Opencv学习笔记2:图像模糊作用和方法

一、意义和作用:

图像的模糊处理就是将图片处理的更加模糊,如下图,左侧是原图,右侧是经过处理之后的图片。

Opencv学习笔记2:图像模糊作用和方法_第1张图片

从主观意愿上说,我们希望看到清晰的图像,而不是模糊的图像。所以很多时候我们听说还有一种专门进行模糊图像的操作时,感觉不可思议,这有什么用呢。要知道模糊图像只是处理噪声带来的副作用,并不是我们的目的。图像没有噪声的时候,我们用平滑滤波器去模糊图像干什么呢?还真有一个重要的应用。把上面的图像使用变得更加模糊之后。效果如下:

Opencv学习笔记2:图像模糊作用和方法_第2张图片

我们可以看到,相对于原始图像,一些较小的物体已经融入背景,看不到了,有些物体即使能看到,亮度也明显降低。这样,我们用图像模糊将图像中较大的较亮的物体保留了下来,而其它的物体则消除了。我们进一步通过阈值处理对模糊后的图像进行操作,将最高亮度的25%作为阈值,低于此阈值的赋为0,高于此阈值的赋为255。

经过处理后图片为这样:

Opencv学习笔记2:图像模糊作用和方法_第3张图片

像这样利用阈值函数处理并基于物体亮度来消除某些物体的操作时很典型的。当我们只想得到感兴趣的物体时,通过图像模糊,可以将那些尺寸和亮度较小的物体过滤掉,较大的物体则易于检测。除了降低噪声,这就是图像平滑(模糊)的另一个重要应用:目标提取。

 二、模糊方法

模糊操作时图像处理中最简单和常用的操作之一,使用该操作的原因之一就为了给图像预处理时减低噪声。 
使用模糊操作的背后是数学的卷积计算: 
$$g(i,j) = \sum_{k,l}f(i+k,j+l)*h(k,l)$$ 
其中权重核h(k,l)h(k,l)为“滤波系数”。上面的式子可以简记为: 
$$g = f\bigotimes h$$ 
通常这些卷积算子计算都是线性操作,所以又叫线性滤波。


均值滤波(归一化滤波)

均值滤波是典型的线性滤波算法,它是指在图像上对目标像素给一个模板,该模板包括了其周围的临近像素(以目标像素为中心的周围8个像素,构成一个滤波模板,即去掉目标像素本身),再用模板中的全体像素的平均值来代替原来像素值。 
这里写图片描述 
用 3×3 大小模板进行均值滤波。 
这里写图片描述 
由于图像边框上的像素无法被模板覆盖,所以不做处理。 
这当然造成了图像边缘的缺失 
以(2,2)像素点为例。 
这里写图片描述 
则滤波后的结果为: 
$$g(2,2)=int (\frac{1}{9}*(1+2+1+1+10+2+5+2+6))=3$$

滤波后(2,2)像素点的值由 10 变为 3

最终结果: 
这里写图片描述

OpenCV提供均值滤波API:

void blur(Mat src,Mat dst, Size(xradius,yradius), Point(-1, -1))

代码:

#include 
using namespace cv;
int main()
{

    Mat srcImage;
    srcImage = imread("d://1.png");
    imshow("均值滤波【原图】", srcImage);
    Mat dst; // 构造目标类
    blur(srcImage, dst, Size(5, 5)); // 进行均值滤波操作
    imshow("均值滤波【处理后】", dst);
    waitKey();
    return 0;
}

 

效果图: 
对于椒盐噪声: 
这里写图片描述 
对于高斯噪声: 
这里写图片描述


中值滤波

中值,中间值,将数据从小到大排序后的中间值 
用 3×3 大小模板进行中值滤波。 
这里写图片描述 
以(2,2)像素点为例。 
这里写图片描述 
对模板中的 9 个数进行从小到大排序:1,1,1,2,2,5,6,6,10。中间值为 2.所有,中值滤波后(2,2)位置的值变为 2. 同理对其他像素点。 
处理结果:

这里写图片描述

OpenCV提供中值滤波API:

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

 

代码:

#include 
using namespace cv;
int main()
{

    Mat srcImage;
    srcImage = imread("d://1.png");
    imshow("均值滤波【原图】", srcImage);
    Mat dst; // 构造目标类
    medianBlur(srcImage, dst, 3);
    //blur(srcImage, dst, Size(5, 5)); // 进行均值滤波操作
    imshow("高斯滤波【处理后】", dst);
    waitKey();
    return 0;
}

处理结果: 
这里写图片描述


双边滤波

  • 均值模糊无法克服边缘像素信息丢失缺陷。原因是均值模糊是基于平均权重。
  • 高斯模糊部分克服了该缺陷,但是无法完全避免,因为没考虑到像素值的不同。
  • 双边滤波是保留边缘的滤波方法,避免了边缘信息的丢失,保留了图像轮廓不变。

OpenCV提供的API:

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

 

代码:

#include 
using namespace cv;
int main()
{
    /*
    d:计算的半径
    sigmaColor:多少差值之内的像素会被计算
    sigmaSpace:如果d>0,那么声明无效,否则根据它来计算d值
    */
    Mat srcImage;
    srcImage = imread("d://1.png");
    imshow("双边滤波【原图】", srcImage);
    Mat dst; // 构造目标类
    bilateralFilter(srcImage, dst, 15, 150, 3);
    //medianBlur(srcImage, dst, 3);
    //blur(srcImage, dst, Size(5, 5)); // 进行均值滤波操作
    imshow("双边滤波【处理后】", dst);
    waitKey();
    return 0;
}

 

最终结果:

Opencv学习笔记2:图像模糊作用和方法_第4张图片

 

转载于:https://www.cnblogs.com/aiguona/p/9389001.html

你可能感兴趣的:(Opencv学习笔记2:图像模糊作用和方法)