OpenCV开发笔记（十六）：算法基础之线性滤波-高斯滤波

若该文为原创文章，未经允许不得转载
原博主博客地址：https://blog.csdn.net/qq21497936
原博主博客导航：https://blog.csdn.net/qq21497936/article/details/102478062
本文章博客地址：https://blog.csdn.net/qq21497936/article/details/104490409
各位读者，知识无穷而人力有穷，要么改需求，要么找专业人士，要么自己研究

红胖子(红模仿)的博文大全：开发技术集合（包含Qt实用技术、树莓派、三维、OpenCV、OpenGL、ffmpeg、OSG、单片机、软硬结合等等）持续更新中...（点击传送门）

OpenCV开发专栏（点击传送门）

上一篇：《OpenCV开发笔记（十五）：算法基础之线性滤波-均值滤波》

下一篇：《OpenCV开发笔记（十七）：算法基础之线性滤波对比-方框、均值、高斯滤波》

 

前言

本篇章讲解线性滤波中的高斯滤波。

 

Demo

 

高斯滤波

概述

      高斯滤波是将输入数组的每一个像素点与高斯内核进行卷积原酸，将卷积和当做输出像素值。高斯滤波后图像被平滑的过程取决于标准差。

      高斯滤波的输出是领域项目的加权平均，同时离中心越近的像素权重越高，因此，相对于均值滤波，它的平滑效果 更柔和，而且边缘保留得也更好。

在图像处理中，高斯滤波一般有两种实现方式：

• 用离散化窗口滑窗卷积：当离散化的窗口非常大时，用滑窗计算量非常大（即使用可分离滤波器的实现）的情况下，可能会考虑基于傅里叶变化的实现方法。
• 用傅里叶变换；

特点

      高斯滤波是滤波器中最有用的滤波器，特点如下：

• 失真少：高斯函数是单值函数，高斯滤波用像素领域加权均值来替代该店的像素值，像素权重会随着距离的变化而单调递减，以减少失真。
• 旋转对称性：高斯函数具有旋转对阵性，高斯滤波在各个方向上的平滑成都是相同的，对于存在的噪声很难估计其方向性，保证平滑性能不会偏向任何方向。
• 不被高频影响：高斯函数的傅里叶变换频谱是单瓣的，高斯滤波是的平滑图像不会被不需要的高频信号所影响，同时保留了大部分所需信号。
• 噪声参数可控：高斯滤波平滑程度是由方差σ决定的，σ越大，频带越宽，平滑程度越好，对于图像中的噪声有可控参数可设置。
• 可分离性：二维高斯函数卷积可以分两步进行，首先将图像与一维高斯函数进行卷积运算，然后将卷积结果与方向垂直的相同一维高斯函数卷积。

函数原型

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

• 参数一：InputArray类型，一般是cv::Mat，且可以处理任何通道数的图片。但需要注意，待处理的图片深度应该为CV_8U、CV_16U、CV_16S、CV_32F、CV_64F中的一个。
• 参数二；OutputArray类型，输出的目标图像，需要和原图片有一样的尺寸和类型。
• 参数三：Size类型的ksize，核算子的大小。一般用Size(w,h)来表示核算子的大小，Size(3,3)就表示3x3的核算子大小，w和h可以大小不同。
• 参数四：double类型sigmaX，表示高斯核函数在X方向的标准偏差。
• 参数五：double类型sigmaY，表示高斯核函数在Y方向的标准偏差。

以上，当sigmaX和sigmaY都为0时，默认使用核算子计算出来：

• 参数六：int类型的borderType，用于推断图像外部像素的某种边界模式，使用默认值BORDER_DEFULAT，一般无需使用。

 

Demo源码

void OpenCVManager::testGaussianBlurFilter()
{
    QString fileName1 = "E:/qtProject/openCVDemo/openCVDemo/modules/openCVManager/images/1.jpg";
    cv::Mat srcMat = cv::imread(fileName1.toStdString());

    cv::String windowName = _windowTitle.toStdString();
    cvui::init(windowName);

    if(!srcMat.data)
    {
        qDebug() << __FILE__ << __LINE__
                 << "Failed to load image:" << fileName1;
        return;
    }

    cv::Mat dstMat;
    dstMat = cv::Mat::zeros(srcMat.size(), srcMat.type());
    cv::Mat windowMat = cv::Mat(cv::Size(dstMat.cols * 3, dstMat.rows),
                                srcMat.type());
    int ksize = 1;      // 核心大小
    int sigmaX = 0;  // x方向的标准偏差
    int sigmaY = 0;  // y方向的标准偏差
    cvui::window(windowMat, dstMat.cols, 0, dstMat.cols, dstMat.rows, "settings");
    while(true)
    {
        windowMat = cv::Scalar(0, 0, 0);
        // 原图先copy到左边
        cv::Mat leftMat = windowMat(cv::Range(0, srcMat.rows),
                                    cv::Range(0, srcMat.cols));
        cv::addWeighted(leftMat, 1.0f, srcMat, 1.0f, 0.0f, leftMat);
        // 中间为调整滤波参数的相关设置
        cvui::printf(windowMat, 375, 20, "ksize = size *  2 + 1");
        cvui::trackbar(windowMat, 375, 30, 165, &ksize, 0, 10);

        cvui::printf(windowMat, 375, 80, "sigmaX");
        cvui::trackbar(windowMat, 375, 90, 165, &sigmaX, 0, 100);

        cvui::printf(windowMat, 375, 140, "sigmaY");
        cvui::trackbar(windowMat, 375, 150, 165, &sigmaY, 0, 100);

        // 高斯滤波
        cv::GaussianBlur(srcMat, dstMat, cv::Size(ksize * 2 + 1, ksize * 2 + 1), sigmaX / 10.f, sigmaY / 10.f);

        // 效果图copy到右边
        // 注意：rang从位置1到位置2，不是位置1+宽度
        cv::Mat rightMat = windowMat(cv::Range(0, srcMat.rows),
                                     cv::Range(srcMat.cols * 2, srcMat.cols * 3));
        cv::addWeighted(rightMat, 0.0f, dstMat, 1.0f, 0.0f, rightMat);
        // 更新
        cvui::update();
        // 显示
        cv::imshow(windowName, windowMat);
        // esc键退出
        if(cv::waitKey(25) == 27)
        {
            break;
        }
    }
}

 

工程模板：对应版本号v1.11.0

      对应版本号v1.11.0

 

上一篇：《OpenCV开发笔记（十五）：算法基础之线性滤波-均值滤波》

下一篇：《OpenCV开发笔记（十七）：算法基础之线性滤波对比-方框、均值、高斯滤波》

 

原博主博客地址：https://blog.csdn.net/qq21497936
原博主博客导航：https://blog.csdn.net/qq21497936/article/details/102478062
本文章博客地址：https://blog.csdn.net/qq21497936/article/details/104490409