用:
一个恒定灰度区域的灰度平均值将等于模糊后的图像中的灰度值,事实上也应该如此。
采用这种方式对核归一化时,可以防止在模糊过程引入偏差;也就是说,在原图像和模糊后的图像中,像素之和是相同的。
均值核的局限性:
均值核的方向性往往会沿着垂直方向模糊图像。在涉及精细细节或具有强几何分量的图像的应用中,均值模糊的方向性会产生我们不希望的结果。
高斯模糊GaussianBlur(src,dst,ksize,sigmaX,sigmaY,borderType)
//src:输入的图像
//dst:输出的图像
//ksize:高斯核的大小
//sigmaX:卷积核在X轴方向上的标准差
//sigmaY:卷积核在Y轴方向上的标准差
//borderType:边界样式,决定用什么方式处理边界。
优势:
高斯滤波对处理高斯噪声(红绿色噪声,呈点状)的效果很好。
高斯核通常是圆对称的(各向同性,意味着它们响应与方向无关)并且高斯核是唯一可分离的圆对称核。
一维高斯函数:
其中:μ · · · · · · · · · · x的均值
σ · · · · · · · · · · x的标准差
高斯核在图像模糊期间表示越接近像素点,对该像素点的影响越大。
中值模糊medianBlur(src,dst,ksize)
//src:输入的图像
//dst:输出的图像
//ksize:中值核的大小
优势:中值模糊对去除椒盐噪声(黑白噪声,呈粒状)的效果很好。
双边模糊bilateralFilter(src,dst,d,sigmaColor,sigmaSpace,borderType)
//src:输入的图像
//dst:输出的图像
//d:模糊期间使用的各像素领域的直径
//sigmaColor:色彩空间参数
//sigmaSpace:坐标空间参数
//borderType:边界样式,表示如何确定图像范围外的像素取值。
优势:与高斯模糊相比,双边模糊还考虑了图像像素分布对图像卷积输出的影响,因此双边模糊对像素空间分布差异较大的进行保留,因此可以保留图像的边缘信息。