【OpenCV】图像滤波 Image Filtering

译自《The OpenCV Reference Manual Release 2.3》

CHAPTER THREE: IMGPROC. IMAGE PROCESSING  3.1 Image Filtering

转载请注明出处:http://blog.csdn.net/xiaowei_cqu/article/details/7718831

本节描述对2D图像执行的各种线性和非线性的滤波操作。即用图像中每个像素点(x,y)临近的点进行运算。如果是线性滤波器,结果是每个像素值的加权和;如果是形态操作,结果是最小或最大值之类的。对每个坐标的像素操作的输出结果也在同一个坐标(x,y)处,这就意味着输出图像和输入图像有相同的大小。通常情况下,这些函数支持多通道图像,即对每个通道单独进行操作。因此,输出图像也与输入图像有相同的通道数。

本节描述的函数与类的另一个共同的特点是,不同于简单的算术运算,他们需要对一些不存在的像素值进行推测。例如,你想使用 3*3的高斯滤波器,处理图像每行最左侧的像素时还需要其左侧的像素,也就是图像外的像素。你可以让这些像素等于源图像最左侧的像素(“复制边(replicated border)”外推法),或者假设所有不存在的像素值为零(“恒量边(constant border)”外推法),等等。OpenCV允许你指定外推方法。详情请参阅 borderInterpolate()函数的功能及其参数描述。

BaseColumnFilter

单列核的基础滤波器。
class BaseColumnFilter
{
	public:
	virtual ~BaseColumnFilter();
	// 用以被用户重写
	//
	// 对列的集合进行滤波操作
	// 输入"dstcount + ksize - 1" 行,输出"dstcount" 行,
	// 输入和输出的每行含有"width"个元素,
	// 滤波之后的行写入缓存"dst"中.
	virtual void operator()(const uchar** src, uchar* dst, int dststep,
	int dstcount, int width) = 0;
	// 重置滤波器的状态(IIR滤波器中可能用到)
	virtual void reset();
	int ksize; // 核的孔径
	int anchor; // 定位点坐标
	// 处理过程中一般不使用
};
BaseColumnFilter是使用单列核对数据滤波的基础类。滤波不一定是线性滤波,表示如下:

其中 F 是滤波函数,但是用类来表示,因为类可以有其他的,如储存之前处理的数据之类的附加功能。这个类只是定义一个接口并不直接使用。作为替代,OpenCV中有一些函数(你可以添加更多)实现了特定的滤波功能并返回指向派生类的指针。这些指针通过 FilterEngine构造函数。 虽然滤波操作接口使用uchar 类型,具体实施时并限于8位数据。

BaseFilter

对2D图像滤波的基础类。
class BaseFilter
{
	public:
	virtual ~BaseFilter();
	// 用以被用户重写
	//
	// 对列的集合进行滤波操作
	// 输入"dstcount + ksize.height - 1" 行,输出"dstcount" 行,
	// 输入的每行含有"(width + ksize.width-1)*cn"个元素
	// 输出的每行含有"width*cn"个元素,
	// 滤波之后的行写入缓存"dst"中.
	virtual void operator()(const uchar** src, uchar* dst, int dststep,
	int dstcount, int width, int cn) = 0;
	// 重置滤波器的状态(IIR滤波器中可能用到)
	virtual void reset();
	Size ksize;
	Point anchor;
};
BaseFilter 是使用2D核对数据滤波的基础类。滤波不一定是线性的,可以表示如下:


BaseRowFilter

单列核滤波器的基础类。
class BaseRowFilter
{
	public:
	virtual ~BaseRowFilter();
	// 用以被用户重写
	//
	// 对输入的单列进行滤波操作
	// 输入列有 "width"个元素, 每个元素有 "cn" 个通道.
	// 滤波之后的行写入缓存"dst"中.
	virtual void operator()(const uchar* src, uchar* dst,
	int width, int cn) = 0;
	int ksize, anchor;
};
BaseRowFilter 是使用单列核对数据滤波的基础类。滤波不一定是线性的,可以表示如下:

其中 F 是滤波函数。此类只是定义了一个接口并不直接使用。这个类只是定义一个接口并不直接使用。作为替代,OpenCV中有一些函数(你可以添加更多)实现了特定的滤波功能并返回指向派生类的指针。这些指针通过 FilterEngine 构造函数。 虽然滤波操作接口使用uchar类型,具体实施时并限于8位数据。

FilterEngine

通用图像滤波类。
class FilterEngine
{
public:
	// 空的构造函数
	FilterEngine();
	// 构造2D的不可分的滤波器(!_filter2D.empty())或者
	// 可分的滤波器 (!_rowFilter.empty() && !_columnFilter.empty())
	// 输入数据类型为 "srcType", 输出类型为"dstType",
	// 中间的数据类型为 "bufType".
	// _rowBorderType 何 _columnBorderType 决定图像边界如何被外推扩充
	// 只有 _rowBorderType and/or _columnBorderType
	// == BORDER_CONSTANT 时 _borderValue 才会被用到
	FilterEngine(const Ptr<BaseFilter>& _filter2D,
	const Ptr<BaseRowFilter>& _rowFilter,
	const Ptr<BaseColumnFilter>& _columnFilter,
	int srcType, int dstType, int bufType,
	int _rowBorderType=BORDER_REPLICATE,
	int _columnBorderType=-1, // 默认使用 _rowBorderType
	const Scalar& _borderValue=Scalar());
	virtual ~FilterEngine();
	// 初始引擎的分割函数
	void init(const Ptr<BaseFilter>& _filter2D,
	const Ptr<BaseRowFilter>& _rowFilter,
	const Ptr<BaseColumnFilter>& _columnFilter,
	int srcType, int dstType, int bufType,
	int _rowBorderType=BORDER_REPLICATE, int _columnBorderType=-1,
	const Scalar& _borderValue=Scalar());
	// 定义图像尺寸"wholeSize"为ROI开始滤波.
	// 返回图像开始的y-position坐标.
	virtual int start(Size wholeSize, Rect roi, int maxBufRows=-1);
	// 另一种需要图像的开始
	virtual int start(const Mat& src, const Rect& srcRoi=Rect(0,0,-1,-1),
	bool isolated=false, int maxBufRows=-1);
	// 处理源图像的另一部分
	// 从"src"到"dst"处理"srcCount" 行
	// 返回处理的行数
	virtual int proceed(const uchar* src, int srcStep, int srcCount,
	uchar* dst, int dstStep);
	// 处理整个ROI的高层调用
	virtual void apply( const Mat& src, Mat& dst,
	const Rect& srcRoi=Rect(0,0,-1,-1),
	Point dstOfs=Point(0,0),
	bool isolated=false);
	bool isSeparable() const { return filter2D.empty(); }
	// 输入图中未被处理的行数
	int remainingInputRows() const;
	// 输入中未被处理的行数
	int remainingOutputRows() const;
	// 源图的开始和结束行
	int startY, endY;
	// 指向滤波器的指针
	Ptr<BaseFilter> filter2D;
	Ptr<BaseRowFilter> rowFilter;
	Ptr<BaseColumnFilter> columnFilter;
};
FilterEngine 可以被用于对任何一个图像进行滤波。它包含了所有必要的缓冲区,计算需要的图像外的“虚”像素推算值等等。通过各种创建 *Filter 的函数(见下文)可以返回指向初始化的 FilterEngine 的实例,之后可以使用这些实例中的高层接口如 filter2D() erode()dilate() 等。因此,此类在OpenCV的很多滤波函数中起着关键的作用。 
这个类使得滤波和其他函数结合更容易,如色彩空间转换,阈值,算术运算,等操作。将几个操作相结合在一起你可以得到更好的性能,因为数据都留在缓存中。例如以下是对浮点图像执行 Laplace 算子处理的简单例子,Laplacian() 函数可以简化为:
void laplace_f(const Mat& src, Mat& dst)
{
	CV_Assert( src.type() == CV_32F );
	dst.create(src.size(), src.type());
	// get the derivative and smooth kernels for d2I/dx2.
	// for d2I/dy2 consider using the same kernels, just swapped
	Mat kd, ks;
	getSobelKernels( kd, ks, 2, 0, ksize, false, ktype );
	// process 10 source rows at once
	int DELTA = std::min(10, src.rows);
	Ptr<FilterEngine> Fxx = createSeparableLinearFilter(src.type(),
	dst.type(), kd, ks, Point(-1,-1), 0, borderType, borderType, Scalar() );
	Ptr<FilterEngine> Fyy = createSeparableLinearFilter(src.type(),
	dst.type(), ks, kd, Point(-1,-1), 0, borderType, borderType, Scalar() );
	int y = Fxx->start(src), dsty = 0, dy = 0;
	Fyy->start(src);
	const uchar* sptr = src.data + y*src.step;
	// allocate the buffers for the spatial image derivatives;
	// the buffers need to have more than DELTA rows, because at the
	// last iteration the output may take max(kd.rows-1,ks.rows-1)
	// rows more than the input.
	Mat Ixx( DELTA + kd.rows - 1, src.cols, dst.type() );
	Mat Iyy( DELTA + kd.rows - 1, src.cols, dst.type() );
	// inside the loop always pass DELTA rows to the filter
	// (note that the "proceed" method takes care of possibe overflow, since
	// it was given the actual image height in the "start" method)
	// on output you can get:
	// * < DELTA rows (initial buffer accumulation stage)
	// * = DELTA rows (settled state in the middle)
	// * > DELTA rows (when the input image is over, generate
	// "virtual" rows using the border mode and filter them)
	// this variable number of output rows is dy.
	// dsty is the current output row.
	// sptr is the pointer to the first input row in the portion to process
	for( ; dsty < dst.rows; sptr += DELTA*src.step, dsty += dy )
	{
		Fxx->proceed( sptr, (int)src.step, DELTA, Ixx.data, (int)Ixx.step );
		dy = Fyy->proceed( sptr, (int)src.step, DELTA, d2y.data, (int)Iyy.step );
		if( dy > 0 )
		{
			Mat dstripe = dst.rowRange(dsty, dsty + dy);
			add(Ixx.rowRange(0, dy), Iyy.rowRange(0, dy), dstripe);
		}
	}
}
如果你不需要对滤波过程的控制,你可以简单地使用 FilterEngine:: apply方法。
void FilterEngine::apply(const Mat& src, Mat& dst,
		const Rect& srcRoi, Point dstOfs, bool isolated)
{
	// check matrix types
	CV_Assert( src.type() == srcType && dst.type() == dstType );
	// handle the "whole image" case
	Rect _srcRoi = srcRoi;
	if( _srcRoi == Rect(0,0,-1,-1) )
	_srcRoi = Rect(0,0,src.cols,src.rows);
	// check if the destination ROI is inside dst.
	// and FilterEngine::start will check if the source ROI is inside src.
	CV_Assert( dstOfs.x >= 0 && dstOfs.y >= 0 &&
	dstOfs.x + _srcRoi.width <= dst.cols &&
	dstOfs.y + _srcRoi.height <= dst.rows );
	// start filtering
	int y = start(src, _srcRoi, isolated);
	// process the whole ROI. Note that "endY - startY" is the total number
	// of the source rows to process
	// (including the possible rows outside of srcRoi but inside the source image)
	proceed( src.data + y*src.step,
		(int)src.step, endY - startY,
		dst.data + dstOfs.y*dst.step +
		dstOfs.x*dst.elemSize(), (int)dst.step );
}
不同于OpenCV的早期版本,现在的滤波操作支持图像ROI概念,也就是说,在ROI图像之外但在图像之内的像素点可以用于滤波操作。例如,你可以取单个像素作为ROI滤波。通过滤波器之后将范围特定的像素。然而,通过传递FilterEngine::startFilterEngine::apply 参数 isolated=false 它有可能仍是旧的图像。你可以明确指定传递ROI给 FilterEngine::apply 函数或者构造新的矩阵头:
// compute dI/dx derivative at src(x,y)
// method 1:
// form a matrix header for a single value
float val1 = 0;
Mat dst1(1,1,CV_32F,&val1);
Ptr<FilterEngine> Fx = createDerivFilter(CV_32F, CV_32F,
1, 0, 3, BORDER_REFLECT_101);
Fx->apply(src, Rect(x,y,1,1), Point(), dst1);
// method 2:
// form a matrix header for a single value
float val2 = 0;
Mat dst2(1,1,CV_32F,&val2);
Mat pix_roi(src, Rect(x,y,1,1));
Sobel(pix_roi, dst2, dst2.type(), 1, 0, 3, 1, 0, BORDER_REFLECT_101);
探索中的数据类型。由于它是在 BaseFilter 描述中提到的具体的滤波器,虽然  Base*Filter::operator()  除了UCHAR的指针并其他类型的信息, 但实际它可以处理任何类型的数据。为了保证所有的函数可以运行,使用以下规则:
  • 在分离滤波的情况下,首先应用 FilterEngine::rowFilter 。它把输入图像数据(srcType类型)的中间结果存储在内部缓冲区(bufType类型)。然后,这些中间结果作为单通道数据由 FilterEngine:: columnFilter处理,结果存储在输出图像(dstType类型)中。因此,输入 RowFilter 类型是srcType 而输出类型是 bufType。输入 columnFilter 的类型是CV_MAT_DEPTH(bufType)而输出的类型为CV_MAT_DEPTH(dstType)。
  • 在非分离滤波的情况下,bufType 必须与 srcType 类型相同。如果需要,源数据会被复制到临时缓冲区之后传递给 FilterEngine:: filter2D 。也就是说,输入filter2D 类型为 scrType(= bufType),输出类型是dstType。

没有更多推荐了,返回首页