Opencv图像处理---平滑图像

理论

• 平滑，也称为模糊，是一种简单且经常使用的图像处理操作。
• 平滑的原因有很多。 在本教程中，我们将重点关注平滑以减少噪音
• 要执行平滑操作，我们将对图像应用滤镜。 最常见的滤波器类型是线性的，其中输出像素的值（即g（i，j））被确定为输入像素值的加权和（即f（i + k，j + 1））：
• 有很多种过滤器，这里我们会提到最常用的过滤器。

标准化盒式过滤器

• 这个过滤器是最简单的！ 每个输出像素是其内核邻居的平均值（它们都以相同的权重贡献）
• 内核如下：

高斯滤波

• 可能是最有用的过滤器（尽管不是最快）。 高斯滤波是通过将输入数组中的每个点与高斯核进行卷积，然后将它们相加以产生输出数组来完成的。
• 
• 假设图像是1D，您可以注意到位于中间的像素将具有最大权重。 随着它们与中心像素之间的空间距离的增加，其邻居的权重减小。
• 

中值滤波

• 中值滤波器遍历信号的每个元素（在这种情况下是图像），并用其相邻像素的中值（位于评估像素周围的方形邻域中）替换每个像素。

双边过滤器

• 到目前为止，我们已经解释了一些过滤器，主要目标是平滑输入图像。 但是，有时滤镜不仅可以消除噪音，还可以平滑边缘。 为了避免这种情况（至少在某种程度上），我们可以使用双边滤波器。
• 双边滤波器还考虑具有分配给它们中的每一个的权重的相邻像素。 这些权重有两个分量，第一个是高斯滤波器使用的相同加权。 第二个分量考虑了相邻像素和评估像素之间的强度差异。

代码

#include "opencv2/imgproc.hpp"
#include "opencv2/highgui.hpp"
using namespace std;
using namespace cv;
int DELAY_CAPTION = 1500;
int DELAY_BLUR = 100;
int MAX_KERNEL_LENGTH = 31;
Mat src; Mat dst;
char window_name[] = "Filter Demo 1";
int display_caption( char* caption );
int display_dst( int delay );
/*
 * function main
 */
 int main( int argc, char** argv )
 {
   namedWindow( window_name, WINDOW_AUTOSIZE );
   src = imread( "../images/lena.jpg", 1 );
   if( display_caption( "Original Image" ) != 0 ) { return 0; }
   dst = src.clone();
   if( display_dst( DELAY_CAPTION ) != 0 ) { return 0; }
   if( display_caption( "Homogeneous Blur" ) != 0 ) { return 0; }
   for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
       { blur( src, dst, Size( i, i ), Point(-1,-1) );
         if( display_dst( DELAY_BLUR ) != 0 ) { return 0; } }
    if( display_caption( "Gaussian Blur" ) != 0 ) { return 0; }
    for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
        { GaussianBlur( src, dst, Size( i, i ), 0, 0 );
          if( display_dst( DELAY_BLUR ) != 0 ) { return 0; } }
 if( display_caption( "Median Blur" ) != 0 ) { return 0; }
 for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
         { medianBlur ( src, dst, i );
           if( display_dst( DELAY_BLUR ) != 0 ) { return 0; } }
 if( display_caption( "Bilateral Blur" ) != 0 ) { return 0; }
 for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
         { bilateralFilter ( src, dst, i, i*2, i/2 );
           if( display_dst( DELAY_BLUR ) != 0 ) { return 0; } }
 display_caption( "End: Press a key!" );
 waitKey(0);
 return 0;
 }
 int display_caption( char* caption )
 {
   dst = Mat::zeros( src.size(), src.type() );
   putText( dst, caption,
            Point( src.cols/4, src.rows/2),
            FONT_HERSHEY_COMPLEX, 1, Scalar(255, 255, 255) );
   imshow( window_name, dst );
   int c = waitKey( DELAY_CAPTION );
   if( c >= 0 ) { return -1; }
   return 0;
  }
  int display_dst( int delay )
  {
    imshow( window_name, dst );
    int c = waitKey ( delay );
    if( c >= 0 ) { return -1; }
    return 0;
  }

 

解释

（1）标准化块过滤器

OpenCV提供函数cv :: blur来使用此过滤器执行平滑。

4个参数具体含义如下：

• src：源图像
• dst：目标图像
• Size（w，h）：定义要使用的内核的大小（宽度为w像素，高度为h像素）
• Point（-1，-1）：表示锚点（被评估的像素）相对于邻域的位置。 如果存在负值，则将内核的中心视为锚点。

(2)高斯滤波

它由函数cv :: GaussianBlur执行：

4个参数具体含义如下：

• src：源图像
• dst：目标图像
• Size（w，h）：要使用的内核的大小（要考虑的邻居）。 w和h必须是奇数和正数，否则将使用σx和σy参数计算大小。
• σx：x中的标准偏差。 写0表示使用内核大小计算σx。
• σy：y的标准偏差。 写0表示使用内核大小计算σy。

(3)中值滤波

此过滤器由cv :: medianBlur函数提供：

3个参数具体含义如下：

• src：源图像
• dst：目标图像，必须与src的类型相同
• i：内核的大小。

（4）双边过滤器

由OpenCV函数cv :: bilateralFilter提供：

5个参数具体含义如下：

• src：源图像
• dst：目标图像
• d：每个像素邻域的直径
• σColor：颜色空间的标准偏差
• σSpace：坐标空间的标准差（以像素为单位）

结果

中值滤波的效果图