opencv学习9-13——高斯滤波，中值滤波，均值滤波，motion滤波（运动模糊），Max-Min滤波

最新推荐文章于 2023-05-31 11:08:29 发布
最新推荐文章于 2023-05-31 11:08:29 发布
阅读量1.5k 收藏 9
点赞数 2
分类专栏： opencv100问
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/yuan123890/article/details/107440202
版权

Q9：高斯滤波

高斯滤波器是用于图像平滑处理的一种手段，性质为线性平滑，可对噪声进行过滤，达到降噪的目的。如果有一个像素点的值远高于周围的点则可能是噪声或高频的边缘，高斯滤波对用该点周围多个点与其做加权平均等于用周边的值拉低了这个高值，也就是所谓平滑。高斯滤波在数学上的体现就是对整个图像像素值通过加权平均重赋值的操作。

加权平均可以理解为不同部分按照不同的阈值进行计算再相加的结果。

例：期末考试的成绩

科一：80分，10%

科二：90分，40%

科三：70分，50%

加权平均=80*10%+90*40%+70*50%。10%，40%，50%代表阈值。当所有阈值相等时就变成了算术平均，因此算术平均看作是加权平均的一种情况。

高斯滤波的加权平均是通过创建窗口实现的，也可以称为模板，通过模板遍历图像的每一个像素，计算模板中相邻像素的加权平均赋给模板的中心像素。

在高斯滤波中，模板的定义通常适用窗口设计，还有一种傅里叶变换的方式，如果窗口设计的参数较大计算量过大，可以使用傅里叶，一般使用窗口模板法。该方法最关键的就是高斯核，也就是设计模板窗口的尺寸n*n，n必须是奇数，因为高斯滤波的计算方法就是将计算值赋给窗口模板的中心值，若是偶数，则无法捕获中心值。如下所示，为3*3的窗口。

以中心点为原点，建立坐标系，各个位置的像素用坐标表示，接下来就要带入高斯函数，标准差决定滤波的效果，过大时，高斯图形越矮胖，过小，高斯图像越高瘦。由于图像的长宽可能不是滤波器大小的整数倍，因此我们需要在图像的边缘补0，并且卷积核（可以称为权值，即通过高斯函数带入上述建立的坐标和指定标准差求出的值）要进行归一化操作

代码如下

#include"opencv2/core/core.hpp"
#include"opencv2/highgui/highgui.hpp"
#include<opencv2/opencv.hpp>
#include "math.h"
#include"iostream"
using namespace std;
using namespace cv;
#define PI 3.1415926
#define sigma 1.3
Mat Gaussian_filter(Mat img,int Kernel_size){
    //卷积核矩阵（二维数组）
	double **K=new double*[Kernel_size];
	for(int i=0;i<Kernel_size;i++){
		K[i]=new double[Kernel_size];
	} 
	int imgrow = img.rows;
    int imgcol = img.cols;
	int channel = img.channels();
	Mat out = Mat::zeros(imgrow,imgcol,CV_8UC3);
	int x = 0;
	int y = 0;
	int dot = floor((float)(Kernel_size/2));
	double K_sum = 0;
	for(int x=0;x<Kernel_size;x++){
		for(int y=0;y<Kernel_size;y++){
			K[x][y]=0;
		}
	}
	for(int i=0;i<Kernel_size;i++){
		for(int j=0;j<Kernel_size;j++){
			y = i-dot;
			x = j-dot;
			K[i][j] =  1 / (2*PI*sigma*sigma) * exp( - (x*x + y*y) / (2*sigma*sigma));//一维高斯函数
			K_sum += K[i][j];
		}
	}
	//归一化
	for(int i=0;i<Kernel_size;i++){
		for(int j=0;j<Kernel_size;j++){
			K[i][j] /=K_sum;
			cout << K[i][j]<< "    ";
		}
		cout << endl;
	}
	//加权平均，构建滤波器
	int v = 0;
	for(int i=floor((float)(Kernel_size/2));i<imgrow-floor((float)(Kernel_size/2));i++){
		for(int j=floor((float)(Kernel_size/2));j<imgcol-floor((float)(Kernel_size/2));j++){
			for(int k=0;k<channel;k++){
				v=0;
				for(int i_=-dot;i_<dot+1;i_++){
					for(int j_=-dot;j_<dot+1;j_++){
							v += img.at<Vec3b>(i+i_,j+j_)[k]*K[i_+dot][j_+dot];
					}
				}
				out.at<Vec3b>(i,j)[k] = v;			
			}
		}
	}
    for(int i=0;i<Kernel_size;i++){
		delete[] K[i];
	}
	delete[] K;
	return out;
}
void main()
{    
    Mat img = imread("ck567.jpg",IMREAD_COLOR);
    Mat out = Gaussian_filter(img,5);
	imshow("Gaussian-filter",out);
	imshow("original-pic",img);
	waitKey(0);
	destroyAllWindows();    
}

结果输出权值矩阵

该段代码在代码初始的地方有两个define，直接通过修改这两个参数得到不同情况下的高斯滤波图像，Kernel_size表示高斯核，即设计窗口的尺寸，为3*3，修改时注意该参数一定为奇数，sigma为高斯过程的标准差。

#define Kernel_size 3
#define sigma 1.3

opencv官方提供了API，如下所示

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


src，输入图像。

dst，即目标图像，返回的图像

ksize，高斯内核的大小是由sigma计算而来。

sigmaX，表示高斯核函数在X方向的的标准偏差。

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。

 程序代码如下

void main(){
    namedWindow("Orginnal-pic", WINDOW_AUTOSIZE);
    namedWindow("Gaussian-Image", WINDOW_AUTOSIZE);
    Mat img = imread("ck567.jpg", IMREAD_COLOR);
    imshow("Orginal-pic", img);
    Mat out;
    GaussianBlur(img, out, Size(5, 5), 3, 3);
    GaussianBlur(out, out, Size(5, 5), 3, 3);
    imshow("Gaussian-Image", out);
    waitKey(0);
    destroyAllWindows();   
}

Q10:中值滤波

相对于高斯滤波来说，中值滤波的原理就非常简单了，它是创建好窗口后，将邻域内元素的中值赋给中心元素，达到平滑某个凸跳的噪声，为非线性，代码如下。

Mat Medieum_filter(Mat img, intKernel_size){
    double **K=new double*[Kernel_size];
	for(int i=0;i<Kernel_size;i++){
		K[i]=new double[Kernel_size];
	} 
	int imgrow = img.rows;
    int imgcol = img.cols;
	int channel = img.channels();
	Mat out = Mat::zeros(imgrow,imgcol,CV_8UC3);
	int x = 0;
	int y = 0;
	int dot = floor((float)(Kernel_size/2));
	int count;
	double K[Kernel_size*Kernel_size]; 
	for(int x=0;x<Kernel_size*Kernel_size;x++){
			K[x]=0;
	}
	int v = 0;
	for(int i=floor((float)(Kernel_size/2));i<imgrow-floor((float)(Kernel_size/2));i++){
		for(int j=floor((float)(Kernel_size/2));j<imgcol-floor((float)(Kernel_size/2));j++){
			for(int k=0;k<channel;k++){
				count=0;
				for(int i_=-dot;i_<dot+1;i_++){
					for(int j_=-dot;j_<dot+1;j_++){
							K[count++] = img.at<Vec3b>(i+i_,j+j_)[k];
					}
				}
				sort(K,K+Kernel_size*Kernel_size);
				out.at<Vec3b>(i,j)[k] = K[(int)(floor((float)count/2))+1];
			}
		}
	}
	for(int i=0;i<Kernel_size;i++){
		delete[] K[i];
	}
	delete[] K;
    return out
}
void main(){
	Mat img = imread("ck567.jpg",IMREAD_COLOR);
    Mat out = Medieum_filter(img,5);
	imshow("Medieum-filter",out);
	imshow("original-pic",img);
	waitKey(0);
	destroyAllWindows();
}

代码可以直接从高斯滤波修改而来，去掉计算权值的部分，只要遍历每个窗口将值赋给一个数组，将数组中的中值赋给像素即可，这里用到sort()函数，用来排序的函数。两个参数为初始位置和结束位置。

sort(K,K+Kernel_size*Kernel_size);

Q11：均值滤波

均值滤波就是将均值赋给中心像素，直接上代码。

void main(){
	Mat img = imread("ck567.jpg",IMREAD_COLOR);
	int imgrow = img.rows;
    int imgcol = img.cols;
	int channel = img.channels();
	Mat out = Mat::zeros(imgrow,imgcol,CV_8UC3);
	int x = 0;
	int y = 0;
	int dot = floor((float)(Kernel_size/2));
	int count;
	double K[Kernel_size*Kernel_size]; 
	for(int x=0;x<Kernel_size*Kernel_size;x++){
			K[x]=0;
	}
	int v = 0;
	int Sum = 0;
	for(int i=floor((float)(Kernel_size/2));i<imgrow-floor((float)(Kernel_size/2));i++){
		for(int j=floor((float)(Kernel_size/2));j<imgcol-floor((float)(Kernel_size/2));j++){
			for(int k=0;k<channel;k++){
				count = 0;
				Sum = 0;
				for(int i_=-dot;i_<dot+1;i_++){
					for(int j_=-dot;j_<dot+1;j_++){
						K[count] = img.at<Vec3b>(i+i_,j+j_)[k];
						Sum += K[count];
						count++;
					}
				}
				out.at<Vec3b>(i,j)[k] = (int)(Sum/(Kernel_size*Kernel_size));
			}
		}
	}
	imshow("Mean-filter",out);
	imshow("original-pic",img);
	waitKey(0);
	destroyAllWindows();
}

Q12:motion滤波

motion滤波与均值滤波和中值滤波类似，均是采用窗口设计，计算窗口的中心值，区别就是中心值的方法不同，motion滤波是仅计算窗口矩阵的主对角线元素的均值，其他元素不参与计算，以3*3为例，如下所示。中心值就是(x1+x2+x3)/3，滤波后的图像每一个像素值都是由该像素点和邻域的窗口元素按照这种规则计算而来。

代码如下

#include"opencv2/core/core.hpp"
#include"opencv2/highgui/highgui.hpp"
#include<opencv2/opencv.hpp>
#include "math.h"
#include"iostream"
using namespace std;
using namespace cv;
#define Kernel_size 3
void main(){
	Mat img = imread("ck567.jpg",IMREAD_COLOR);
	int imgrow = img.rows;
    int imgcol = img.cols;
	int channel = img.channels();
	Mat out = Mat::zeros(imgrow,imgcol,CV_8UC3);
	int dot = floor((float)(Kernel_size/2));
	int Sum = 0;
	for(int i=floor((float)(Kernel_size/2));i<imgrow-floor((float)(Kernel_size/2));i++){
		for(int j=floor((float)(Kernel_size/2));j<imgcol-floor((float)(Kernel_size/2));j++){
			for(int k=0;k<channel;k++){
				Sum = 0;
				for(int i_=-dot;i_<dot+1;i_++){
					for(int j_=-dot;j_<dot+1;j_++){
						if(i_==j_){
							Sum += img.at<Vec3b>(i+i_,j+j_)[k];
						}
					}
				}
				out.at<Vec3b>(i,j)[k] = (int)((double)(Sum/Kernel_size));
			}
		}
	}
	imshow("motion-filter",out);
	imshow("original-pic",img);
	waitKey(0);
	destroyAllWindows();
}

这里用#define Kernel_size来给窗口赋值，因此在程序中的均值为Sum/Kernel_size。

Q13:Max-Min滤波

Max-Min滤波顾名思义就是将窗口中的最大值减去最小值赋给中心值，这个应用在边缘检测中，而且进行该滤波是添加的是灰度图像，程序如下

#include"opencv2/core/core.hpp"
#include"opencv2/highgui/highgui.hpp"
#include<opencv2/opencv.hpp>
#include "math.h"
#include"iostream"
using namespace std;
using namespace cv;
#define Kernel_size 3
void main(){
	Mat img = imread("ck567.jpg",IMREAD_GRAYSCALE);
	int imgrow = img.rows;
    int imgcol = img.cols;
	int channel = img.channels();
	Mat out = Mat::zeros(imgrow,imgcol,CV_8UC1);
	int dot = floor((float)(Kernel_size/2));
	int count;
	double K[Kernel_size*Kernel_size]; 
	for(int x=0;x<Kernel_size*Kernel_size;x++){
			K[x]=0;
	}
	for(int i=floor((float)(Kernel_size/2));i<imgrow-floor((float)(Kernel_size/2));i++){
		for(int j=floor((float)(Kernel_size/2));j<imgcol-floor((float)(Kernel_size/2));j++){
				count=0;
				for(int i_=-dot;i_<dot+1;i_++){
					for(int j_=-dot;j_<dot+1;j_++){
							K[count++] = img.at<uchar>(i+i_,j+j_);
					}
				}
				sort(K,K+Kernel_size*Kernel_size);
				out.at<uchar>(i,j) = K[Kernel_size*Kernel_size-1]-K[0];
			}
		}
	imshow("Max-Min-filter",out);
	imshow("original-pic",img);
	waitKey(0);
	destroyAllWindows();
}

程序中使用sort()函数进行排序，取首尾两个元素就是最大值和最小值，不需要一一比较。

StarSky-yuan
关注
  • 2
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
opencv线性滤波非线性滤波均值高斯中值双边（VS2015+OpenCV3.4.9）
02-29
OpenCV图像滤波，线性滤波和非线性滤波，方框/均值/高斯/中值/双边等算法实现 开发所用IDE版本：Visual Studio 2015 开发所用OpenCV版本：3.4.9 开发语言C++
数字图像处理 中值滤波 均值滤波 C++ opencv
04-02
数字图像处理，用C++语言，自己编写了中值滤波器以及均值滤波器，并和opencv自带函数对比，可直接运行。
最大值、最小值、中值、均值滤波
FireBird的专栏
08-29 7538
0 定义及用途        均值滤波，即以模板内算术平均数的值代替中心像素值，可以降低高斯噪声。        中值滤波，即以模板内进行有序排列后位于中间的像素值代替中心像素值，可以降低椒盐噪声。        最大值滤波，即以模板内进行有序排列后最大像素值代替中心像素值，可以去除图像中的暗斑，使亮斑增大。 最小值滤波，即以模板内进行有序排列后最小像素值代替中心像素值，可以去除图像中的亮
图像降噪处理——（中值、均值、最大值、最小值滤波）
热门推荐
IMWTJ123的博客
04-05 4万+
用MATLAB对图像进行处理。在原图上添加椒盐噪声，运用中值滤波、最大值滤波和最小值滤波算法对图像降噪，并比较处理前后、不同模板均值滤波算法处理的效果。一、基本原理1.1 噪声的产生及分类         噪声是图像干扰的重要原因。一幅图像在实际应用中可能存在各种各样的噪声,这些噪声可能在传输中产生,也可能在量化等处理中产生。根据噪声和信号的关系可将其分为三种形式:(f(x,y)表示给定原始图像,...
人脸识别---Gabor特征(mean pooling和max pooling)
小明知道的专栏
10-13 1万+
Abstract—本文主要讲解Gabor特征在人脸识别中的使用。       在此不讲Gabor滤波器的原理，网上有很多博客已经介绍了大量关于Gabor滤波器。此文讲下提取出来后的Gabor滤波器的处理。       通常我们使用的Gabor滤波器有8个方向，5个尺度，这些参数都可以调节。Gabor滤波器分为实数部分和虚数部分，如图1所。图1a为实数部分，图1b为虚数部分。 图1a Gab
图像处理之应用卷积一实现噪声消去
web开发
02-25 983
讨论如何使用卷积作为数学工具来处理图像，实现图像的滤波，其方法包含以下几种，均值 滤波，中值滤波，最大最小值滤波，关于什么是卷积以及理解卷积在图像处理中作用参见这 里–http://blog.csdn.net/jia20003/article/details/7038938 均值滤波： 均值滤波，是图像处理中最常用的手段，从频率域观点来看均值滤波是一种低通滤波器，高 频信号将会去掉，...
数字图像处理第二章——空间滤波
Dujing2019的博客
04-08 2768
数字图像处理第二章数字图像处理---灰度变换与空间滤波（四）空间滤波4.1线性空间滤波4.2非线性空间滤波 数字图像处理—灰度变换与空间滤波 （四）空间滤波 邻域处理包含以下过程: 选择中心点( x，y) ; 仅对预定义的围绕点(x，y)的邻域内的像素执行运算; 令运算结果为该点处领域处理的响应； 对图像上的每一点重复上述处理。 移动中心点会产生新的邻域，每个邻域对应输入图像上的一个像素。用来...
图像降噪处理——(最大值、最小值、均值滤波)
liyva的博客
07-27 6952
文章目录一、最大值（max）滤波器二、最小值（min）滤波器二、均值滤波器二、代码实现、效果最大值滤波器最小值滤波器均值滤波 一、最大值（max）滤波器 二、最小值（min）滤波器 二、均值滤波器 二、代码实现、效果 最大值滤波器 import cv2 import numpy as np import copy image_data = cv2.imread('pepperNoiseImg.jpg') # 使用3*3的矩形框取值 img0 = copy.copy(image_data) for
中值滤波四个角有一些像素是零的原因
u010796650的博客
01-09 1259
中值滤波会在图像的四周不补上几圈零，如果是5*5的模板就会补上两圈零。 然后再给图像加上滤波模板，刚刚有三个位置的中值是0
快速中值滤波（直方图）
修行之路
05-31 268
快速中值滤波（直方图）
对图像进行中值滤波的几种写法以及基于排序阈值的开关中值滤波算法
zhedahe的专栏
10-29 5428
自己编写的中值滤波算法和库函数调用的中值滤波算法 psnr值一样，因此不必多虑，放心调用. 以下文件： 1:自己编写的中值滤波 2:库函数中值滤 3：极值中值算法：中心像素等于窗口最大值或者最小值，即该点为噪声点的可能性很大，中心点则使用中值代替 4：一种基于排序阈值的开关中值滤波方法（秦鹏等）：先将窗口内所有像素分成三类：1） 噪声点 2） 平坦区域 3）边缘细节 5：极大中值滤波：
OpenCV–图像平滑（均值滤波、方框滤波、高斯滤波、中值滤波）
01-20
OpenCV–图像平滑（均值滤波、方框滤波、高斯滤波、中值滤波） 首先看以下图，图像平滑（模糊）只是滤波中的一种操作，并不是整个滤波部分。 一、均值滤波 函数： dst = cv.blur( src, ksize[, dst[, anchor[, ...
python+opencv图像处理基础——图像滤波方式
12-22
五种常见的图像滤波方式：线性滤波（方框滤波、均值滤波、高斯滤波）；非线性滤波（中值滤波、双边滤波）。 图片来源于：https://blog.csdn.net/qq_27261889/article/details/80822270侵删 1.先人为的给图像加噪声...
opencv 图像滤波(均值,方框,高斯,中值)
09-16
主要介绍了opencv 图像滤波(均值,方框,高斯,中值),文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
opencv学习4——HSV与RGB的转换
yuan123890的博客
07-13 4182
在进行HSV和RGB转换之前大致了解一下两者的区别。 HSV颜色模型是根据颜色的直观特征所创立的一种颜色模型，它的名字就代表了这个模型的三个参数H，S，V。模型为六棱锥，三个参数就在上面不同维度进行表示。模型如下。原图来源百度百科。前者是空间模型，后者是模型概念图 H（Hue）：色调。采用角度表示，在模型中为棱锥的底面，因此范围就是0~360度，如图所示，不同的角度规定了不同的颜色。0度表示红色，每隔120度分别为绿色和蓝色，对应三基色RGB，他们两两之间又以60度为间隔加入互补色，由0度逆时针开始
opencv学习1-3——通道变换，灰度化grayscale，二值化thresholding。
yuan123890的博客
07-13 2581
入手opencv，最好的方法就是对应着程序进行学习是一个很好的方法，通过一些单个程序来了解图形处理的一些知识。这篇文章将介绍下面五个小任务。通道变换，灰度化，二值化，Otsu，HSV变换。本文以C++版本进行代码介绍。 Q1：通道变换 一幅常规彩色的图像由BGR三通道组成，opencv提供cv::imread函数读取的彩色图像通道就是按照BGR的顺序进行排列的。opencv中也提供了模板类Vec，它可以表示一个向量。比如Vec3b可以表示一个8U的彩色图像，8U为8位无符号，除此之外Vec类定义了许多如
opencv学习6-8——图像减色处理，平均池化，最大池化
yuan123890的博客
07-14 2476
减色处理就是将图片的256^3个色调变成4^3个色调，也就是将原来每个通道256个颜色级分成四个区间压缩到4个颜色级，这四个灰度级是给出的，分别是32，96，160，224。当然这个值可以更改，如何更改则根据不同的关系式得出不同的四个灰度级。以（32,96,160,224）为例，在程序中要满足下面的关系。 pix=32 (0<pix<64) 96 (64<pix<128) 160 (128<pix<192) 224
opencv学习14-16——差分滤波，Sobel滤波，Prewitt滤波
yuan123890的博客
07-25 2035
Q12：Motion滤波 motion滤波与均值滤波和中值滤波类似，均是采用窗口设计，计算窗口的中心值，区别就是中心值的方法不同，motion滤波是仅计算窗口矩阵的主对角线元素的均值，其他元素不参与计算，以3*3为例，如下所示。中心值就是(x1+x2+x3)/3，滤波后的图像每一个像素值都是由该像素点和邻域的窗口元素按照这种规则计算而来。 代码如下 #include"opencv2/core/core.hpp" #include"opencv2/highgui/highgui.hpp" #inc
opencv学习5——大律二值化（ostu）
yuan123890的博客
07-13 1678
opencv中有多种方法进行图像的二值化，前面的3中直接设置二值化的阈值，比较粗暴无脑，而且用人眼看的话根本看不出来最佳阈值，因此人为的设置阈值是一种很不科学不严谨的方法，在opencv中ostu二值化应用很多。它是二值化中的一种高效算法，如果不了解ostu这种经典的二值化法就不能说是学习过opencv。 算法原理 首先从原理说起，这个ostu并不是完成最终的图像二值化，而是计算出二值化最合理最优化的分割阈值，从而实现完美二值化。首先需要将图片分为前景和背景，也就是将图片处理为非黑即白的二值化，白色定为
openCV学习笔记----深入理解高斯滤波（二）
最新发布
06-11
好的，你的第一个问题是关于 OpenCV 中的高斯滤波的学习笔记，对吧？没问题，我可以为您提供一些关于高斯滤波的深入理解。 高斯滤波是一种常用的图像滤波器，它可以平滑图像并降低噪声。它的基本思想是对图像中的每个像素周围的像素进行加权平均，以便消除噪声和细节。 高斯滤波器的核是一个二维高斯函数，它可以根据需要调整大小和方差。方差越大，滤波器的效果越弱，图像的细节越明显。相反，方差越小，滤波器的效果越强，图像的细节越模糊。 高斯滤波器可以使用 OpenCV 中的 `cv2.GaussianBlur()` 函数来实现。该函数需要三个参数：输入图像、核大小和标准差。核大小必须是正的奇数，标准差可以根据需要进行调整。 在使用高斯滤波器时，需要注意平衡平滑和保留图像细节之间的权衡。因此，使用合适的核大小和标准差非常重要，以便在滤波图像时达到最佳效果。 希望这些信息能够对您有所帮助！

“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