opencv&C++: 均值滤波、中值滤波、高斯滤波、双边滤波、频域低通滤波、频域高通滤波、频域带通滤波、频率带阻滤波代码

最新推荐文章于 2024-05-21 19:09:04 发布
最新推荐文章于 2024-05-21 19:09:04 发布
阅读量409 收藏 10
点赞数 8
文章标签： opencv 开发语言 c++ 傅立叶分析
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44711947/article/details/134818376
版权 
Mat CVImageHelper::MeanFiltering(Mat dst)
{
    Mat src;
    blur(dst,src,cv::Size(10,10));
    return src;
}
Mat CVImageHelper::GaussianFiltering(Mat dst)
{
    Mat src;
    GaussianBlur(dst,src,cv::Size(5,5),0);
    return src;
}
Mat CVImageHelper::MedianFiltering(Mat dst)
{
    Mat src;
    medianBlur(dst, src, 5);
    return src;
}
Mat CVImageHelper::BilateralFiltering(Mat dst)
{
    Mat src;
    bilateralFilter(dst, src, 5, 75, 75);
    return src;
}
Mat CVImageHelper::LowpassFiltering(Mat dst)
{
    Mat imgIn=dst.clone();
    imgIn.convertTo(imgIn,CV_32F);
    //DFT
    Mat planes[]={imgIn,Mat::zeros(imgIn.size(),CV_32F)};
    Mat DFT_image;
    merge(planes,2,DFT_image);
    dft(DFT_image,DFT_image);
    //construct_H
    Mat H(imgIn.size(),CV_32F,Scalar(1));
    double D=0;
    double D0= 0.1 * std::min(imgIn.rows, imgIn.cols);
    for (int u=0;u<H.rows;u++) {
        for (int v=0;v<H.cols;v++) {
            D=sqrt((u-imgIn.rows/2)*(u-imgIn.rows/2)+(v-imgIn.cols/2)*(v-imgIn.cols/2));
            if(D>D0)
            {
                H.at<float>(u,v)=0;
            }}}
    //fftshift
    int cx=H.cols/2;
    int cy=H.rows/2;
    Mat q1(H,Rect(0,0,cx,cy));
    Mat q2(H,Rect(cx,0,cx,cy));
    Mat q3(H,Rect(0,cy,cx,cy));
    Mat q4(H,Rect(cx,cy,cx,cy));
    Mat temp;
    q1.copyTo(temp);
    q4.copyTo(q1);
    temp.copyTo(q4);
    q2.copyTo(temp);
    q3.copyTo(q2);
    temp.copyTo(q3);
    //filtering
    Mat planesH[]={Mat_<float>(H.clone()),Mat_<float>(H.clone())};
    Mat planes_dft[]={DFT_image,Mat::zeros(DFT_image.size(),CV_32F)};
    split(DFT_image,planes_dft);
    Mat planes_out[]={Mat::zeros(DFT_image.size(),CV_32F),Mat::zeros(DFT_image.size(),CV_32F)};
    planes_out[0]=planesH[0].mul(planes_dft[0]);
    planes_out[1]=planesH[1].mul(planes_dft[1]);
    Mat complexIH;
    merge(planes_out,2,complexIH);
    //IDFT
    Mat imgOut;
    dft(complexIH,imgOut,DFT_INVERSE|DFT_REAL_OUTPUT);
    normalize(imgOut,imgOut,0,1,NORM_MINMAX);
    imgOut.convertTo(imgOut, CV_8U, 255, 0); // 将planesH[0]的值扩大255倍，并转换为8位无符号整型
    return imgOut;

}
Mat CVImageHelper::HighpassFiltering(Mat dst)
{
    Mat imgIn=dst.clone();
    imgIn.convertTo(imgIn,CV_32F);
    //DFT
    Mat planes[]={imgIn,Mat::zeros(imgIn.size(),CV_32F)};
    Mat DFT_image;
    merge(planes,2,DFT_image);
    dft(DFT_image,DFT_image);
    //construct_H
    Mat H(imgIn.size(),CV_32F,Scalar(1));
    double D=0;
    double D0= 0.05 * std::min(imgIn.rows, imgIn.cols);
    for (int u=0;u<H.rows;u++) {
        for (int v=0;v<H.cols;v++) {
            D=sqrt((u-imgIn.rows/2)*(u-imgIn.rows/2)+(v-imgIn.cols/2)*(v-imgIn.cols/2));
            if(D<D0)
            {
                H.at<float>(u,v)=0;
            }}}
    //fftshift
    int cx=H.cols/2;
    int cy=H.rows/2;
    Mat q1(H,Rect(0,0,cx,cy));
    Mat q2(H,Rect(cx,0,cx,cy));
    Mat q3(H,Rect(0,cy,cx,cy));
    Mat q4(H,Rect(cx,cy,cx,cy));
    Mat temp;
    q1.copyTo(temp);
    q4.copyTo(q1);
    temp.copyTo(q4);
    q2.copyTo(temp);
    q3.copyTo(q2);
    temp.copyTo(q3);
    //filtering
    Mat planesH[]={Mat_<float>(H.clone()),Mat_<float>(H.clone())};
    Mat planes_dft[]={DFT_image,Mat::zeros(DFT_image.size(),CV_32F)};
    split(DFT_image,planes_dft);
    Mat planes_out[]={Mat::zeros(DFT_image.size(),CV_32F),Mat::zeros(DFT_image.size(),CV_32F)};
    planes_out[0]=planesH[0].mul(planes_dft[0]);
    planes_out[1]=planesH[1].mul(planes_dft[1]);
    Mat complexIH;
    merge(planes_out,2,complexIH);
    //IDFT
    Mat imgOut;
    dft(complexIH,imgOut,DFT_INVERSE|DFT_REAL_OUTPUT);
    normalize(imgOut,imgOut,0,1,NORM_MINMAX);
    imgOut.convertTo(imgOut, CV_8U, 255, 0); // 将planesH[0]的值扩大255倍，并转换为8位无符号整型
    return imgOut;
}
Mat CVImageHelper::BandpassFiltering(Mat dst)
{
    Mat imgIn=dst.clone();
    imgIn.convertTo(imgIn,CV_32F);
    //DFT
    Mat planes[]={imgIn,Mat::zeros(imgIn.size(),CV_32F)};
    Mat DFT_image;
    merge(planes,2,DFT_image);
    dft(DFT_image,DFT_image);
    //construct_H
    Mat H(imgIn.size(),CV_32F,Scalar(1));
    double D=0;
    double D0= 0.1 * std::min(imgIn.rows, imgIn.cols);
    double D1= 0.2 * std::min(imgIn.rows, imgIn.cols);
    for (int u=0;u<H.rows;u++) {
        for (int v=0;v<H.cols;v++) {
            D=sqrt((u-imgIn.rows/2)*(u-imgIn.rows/2)+(v-imgIn.cols/2)*(v-imgIn.cols/2));
            if(D<=D0 || D>=D1)
            {
                H.at<float>(u,v)=0;
            }}}
    //fftshift
    int cx=H.cols/2;
    int cy=H.rows/2;
    Mat q1(H,Rect(0,0,cx,cy));
    Mat q2(H,Rect(cx,0,cx,cy));
    Mat q3(H,Rect(0,cy,cx,cy));
    Mat q4(H,Rect(cx,cy,cx,cy));
    Mat temp;
    q1.copyTo(temp);
    q4.copyTo(q1);
    temp.copyTo(q4);
    q2.copyTo(temp);
    q3.copyTo(q2);
    temp.copyTo(q3);
    //filtering
    Mat planesH[]={Mat_<float>(H.clone()),Mat_<float>(H.clone())};
    Mat planes_dft[]={DFT_image,Mat::zeros(DFT_image.size(),CV_32F)};
    split(DFT_image,planes_dft);
    Mat planes_out[]={Mat::zeros(DFT_image.size(),CV_32F),Mat::zeros(DFT_image.size(),CV_32F)};
    planes_out[0]=planesH[0].mul(planes_dft[0]);
    planes_out[1]=planesH[1].mul(planes_dft[1]);
    Mat complexIH;
    merge(planes_out,2,complexIH);
    //IDFT
    Mat imgOut;
    dft(complexIH,imgOut,DFT_INVERSE|DFT_REAL_OUTPUT);
    normalize(imgOut,imgOut,0,1,NORM_MINMAX);
    imgOut.convertTo(imgOut, CV_8U, 255, 0); // 将planesH[0]的值扩大255倍，并转换为8位无符号整型
    return imgOut;
}
Mat CVImageHelper::BandstopFiltering(Mat dst)
{
    Mat imgIn=dst.clone();
    imgIn.convertTo(imgIn,CV_32F);
    //DFT
    Mat planes[]={imgIn,Mat::zeros(imgIn.size(),CV_32F)};
    Mat DFT_image;
    merge(planes,2,DFT_image);
    dft(DFT_image,DFT_image);
    //construct_H
    Mat H(imgIn.size(),CV_32F,Scalar(1));
    double D=0;
    double D0= 0.1 * std::min(imgIn.rows, imgIn.cols);
    double D1= 0.2 * std::min(imgIn.rows, imgIn.cols);
    for (int u=0;u<H.rows;u++) {
        for (int v=0;v<H.cols;v++) {
            D=sqrt((u-imgIn.rows/2)*(u-imgIn.rows/2)+(v-imgIn.cols/2)*(v-imgIn.cols/2));
            if(D>D0 && D<D1)
            {
                H.at<float>(u,v)=0;
            }}}
    //fftshift
    int cx=H.cols/2;
    int cy=H.rows/2;
    Mat q1(H,Rect(0,0,cx,cy));
    Mat q2(H,Rect(cx,0,cx,cy));
    Mat q3(H,Rect(0,cy,cx,cy));
    Mat q4(H,Rect(cx,cy,cx,cy));
    Mat temp;
    q1.copyTo(temp);
    q4.copyTo(q1);
    temp.copyTo(q4);
    q2.copyTo(temp);
    q3.copyTo(q2);
    temp.copyTo(q3);
    //filtering
    Mat planesH[]={Mat_<float>(H.clone()),Mat_<float>(H.clone())};
    Mat planes_dft[]={DFT_image,Mat::zeros(DFT_image.size(),CV_32F)};
    split(DFT_image,planes_dft);
    Mat planes_out[]={Mat::zeros(DFT_image.size(),CV_32F),Mat::zeros(DFT_image.size(),CV_32F)};
    planes_out[0]=planesH[0].mul(planes_dft[0]);
    planes_out[1]=planesH[1].mul(planes_dft[1]);
    Mat complexIH;
    merge(planes_out,2,complexIH);
    //IDFT
    Mat imgOut;
    dft(complexIH,imgOut,DFT_INVERSE|DFT_REAL_OUTPUT);
    normalize(imgOut,imgOut,0,1,NORM_MINMAX);
    imgOut.convertTo(imgOut, CV_8U, 255, 0); // 将planesH[0]的值扩大255倍，并转换为8位无符号整型
    return imgOut;
}

吐真言
关注
  • 8
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
数字图像处理集成器GUI可视化界面（灰度值HSV,RGB，高斯低通高通，低通滤波频域空间域一二阶算子综合）
01-08
数字图像处理集成器GUI可视化界面（灰度值HSV,RGB，高斯低通高通，低通滤波频域空间域一二阶算子综合） 文件中包含两种代码，第一种是可视化界面的直接实现与代码综合，另一个单纯的算法函数实现。 灰度值转化，HSV...
C++ 带通滤波
Stay fool & simple
10-20 4372
Butterworth Filter Coefficients The following files are for a library of functions to calculate Butterworth filter coefficients. There are functions for lowpass, bandpass, highpass, and bandstop filters. If you just want an efficient implementation of thes
图像Roberts滤波 opencv+C++实现
JannyYang的博客
08-31 817
原理：卷积核为 代码： #include <opencv2/opencv.hpp> using namespace cv; int main() { Mat img = imread("C:\\Users\\Yang\\Desktop\\1.bmp", 0); imshow("原图", img); int rows = img.rows; int cols = i...
C/C++ OpenCV五种滤波器综合示例
IT1995的博客
01-09 8482
C/C++ OpenCV五种滤波器综合示例
Opencv-图像噪声（均值滤波、高斯滤波、中值滤波）
qq_53545309的博客
09-22 4635
Opencv-图像噪声（均值滤波、高斯滤波、中值滤波）
OpenCV—Python 图像滤波（均值、中值、高斯、高斯双边、高通等滤波）
热门推荐
红叶谷 wsp_1138886114的博客
09-27 3万+
一、图像处理——滤波 过滤 ：是信号和图像处理中基本的任务。其目的是根据应用环境的不同，选择性的提取图像中某些认为是重要的信息。过滤可以移除图像中的噪音、提取感兴趣的可视特征、允许图像重采样等等。 频域分析 ：将图像分成从低频到高频的不同部分。低频对应图像强度变化小的区域，而高频是图像强度变化非常大的区域。 在频率分析领域的框架中，滤波器是一个用来增强图像中某个波段或频率并阻塞（或降低）其他频率波...
Opencv学习笔记 各向异性滤波/均值滤波/高斯滤波/中值滤波/加权中值滤波/高斯低通滤波
学以致用 知行合一
09-22 1270
各向异性滤波：各向异性扩散滤波主要是用来平滑图像的，克服了高斯模糊的缺陷，各向异性扩散在平滑图像时是保留图像边缘的，和双边滤波很像。 双边滤波：双边滤波是一种非线性滤波器，它可以达到保持边缘、降噪平滑的效果。和其他滤波原理一样，双边滤波也是采用加权平均的方法，用周边像素亮度值的加权平均代表某个像素的强度，所用的加权平均基于高斯分布。
OpenCV（十一）图像滤波(平滑处理)（平均、中值、高斯、双边滤波）
great_yzl的博客
08-12 3万+
目录 一、概念 二、线性滤波 1、概述 2、线性滤波原理： 三、滤波实例 1、均值滤波（cv::blur()）（简单滤波） 2、中值滤波（cv::medianBlur()） 3、高斯滤波（cv::GaussianBlur()） 4、双边滤波（cv::bilateralFilter()） 参考资料 一、概念 “平滑”通常又称“模糊”，是一种简单常用的图像处理操作。进行平滑处理的原因有很多，但通常是用来去除噪声和相机失真，平滑在按照一定的原理来降低图像分辨率中也有重要应用。
《OpenCv视觉之眼》Python图像处理七 :Opencv图像处理之高通滤波和低通滤波原理及构造
qq_42451251的博客
08-07 6452
本专栏主要介绍如果通过OpenCv-Python进行图像处理，通过原理理解OpenCv-Python的函数处理原型，在具体情况中，针对不同的图像进行不同等级的、不同方法的处理，以达到对图像进行去噪、锐化等一系列的操作。同时，希望观看本专栏的小伙伴可以理解到OpenCv进行图像处理的强大哦，如有转载，请注明出处(原文链接和作者署名)，感谢各位小伙伴啦！ 前文参考： 《OpenCv视觉之眼》Python图像处理一 :Opencv-python的简介及Python环境搭建 《OpenCv视觉之眼》Python图像
opencv笔记—均值滤波，高斯滤波，中值滤波简单理解及应用
weixin_45666249的博客
03-21 480
图像噪声： 椒盐噪声（脉冲噪声）：随机出现的噪声，成因可能是有影像信号受到突如其来的强烈干扰而产生，类比数位转换器或位元传输错误等。例如失效的感应器导致像素值为最小值，饱和的感应器导致像素值为最大值。 高斯噪声：噪声密度函数服从高斯分布的一类噪声。由于高斯噪声在空间和频域中数学上的易处理性，这种噪声(也称为正态噪声)模型经常被用于实践中。高斯随机变量z的概率密度函数由下式给出： 均值滤波： 采用均值滤波模板对图像噪声进行滤除。令Sxy 表示中心在(x, y)点，尺寸为m×n 的矩形子图像窗口的坐标组。由
中值滤波代码matlab-Java_PDI_Tools:用Java编码的数字图像处理工具箱
05-27
中值过滤代码matlab 数字图像处理工具 这是在JAVA中实现的传统数字图像处理算法的集合，例如图像过滤，恢复和形态运算。 这不是优化的代码，因为这是拉斐尔·冈萨雷斯（Rafael C. Gonzalez）和理查兹（Richards E. ...
ustc软院图像实验.zip
07-15
1、掌握算术均值滤波器、几何均值滤波器、谐波和逆谐波均值滤波器进行 图像去噪的算法 2、掌握利用中值滤波器进行图像去噪的算法 3、掌握自适应中值滤波算法 4、掌握自适应局部降低噪声滤波器去噪算法 5、掌握彩色...
C#实现各种图像模糊、锐化、色彩增强
03-26
自己写的C#小程序实现图像模糊处理：1、高斯滤波；2、频域低通滤波法；3、中值滤波法；4、均值滤波；图像锐化处理：拉普拉斯锐化；图像增强：伪彩色增强
基于OpenCV的图像处理系统python实现源码+UI界面+项目说明文档(课程设计、整合常用图像处理方法和技术).zip
10-17
均值滤波、中值滤波、高斯滤波以及双边滤波 # 锐化处理 选择不同的算子对图像进行锐化，包括 sobel 算子、robert 算子、prewitt 算子、laplacain 算子 # 频域滤波 高通滤波和低通滤波 # 边缘检测 选择 laplacian ...
深度学习之基于Python+OpenCV+dlib甲骨文相似度评估系统
2301_79810943的博客
05-17 948
一、项目背景甲骨文，作为中国古代最早的成熟文字，具有极高的历史、文化和科研价值。然而，由于年代久远、字形复杂多变，甲骨文的辨识和研究工作一直面临着巨大的挑战。传统的甲骨文辨识方法主要依赖于专家学者的经验和知识，耗时耗力且容易出错。近年来，随着计算机视觉和深度学习技术的飞速发展，为甲骨文的自动化辨识和相似度评估提供了新的可能。本项目旨在利用Python编程语言，结合OpenCV和dlib两个强大的计算机视觉库，开发一个基于深度学习的甲骨文相似度评估系统。
【OpenCV】图形绘制与填充
Davidorzs的博客
05-21 93
介绍了绘制、填充图像的API。也介绍了RNG类用来生成随机数。
Python 一个简单的用Canny算法进行边缘检测程序
最新发布
追赶时代的博客
05-21 33
canny opencv-python
【计算机视觉（1）】
江苏学蠡信息科技有限公司是一家国家高新技术企业，与众多高校深入开展产学研合作，有一支以硕博士为主导的研发和服务团队，获得自主知识产权十余项。围绕中国高等教育人工智能及物联网专业发展规划，创新性的推出人工智能类、物联网类、嵌入式类三大学科教学产品与培训服务。
05-21 108
计算机视觉是人工智能 (AI) 的一个领域，是指让计算机和系统能够从图像、视频和其他视觉输入中获取有意义的信息，并根据该信息采取行动或提供建议。如果说人工智能赋予计算机思考的能力，那么计算机视觉就是赋予发现、观察和理解的能力。OpenCV是一个基于BSD许可（开源）发行的跨平台计算机视觉库，可以运行在Linux、Windows、Android和Mac OS操作系统上。
opencv–图像平滑(均值滤波、方框滤波、高斯滤波、中值滤波)
04-30
图像平滑是指对图像中的噪声进行去除或减弱的操作，常用的方法有均值滤波、方框滤波、高斯滤波、中值滤波等。 均值滤波是最简单的一种滤波方式，即用目标像素周围领域中像素的平均值来代替该像素的值，可以有效地减少高斯白噪声的影响。 方框滤波与均值滤波类似，但是所选取的领域是正方形的，其滤波效果会比均值滤波更强。 高斯滤波是基于高斯函数来进行加权平均的一种滤波方式，具有平滑效果明显、边缘保留效果好等特点，但计算量比较大。 中值滤波则是基于图像中邻域像素的中值来修正当前像素的值，常用于减弱椒盐噪声的影响，但会损失一部分图像细节信息。 在实际应用中，需要根据实际情况选择合适的图像平滑方式，以达到最佳处理效果。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值