OpenCV基礎(六)---圖像濾波

圖像濾波

對圖像進行單個像素操作，主要是進行對比度和閾值處理

而圖像濾波在像素鄰域間進行，一來達到我們希望的效果，二來進一步進行圖像特征提取

 濾波分為空間域和頻域濾波，空間域濾波又分線性、非線性濾波

常用的線性濾波有，均值濾波，高斯濾波；非線性濾波有中值濾波，雙邊濾波

線性濾波

均值模糊：blur()

void blur( InputArray src, OutputArray dst,
                        Size ksize, Point anchor = Point(-1,-1),
                        int borderType = BORDER_DEFAULT );

• src 源圖像
• dst 輸出圖像
• ksize 卷積核
• anchor 錨點在核中心
• borderType 圖像邊界處理方式

卷積核如下圖所示

高斯模糊：GaussianBlur()

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

• src 源圖像
• dst 目的圖像
• ksize 高斯核，ksize.width與ksize.height可以不同，但必須為正的奇數.可以為0，通過simga計算得到
• sigmaX  高斯核在x方向的標准差
• sigmaY  高斯核在y方向的標准差
• borderType 邊界像素處理方式

均值與高斯模糊代碼：

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace std;
using namespace cv;

int main() {

    Mat srcImage = imread("D:/lena.png");
    if (!srcImage.data) {
        cout << "could not load image" << endl;
        return -1;
    }
    imshow("src Image", srcImage);

    Mat bImage, gImage;
    blur(srcImage, bImage, Size(3, 3));
    GaussianBlur(srcImage, gImage, Size(3, 3), 11, 11);

    imshow("blur", bImage);
    imshow("Gaussblur", bImage);
    waitKey(0);
    return 0;
}

效果圖：

 

非線性濾波

統計排序濾波器是一種非線性濾波器，最知名的便是中值濾波。它將濾波器所包含的圖像區域進行排序，選取中間值代替該點像素值，

其對椒鹽噪聲處理十分有效

 中值濾波

void medianBlur( InputArray src, OutputArray dst, int ksize );

• src 源圖像
• dst 目的圖像
• ksize 孔徑尺寸，必須為大於1的奇數

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace std;
using namespace cv;


//加入椒鹽噪聲
void salt(Mat image, int n)
{
    int i, j;
    for (int k = 0; k<n; k++)
    {
        // rand()是隨機數生成器
        i = rand() % image.cols;
        j = rand() % image.rows;
        if (image.type() == CV_8UC1)
        { // 灰度圖像
            if(rand()% 2 == 0)
            image.at<uchar>(j, i) = 255;
            else
                image.at<uchar>(j, i) = 0;
        }
        else if (image.type() == CV_8UC3)
        { // 彩色圖像
            if (rand()%2==0) {
                image.at<cv::Vec3b>(j, i)[0] = 255;
                image.at<cv::Vec3b>(j, i)[1] = 255;
                image.at<cv::Vec3b>(j, i)[2] = 255;
            }
            else{
                image.at<cv::Vec3b>(j, i)[0] = 0;
                image.at<cv::Vec3b>(j, i)[1] = 0;
                image.at<cv::Vec3b>(j, i)[2] = 0;
            }
        }
    }
}

int main() {

    Mat srcImage = imread("D:/lena.png");
    if (!srcImage.data) {
        cout << "could not load image" << endl;
        return -1;
    }
    salt(srcImage, 1500);   //加入椒鹽噪聲
    imshow("src Image", srcImage);   
    
    Mat mImage;
    medianBlur(srcImage, mImage, 3); //中值濾波
    imshow("medianblur", mImage);
 
    waitKey(0);
    return 0;

效果圖：

雙邊濾波

1.介紹    雙邊濾波（Bilateral Filtering）是一種簡單，非迭代的保邊去噪算法。

在最廣泛的意義上“濾波”這一詞，濾波圖像在給定位置的值是輸入圖像在相同位置小鄰域中的函數。

例如，高斯低通濾波（Gaussian low-pass fitering）計算像素鄰域中得加權平均值，權重隨着遠離鄰域中心減少。

雖然可以給出這種權重下降的正式和定量解釋，但直覺是圖像通常在空間上緩慢變化，

因此鄰近像素可能具有相似的值，因此將它們平均在一起是合適的。

破壞這些鄰近像素的噪聲值與信號值相互關聯較少，因此，當信號被保留時，噪聲平均消失。

然而在邊緣處，假設的緩慢空間變化失效了，因此會被線性低通濾波器模糊。

如何在平滑圖像的同時，防止邊緣被平均呢？下面介紹雙邊濾波的基本思路。

2.思路

雙邊濾波的基本思想是在傳統空域濾波中引入值域濾波。兩個像素可以彼此接近，即占據附近的空間位置，或者它們可以彼此相似，即具有鄰近的值。

考慮應用於圖像的平移不變低通域濾波器：

歸一化常數

類似的定義值濾波器：

在這種情況下歸一化常數：

解決方案是結合空域和值濾波，組合濾波可以描述如下：

歸一化常數是，

結合空域與值域濾波被定義為雙邊濾波。在光滑的區域，鄰域中像素的值差異不大，雙邊濾波的效果與標准空間濾波等同，

平均的消除噪聲引起的像素值之間的小的、弱相關的差異。

在邊緣處，濾波器用其附近的明亮像素的平均值代替中心處的明亮像素，並且基本上忽略了暗像素，

反之，當濾波器以暗像素為中心時，則忽略了明亮像素。

至此，由於濾波器的空域成分，邊界得以保存；由於濾波器的值域成分，清晰的邊緣也得以保存

 void bilateralFilter( InputArray src, OutputArray dst, int d,
                                   double sigmaColor, double sigmaSpace,
                                   int borderType = BORDER_DEFAULT );

• src 單通道，浮點類型，源圖像
• dst 輸出圖像，與src類型一致
• d  用於濾波的每個像素鄰域的直徑。如果它是非正的，

      它是從sigmaSpace計算出來的

• sigmaColor  較大的參數值意味着像素鄰域內的較遠顏色(參見sigmaSpace)將混合在一起
• sigmaSpace  坐標空間中的sigmaSpace濾波器。參數值越大意味着越遠處的像素（若像素足夠接近）會影響該點像素

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace std;
using namespace cv;

int main() {
    Mat src, dst;
    src = imread("D:/kitten-orig.png");
    if (src.empty()) {
        cout << "could not load image..." << endl;
        return -1;
    }
    bilateralFilter(src, dst, 9, 75, 75); 
    namedWindow("input", CV_WINDOW_AUTOSIZE);
    imshow("input", src);
    namedWindow("output", CV_WINDOW_AUTOSIZE);
    imshow("output", dst);
    imwrite("kitten-outp.png", dst); 
    waitKey(0);
}

效果對比：