Opencv C++ 图像模糊（均值模糊、中值模糊、高斯模糊、双边模糊）

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

均值卷积核

归一化常数的作用:

1. 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。

2. 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（K=1，σ=1）

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。