版权声明：转载需邮件联系我并取得授权
常用的几种滤波方式有
- 盒滤波器（boxFilter）
- 均值滤波(blur):算法简单，计算速度较快，在去噪的同时去除了很多细节部分，将图像变得模糊
- 中值滤波(madianBlur)：在边界保存方面好于均值滤波，但在模板变大的时候会存在一些边界的模糊。对于椒盐噪声有效。
- 高斯滤波(GaussianBlur)：比均值滤波更平滑，边界保留更加好。
- 双边滤波(bilateralter)：非线性滤波，保留较多的高频信息，不能干净的过滤高频噪声，对于低频滤波较好，不能去除脉冲噪声。
- 导向滤波
1.均值滤波
使用的opencv代码是blur，通过blur函数来进行均值滤波
void blur( InputArray src, OutputArray dst,
Size ksize, Point anchor = Point(-1,-1),
int borderType = BORDER_DEFAULT );
参数
src：输入图像
dst：输出图像
ksize：定义内核大小（使用size（w，h）（w是像素宽度，h是像素高度））
point:用于指定锚点位置（被平滑点），如果是负值，取核的中心为锚点。
borderType：用于推断图像外部像素的某种边界模式。有默认值BORDER_DEFAULT，我们一般不去管它。
自带函数注释是
The call `blur(src, dst, ksize, anchor, borderType)` is equivalent to `boxFilter(src, dst, src.type(),
anchor, true, borderType)`.
void cv::blur( InputArray src, OutputArray dst,
Size ksize, Point anchor, int borderType )
{
// 调用盒滤波器
boxFilter( src, dst, -1, ksize, anchor, true, borderType );
}
此函数是通过调用盒函数来进行滤波。其核心思想是盒滤波器。
2.中值滤波
void medianBlur( InputArray src, OutputArray dst, int ksize );
参数
src：输入图像
dst：输出图像
3.高斯滤波
void GaussianBlur( InputArray src, OutputArray dst, Size ksize,
double sigmaX, double sigmaY = 0,
int borderType = BORDER_DEFAULT );
参数
src：输入图像
dst：输出图像
ksize：定义内核大小（使用size（w，h）（w是像素宽度，h是像素高度））
sigmaX:X方向滤波核
sigmaX:Y方向滤波核
borderType：用于推断图像外部像素的某种边界模式。有默认值BORDER_DEFAULT，我们一般不去管它。
4.双边滤波
void bilateralFilter( InputArray src, OutputArray dst, int d,
double sigmaColor, double sigmaSpace,
int borderType = BORDER_DEFAULT );
参数
src：输入图像
dst：输出图像
d : 表示在过滤过程中每个像素邻域的直径范围。如果这个值是非正数，则函数会从第五个参数sigmaSpace计算该值。
sigmaColor : 颜色空间过滤器的sigma值，这个参数的值越大，表明该像素邻域内有越宽广的颜色会被混合到一起，产生较大的半相等颜色区域
sigmaSpace : 坐标空间中滤波器的sigma值，如果该值较大，则意味着颜色相近的较远的像素将相互影响，从而使更大的区域中足够相似的颜色获取相同的颜色。当d>0时，d指定了邻域大小且与sigmaSpace五官，否则d正比于sigmaSpace.
borderType=BORDER_DEFAULT: 用于推断图像外部像素的某种边界模式，有默认值BORDER_DEFAULT.
具体实现代码
//对于不同的车牌图片先进行对放缩至相应的大小，减少图像太大带来的影响
#include
#include
#include
#include
using namespace cv;
using namespace std;
void onChangeTrackBar1(int pos, void* data)
{
Mat srcImage = *(cv::Mat*)(data);
Mat dstImage;
threshold(srcImage, dstImage, pos, 255, 0);
imshow("均值滤波", dstImage);
}
void onChangeTrackBar2(int pos, void* data)
{
Mat srcImage = *(cv::Mat*)(data);
Mat dstImage;
threshold(srcImage, dstImage, pos, 255, 0);
imshow("中值滤波", dstImage);
}
void onChangeTrackBar3(int pos, void* data)
{
Mat srcImage = *(cv::Mat*)(data);
Mat dstImage;
threshold(srcImage, dstImage, pos, 255, 0);
imshow("高斯滤波", dstImage);
imwrite("颜末55.jpg", dstImage);
}
void onChangeTrackBar4(int pos, void* data)
{
Mat srcImage = *(cv::Mat*)(data);
Mat dstImage;
threshold(srcImage, dstImage, pos, 255, 0);
imshow("双边滤波", dstImage);
}
int main()
{
//读入图像，并判断图像是否读入正确
cv::Mat srcImage = imread("E:\\learning opencv 程序\\2\\颜末.jpg");
if (!srcImage.data)
return -1;
imshow("srcImage", srcImage);
//将图片按比例缩放至宽为500像素的大小
int nRows = 500;
int nCols =srcImage.cols*500 / srcImage.rows;
//建立一个结果的目标图像
Mat dst(nRows, nCols, srcImage.type());
//调整图像大小
resize(srcImage,dst,dst.size(),0,0, INTER_LINEAR);
imshow("dst", dst);
//均值滤波
Mat blurImage;
Mat diffImage1;
blur(dst, blurImage, Size(5, 5), Point(-1, -1));
namedWindow("均值滤波");
imshow("均值滤波", blurImage);
//将滤波后的函数与原函数相减，得出改变的点，而后二值化
//使用滑动条函数创建一个回调函数，使二值化更加明显
//而后从二值化的图像中看出函数特性
absdiff(dst, blurImage, diffImage1);
createTrackbar("pos", "均值滤波", 0, 255, onChangeTrackBar1, &diffImage1);
//中值滤波
Mat medianBlurImage;
Mat diffImage2;
medianBlur(dst, medianBlurImage, 5);
namedWindow("中值滤波");
imshow("中值滤波", medianBlurImage);
absdiff(dst, medianBlurImage, diffImage2);
createTrackbar("pos", "中值滤波", 0, 255, onChangeTrackBar2, &diffImage2);
//高斯滤波
Mat resGuaMat;
Mat diffImage3;
namedWindow("高斯滤波");
GaussianBlur(dst,resGuaMat,cv::Size(3,3),0,0);
imshow("高斯滤波", resGuaMat);
absdiff(dst, resGuaMat, diffImage3);
createTrackbar("pos", "高斯滤波", 0, 255, onChangeTrackBar3, &diffImage3);
//双边滤波
Mat bilateralFilterImage;
Mat diffImage4;
bilateralFilter(dst, bilateralFilterImage, 7, 20.0, 2.0);
namedWindow("双边滤波");
imshow("双边滤波", bilateralFilterImage);
absdiff(dst, bilateralFilterImage, diffImage4);
createTrackbar("pos", "双边滤波", 0, 255, onChangeTrackBar4, &diffImage4);
waitKey(0);
}
通过滤波后图片和源图像的差的绝对值来看出哪些像素点是被平滑了的。然后可以通过回调函数来对图片进行二值化，来对比。
附上颜末帅照
最后，在这里进行完滤波以后和源图像求出差的绝对值以后似乎很容易就能够看出边缘，我的想法是将其膨胀与腐蚀去除干扰。是否可以简单求出边缘呢？
对于检验人物，进行闭运算后感觉还是很良好的
对于检验车牌这一类纹理比较复杂的，膨胀可以直接取出纹理复杂位置的车牌。
晚上想了一下其实是不行的，这个高斯滤波就是来过滤噪声，平滑图像的。我这样做就是直接面对那么多的噪声了。而且那些边缘检测算法也是通过对于图像的卷积来进行边缘检测的。应该是不如直接使用算法的。