图像的实质是一种二维信号,滤波是信号处理中的一个重要概念。在图像处理中,滤波是一种非常常见的技术,它们的原理非常简单,但是其思想却十分值得借鉴,滤波是很多图像算法的前置步骤或基础,掌握图像滤波对理解卷积神经网络也有一定帮助。
了解图像滤波的分类和基本概念
理解几种图像滤波的原理
掌握OpenCV框架下滤波API的使用
1、几种图像滤波的原理
2、OpenCV代码实践
线性滤波: 对邻域中的像素的计算为线性运算时,如利用窗口函数进行平滑加权求和的运算,或者某种卷积运算,都可以称为线性滤波。常见的线性滤波有:方框滤波、均值滤波、高斯滤波、拉普拉斯滤波等等,通常线性滤波器之间只是模版的系数不同。
非线性滤波: 非线性滤波利用原始图像跟模版之间的一种逻辑关系得到结果,如最值滤波器,中值滤波器。比较常用的有中值滤波器和双边滤波器。
数字图像是一个二维的数组,对数字图像做卷积操作其实就是利用卷积核在图像上滑动,将图像点上的像素值与对应的卷积核上的数值相乘,然后将所有相乘后的值相加作为卷积核中间像素点的像素值,并最终滑动完所有图像的过程。
通常,卷积核的宽度和高度一般是奇数,这样才有中心的像素点,所以卷积核一般都是3x3,5x5或者7x7等。 n × n n×n n×n的卷积核的半径为 ( n − 1 ) / 2 (n-1)/2 (n−1)/2,例如5x5大小的卷积核的半径就是2。
函数介绍:python中的skimage图像处理模块
skimage.util.random_noise(image, mode, seed=None, clip=True, **kwargs)
该函数可以方便的为图像添加各种类型的噪声。
参数:
image
为输入图像数据,类型为ndarray,输入后将转换为float64格式。mode
选择添加噪声的类别。字符串str类型。
seed
int类型。 将在生成噪声之前设置随机种子,以进行有效的伪随机比较。clip
bool类型。若为True则在加入噪声后进行剪切以保证图像数据点都在[0,1]或[-1.1]之间。若为False,则数据可能超出这个范围。椒盐噪声也称为脉冲噪声,是图像中常常见到的一种噪声,它是一种随机出现的白点或者黑点,可能是亮的区域有黑色像素或是在暗的区域有白色像素(或是两者皆有)。
产生具有椒盐噪声的图像:(python)
from skimage import util
import cv2
if __name__ == "__main__":
img = cv2.imread("D:\\yt\\pictures2\\wink.jpg")
#产生椒盐噪声,处理后图像变为float64格式
noise_sp_img = util.random_noise(img, mode="s&p")
#显示图像
cv2.imshow("origin image",img)
cv2.imshow("sp noise",noise_sp_img)
#将图像转换为uint8格式,否则保存后是全黑的。
noise_sp_img = cv2.normalize(noise_sp_img, None, 0, 255, cv2.NORM_MINMAX, cv2.CV_8U)
#储存图像
cv2.imwrite("D:\\yt\\pictures2\\sp_noise.jpg",noise_sp_img)
cv2.waitKey(0)
cv2.destroyAllWindows()
高斯噪声是指它的概率密度函数服从高斯分布(即正态分布)的一类噪声。如果一个噪声,它的幅度分布服从高斯分布,而它的功率谱密度又是均匀分布的,则称它为高斯白噪声。高斯白噪声的二阶矩不相关,一阶矩为常数,是指先后信号在时间上的相关性。高斯噪声是与光强没有关系的噪声,无论像素值是多少,噪声的平均水平(一般是0)不变。
产生具有高斯噪声的图像:(python)
from skimage import util
import cv2
if __name__ == "__main__":
img = cv2.imread("D:\\yt\\pictures2\\wink.jpg")
#产生高斯噪声,处理后图像变为float64格式
noise_gs_img = util.random_noise(img, mode="gaussian")
#显示图像
cv2.imshow("origin image",img)
cv2.imshow("gaussian noise",noise_gs_img
#将图像转换为uint8格式,否则保存后是全黑的。
noise_gs_img = cv2.normalize(noise_gs_img, None, 0, 255, cv2.NORM_MINMAX, cv2.CV_8U)
#储存图像
cv2.imwrite("D:\\yt\\pictures2\\gs_noise.jpg",noise_gs_img)
cv2.waitKey(0)
cv2.destroyAllWindows()
方框滤波是一种非常有用的线性滤波,也叫盒子滤波。
积分图:
图像积分图中每个点的值是原图像中该点左上角的所有像素值之和。
建立一个数组作为积分图像,其宽度和高度与原图像相等.,然后对这个数组赋值,每个点存储的是原图像中该点左上角的所有像素值之和。
对一个灰度图而言,事先将其积分图构建好,当需要计算灰度图某个区域内所有像素点的像素值之和的时候,都可以通过查表的方法和有限次简单运算,迅速得到结果。
优势: 它可以使复杂度为O(MN)的求和,求方差等运算降低到O(1)或近似于O(1)的复杂度,也就是说与邻域尺寸无关了,有点类似积分图,但是比积分图更快(与它的实现方式有关)。
方框滤波采用下面的卷积核与图像进行卷积:
M = [ 1 1 . . . 1 1 1 1 . . . 1 1 . . . . . . 1 1 . . . 1 1 ] M= \begin{bmatrix} 1 & 1 & ...&1&1 \\ 1 & 1 & ...&1&1\\ &&......\\ 1&1&...&1&1 \end{bmatrix} M=⎣⎢⎢⎡111111...............111111⎦⎥⎥⎤
应用:
可以说,一切需要求某个邻域内像素之和的场合,都有方框滤波的用武之地,比如:均值滤波、引导滤波、计算Haar特征等等。方框滤波还可以用来计算每个像素邻域上的各种积分特性,方差、协方差,平方和等等。
均值滤波就是方框滤波归一化的特殊情况。使卷积核所有的元素之和等于1。卷积核如下:
M = 1 α [ 1 1 . . . 1 1 1 1 . . . 1 1 . . . . . . 1 1 . . . 1 1 ] M=\frac{1}{\alpha}\begin{bmatrix} 1 & 1 & ...&1&1 \\ 1 & 1 & ...&1&1\\ &&......\\ 1&1&...&1&1 \end{bmatrix}\\ M=α1⎣⎢⎢⎡111111...............111111⎦⎥⎥⎤
α \alpha α为卷积核中点的个数。
均值滤波是方框滤波的特殊情况,均值滤波方法是:对要处理的像素,选择一个模板,该模板由其邻域内的若干个像素组成,用模板的均值来替代原像素的值。
可见,归一化了就是均值滤波;不归一化则是方框滤波。
均值滤波的缺点:
均值滤波本身存在着固有的缺陷,即它不能很好地保护图像细节,在图像去噪的同时也破坏了图像的细节部分,从而使图像变得模糊,不能很好地去除噪声点。特别是椒盐噪声。
利用均值滤波处理图像:
应用:
均值模糊可以模糊图像以便得到感兴趣物体的粗略描述,也就是说,去除图像中的不相关细节,其中“不相关”是指与滤波器模板尺寸相比较小的像素区域,从而对图像有一个整体的认知。即为了对感兴趣的物体得到一个大致的整体的描述而模糊一幅图像,忽略细小的细节。
在进行均值滤波和方框滤波时。其邻域内每个像素的权重是相等的。在高斯滤波中,会将中心点的权重值加大,原理中心点的权重值减小,在此基础上计算邻域内各个像素值不同权重的和。
在高斯滤波中,核的宽度和高度可以不相同,但是它们都必须是奇数。
在实际应用中,卷积核都会经过归一化,归一化后可以表示为小数形式或分数形式。没有进行归一化的卷积核进行滤波,结果往往是错误的。
高斯滤波和均值滤波一样,都是利用一个掩膜和图像进行卷积求解。不同之处在于:均值滤波器的模板系数都是相同的为1,而高斯滤波器的模板系数,则随着距离模板中心的增大而系数减小(服从二维高斯分布)。所以,高斯滤波器相比于均值滤波器对图像的模糊程度较小,更能够保持图像的整体细节。
先介绍一下二维高斯分布:
f ( x , y ) = 1 ( 2 π σ ) 2 e − ( ( x − u x ) 2 + ( y − u y ) 2 ) / 2 σ 2 f(x,y)=\frac{1}{(\sqrt{2\pi}\sigma)^2}e^{-((x-u_{x})^2+(y-u_{y})^2)/{2\sigma^2}} f(x,y)=(2πσ)21e−((x−ux)2+(y−uy)2)/2σ2
首先我们要确定卷积核的尺寸ksize,然后设定高斯分布的标准差。生成的过程,首先根据模板的大小,找到模板的中心位置 ( u x , u y ) (u_{x},u_{y}) (ux,uy)。 然后遍历,将模板中每个坐标带入高斯分布的函数,计算每个位置的系数。
具体过程如下:
不必纠结于系数,因为它只是一个常数,并不会影响互相之间的比例关系,并且最终都要进行归一化,所以在实际计算时我们忽略它而只计算后半部分。
根据二维高斯分布公式,其中 ( x , y ) (x,y) (x,y)为卷积核内任一点的坐标, ( u x , u y ) (u_{x},u_{y}) (ux,uy)为卷积核中心点的坐标,通常为 ( 0 , 0 ) (0,0) (0,0);σ是标准差。
例如:要产生一个3×3的高斯滤波器模板,以模板的中心位置为坐标原点。模板中各个位置的坐标,如下图所示。
这时,高斯分布的函数可以改为:
f ( x , y ) = 1 ( 2 π σ ) 2 e − ( x 2 + y 2 ) / 2 σ 2 f(x,y)=\frac{1}{(\sqrt{2\pi}\sigma)^2}e^{-(x^2+y^2)/{2\sigma^2}} f(x,y)=(2πσ)21e−(x2+y2)/2σ2
然后,将各个位置的坐标 ( x , y ) (x,y) (x,y)带入到高斯函数中,得到的值就是模板的系数。
通常模板有两种形式:小数形式和整数形式。
不难发现,高斯滤波器模板的生成最重要的参数就是高斯分布的标准差σ。标准差代表着数据的离散程度,如果σ较小,那么生成的模板的中心系数较大,而周围的系数较小,这样对图像的平滑效果就不是很明显;反之,σ较大,则生成的模板的各个系数相差就不是很大,比较类似均值模板,对图像的平滑效果比较明显。
一维高斯分布的概率分布密度图:图中,紫色的σ较小,青色的σ较大。
应用: 高斯滤波是一种线性平滑滤波器,对于服从正态分布的噪声有很好的抑制作用。在实际场景中,我们通常会假定图像包含的噪声为高斯白噪声,所以在许多实际应用的预处理部分,都会采用高斯滤波抑制噪声,如传统车牌识别等。
中值滤波不再采用加权求和的方式计算滤波结果,它用邻域内所有像素值的中间值来代替当前像素点的像素值。
中值滤波会取当前像素点及其周围临近像素点的像素值,一般有奇数个像素点,将这些像素值排序,将排序后位于中间位置的像素值作为当前像素点的像素值。
中值滤波对于斑点噪声(speckle noise)和椒盐噪声(salt-and-pepper
noise)来说尤其有用,因为它不依赖于邻域内那些与典型值差别很大的值,而且噪声成分很难被选上,所以可以在几乎不影响原有图像的情况下去除全部噪声。但是由于需要进行排序操作,中值滤波的计算量较大。
中值滤波器在处理连续图像窗函数时与线性滤波器的工作方式类似,但滤波过程却不再是加权运算。
如下图:
滤波核大小为3,邻域内的像素值排序后为 [ 56 , 66 , 90 , 91 , 93 , 94 , 95 , 97 , 101 ] [56,66,90,91,93,94,95,97,101] [56,66,90,91,93,94,95,97,101],中值为 93 93 93,所以用 93 93 93替换中心点原来的像素值 56 56 56。
双边滤波是综合考虑空间信息和色彩信息的滤波方式,在滤波过程中能有效的保护图像内的边缘信息。
双边滤波在计算某一个像素点的像素值时,同时考虑距离信息(距离越远,权重越小)和色彩信息(色彩差别越大,权重越小)。既能去除噪声,又能较好的保护边缘信息。
如下图:
在双边滤波中,计算左侧白色区域的滤波结果时:
计算右侧黑色区域的滤波结果时:
这样,左侧白色的滤波结果仍是白色,黑色的像素点权重为0,对它不会有影响;右侧黑色的滤波结果仍是黑色,白色的像素点权重为0,对它不会有影响。所以,双边滤波会将边缘信息保留。
对于图像的边界点,不存在 n × n n×n n×n的邻域区域,例如左上角第一行第一列的像素点,如果以其为中心取 3 × 3 3×3 3×3的领域,则部分区域位于图像外部,图像外部是没有像素点和像素值的,所以无法计算像素和。在实际处理过程中需要对图像边界进行扩充,如下图。
扩充后的点需要填充像素值,常见的几种方式:
为了更直观的体现填充情况,这里设卷积核为 5 × 5 5×5 5×5的,填充情况如下:
void boxFilter( InputArray src, OutputArray dst,
int ddepth,
Size ksize,
Point anchor = Point(-1,-1),
bool normalize = true,
int borderType = BORDER_DEFAULT );
参数:
src
输入图像dst
输出图像,和输入图像有相同尺寸和类型ddepth
输出图像的深度,-1代表使用原图深度ksize
滤波核的大小,一般写成Size(w,h),w表示宽度,h表示高度。Size(3,3)就表示3x3的核大小,Size(5,5)就表示5x5的核大小anchor
表示锚点(即被平滑的那个点),默认值为Point(-1,-1),表示当前计算的点位于核中心的位置。如果这个点坐标是负值,就表示取核的中心为锚点。在特殊情况下可以指定不同的点作为锚点normalize
– 表示在滤波时是否进行归一化。
borderType
– 边界样式,决定了以何种方式处理边界,一般采用默认值即可。可参考:cv::BorderTypes关于是否归一化:
α = { 1 k s i z e . w i d t h ∗ k s i z e . h e i g h t n o r m a l i z e = 0 1 其 他 \alpha = \left\{ \begin{array}{rcl} &\frac{1}{ksize.width * ksize.height}&{normalize=0}\\\\ & 1&{其他} \end{array} \right. α=⎩⎨⎧ksize.width∗ksize.height11normalize=0其他
如果没有进行归一化处理,邻域内的像素值和基本都会超过像素的最大值255,最后得到的图像接近纯白色,部分点处有颜色。有颜色的点是因为这些点周围邻域的像素值均较小,相加后仍小于255。如下图:
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,和输入图像有相同尺寸和类型ddepth
输出图像的深度,-1代表使用原图深度ksize
滤波核的大小,一般写成Size(w,h),w表示宽度,h表示高度。Size(3,3)就表示3x3的核大小,Size(5,5)就表示5x5的核大小anchor
表示锚点(即被平滑的那个点),默认值为Point(-1,-1),表示当前计算的点位于核中心的位置。如果这个点坐标是负值,就表示取核的中心为锚点。在特殊情况下可以指定不同的点作为锚点borderType
– 边界样式,决定了以何种方式处理边界,一般采用默认值即可。可参考:cv::BorderTypesvoid 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,和输入图像有相同尺寸和类型ddepth
输出图像的深度,-1代表使用原图深度ksize
滤波核的大小,一般写成Size(w,h),w表示宽度,h表示高度。Size(3,3)就表示3x3的核大小,Size(5,5)就表示5x5的核大小sigmaX
表示卷积核在X方向的的标准偏差。sigmaY
表示卷积核在Y方向的的标准偏差。若sigmaY为零,就将它设为sigmaX,如果sigmaX和sigmaY都是0,那么就由ksize.width和ksize.height计算出来。
borderType
– 边界样式,决定了以何种方式处理边界,一般采用默认值即可。可参考:cv::BorderTypesvoid medianBlur(InputArray src, OutputArray dst,
int ksize);
参数:
src
输入图像dst
输出图像,和输入图像有相同尺寸和类型ksize
滤波核的大小,注意这里是int形式的ksize,输入一个整数即可,3就表示3x3的核大小,5就表示5x5的核大小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,和输入图像有相同尺寸和类型d
滤波时选取的空间距离参数,这里表示以当前像素点为中心点的直径。如果d为非正数,自动从sigmaSpace计算得到。如果滤波空间较大,速度会较慢。实际应用中,推荐d=5。sigmaColor
滤波时选取的颜色范围,该值决定了哪些像素点可以参与到滤波中。该值为0时,滤波失去意义;该值为255时,指定直径内的所有点都能参与运算。sigmaSpace
表示滤波时选取的颜色范围。它的值越大,有越多的点能够参与到滤波计算中。当d>0时,无论sigmaSpace的值为多少,d都指定邻域大小。否则,d与sigmaSpace与成比例。borderType
– 边界样式,决定了以何种方式处理边界,一般采用默认值即可。可参考:cv::BorderTypes#include
#include
#include
using namespace cv;
using namespace std;
int main()
{
//载入图像
Mat img1 = imread("D:\\yt\\picture\\blur\\gs_noise5.jpg");
Mat dst1,dst2,dst3,dst4;
//方框滤波
boxFilter(img1, dst1, -1, Size(5, 5), Point(-1, -1), true, BORDER_CONSTANT);
//均值滤波
blur(img1, dst2, Size(5, 5));
//高斯滤波
GaussianBlur(img3, dst4, Size(5, 5), 0.8);
//显示图像
imshow("方框滤波效果图", dst1);
imshow("均值滤波效果图", dst2);
imshow("高斯滤波效果图", dst3);
//储存图像
imwrite("D:\\yt\\picture\\blur\\boxFilter_jay.jpg", dst1);
imwrite("D:\\yt\\picture\\blur\\blur_jay.jpg", dst2);
imwrite("D:\\yt\\picture\\blur\\gs_blur_jay.jpg", dst3);
waitKey(0);
return 0;
}
#include
#include
#include
using namespace cv;
using namespace std;
int main()
{
//载入图像
Mat img1 = imread("D:\\yt\\picture\\blur\\sp_noise5.jpg");
Mat dst1,dst2;
//高斯滤波
GaussianBlur(img1, dst1, Size(5, 5), 0.8);
//中值滤波
medianBlur(img1,dst2, 5);
//显示图像
imshow("高斯滤波效果图", dst1);
imshow("中值滤波效果图", dst2);
//储存图像
imwrite("D:\\yt\\picture\\blur\\gs_blur_jay3.jpg", dst1);
imwrite("D:\\yt\\picture\\blur\\medianblur_jay2.jpg", dst2);
waitKey(0);
return 0;
}
#include
using namespace cv;
using namespace std;
int main()
{
//载入图像
Mat img1 = imread("D:\\yt\\picture\\blur\\the_eight_dimensions.jpg");
Mat dst1,dst2;
//高斯滤波
GaussianBlur(img1, dst1, Size(5, 5), 0.8);
//双边滤波
bilateralFilter(img2,dst2,5,100,100);
//显示图像
imshow("高斯滤波效果图", dst1);
imshow("双边滤波效果图", dst2);
//储存图像
imwrite("D:\\yt\\picture\\blur\\medianblur_jay2.jpg", dst1);
imwrite("D:\\yt\\picture\\blur\\bilateralFilter_jay2.jpg", dst2);
waitKey(0);
return 0;
}
#include
#include
#include
#include
/////////////////////////////////////////
//优化方法:求积分图
//由上方negral(i-1,j)加上当前行的和即可
//对于W*H图像:需要2*(W-1)*(H-1)次加减法
//比常规方法快1.5倍左右
/////////////////////////////////////////
void Fast_integral(cv::Mat& src, cv::Mat& dst){
int nr = src.rows;
int nc = src.cols;
int sum_r = 0;
dst = cv::Mat::zeros(nr + 1, nc + 1, CV_64F);
for (int i = 1; i < dst.rows; ++i){
for (int j = 1, sum_r = 0; j < dst.cols; ++j){
//行累加,因为积分图相当于在原图上方加一行,左边加一列,所以积分图的(1,1)对应原图(0,0),(i,j)对应(i-1,j-1)
sum_r = src.at<uchar>(i - 1, j - 1) + sum_r; //行累加
dst.at<double>(i, j) = dst.at<double>(i - 1, j) + sum_r;
}
}
}
//盒子滤波-均值滤波是其特殊情况
void BoxFilter(cv::Mat& src, cv::Mat& dst, cv::Size wsize, bool normalize){
//图像边界扩充
if (wsize.height % 2 == 0 || wsize.width % 2 == 0){
fprintf(stderr, "Please enter odd size!");
exit(-1);
}
int hh = (wsize.height - 1) / 2;
int hw = (wsize.width - 1) / 2;
cv::Mat Newsrc;
cv::copyMakeBorder(src, Newsrc, hh, hh, hw, hw, cv::BORDER_REFLECT);//以边缘为轴,对称
src.copyTo(dst);
//计算积分图
cv::Mat inte;
Fast_integral(Newsrc, inte);
//BoxFilter
double mean = 0;
for (int i = hh + 1; i < src.rows + hh + 1; ++i){ //积分图图像比原图(边界扩充后的)多一行和一列
for (int j = hw + 1; j < src.cols + hw + 1; ++j){
double top_left = inte.at<double>(i - hh - 1, j - hw - 1);
double top_right = inte.at<double>(i - hh - 1, j + hw);
double buttom_left = inte.at<double>(i + hh, j - hw - 1);
double buttom_right = inte.at<double>(i + hh, j + hw);
if (normalize == true)
mean = (buttom_right - top_right - buttom_left + top_left) / wsize.area();
else
mean = buttom_right - top_right - buttom_left + top_left;
//一定要进行判断和数据类型转换
if (mean < 0)
mean = 0;
else if (mean>255)
mean = 255;
dst.at<uchar>(i - hh - 1, j - hw - 1) = static_cast<uchar>(mean);
}
}
}
int main(){
cv::Mat src = cv::imread("D:/yt/picture/blur/harbin.jpg");
if (src.empty()){
return -1;
}
//自编BoxFilter测试
cv::Mat dst1;
double t2 = (double)cv::getTickCount(); //测时间
if (src.channels() > 1){
std::vector<cv::Mat> channel;
cv::split(src, channel);
BoxFilter(channel[0], channel[0], cv::Size(7, 7), true);//盒子滤波
BoxFilter(channel[1], channel[1], cv::Size(7, 7), true);//盒子滤波
BoxFilter(channel[2], channel[2], cv::Size(7, 7), true);//盒子滤波
cv::merge(channel,dst1);
}else
BoxFilter(src, dst1, cv::Size(7, 7), true);//盒子滤波
t2 = (double)cv::getTickCount() - t2;
double time2 = (t2 *1000.) / ((double)cv::getTickFrequency());
std::cout << "FASTmy_process=" << time2 << " ms. " << std::endl << std::endl;
//opencv自带BoxFilter测试
cv::Mat dst2;
double t1 = (double)cv::getTickCount(); //测时间
cv::boxFilter(src, dst2, -1, cv::Size(7, 7), cv::Point(-1, -1), true, cv::BORDER_CONSTANT);//盒子滤波
t1 = (double)cv::getTickCount() - t1;
double time1 = (t1 *1000.) / ((double)cv::getTickFrequency());
std::cout << "Opencvbox_process=" << time1 << " ms. " << std::endl << std::endl;
cv::namedWindow("src");
cv::imshow("src", src);
cv::namedWindow("ourdst",CV_WINDOW_NORMAL);
cv::imshow("ourdst", dst1);
cv::namedWindow("opencvdst", CV_WINDOW_NORMAL);
cv::imshow("opencvdst", dst2);
cv::waitKey(0);
}
#include
#include
#include
#include
void MeanFilater(cv::Mat& src,cv::Mat& dst,cv::Size wsize){
//图像边界扩充:窗口的半径
if (wsize.height % 2 == 0 || wsize.width % 2 == 0){
fprintf(stderr,"Please enter odd size!" );
exit(-1);
}
int hh = (wsize.height - 1) / 2;
int hw = (wsize.width - 1) / 2;
cv::Mat Newsrc;
cv::copyMakeBorder(src, Newsrc, hh, hh, hw, hw, cv::BORDER_REFLECT_101);//以边缘为轴,对称
dst=cv::Mat::zeros(src.size(),src.type());
//均值滤波
int sum = 0;
int mean = 0;
for (int i = hh; i < src.rows + hh; ++i){
for (int j = hw; j < src.cols + hw;++j){
for (int r = i - hh; r <= i + hh; ++r){
for (int c = j - hw; c <= j + hw;++c){
sum = Newsrc.at<uchar>(r, c) + sum;
}
}
mean = sum / (wsize.area());
dst.at<uchar>(i-hh,j-hw)=mean;
sum = 0;
mean = 0;
}
}
}
int main(){
cv::Mat src = cv::imread("D:/yt/picture/blur/harbin.jpg");
if (src.empty()){
return -1;
}
if (src.channels() > 1)
cv::cvtColor(src,src,CV_RGB2GRAY);
cv::Mat dst;
cv::Mat dst1;
cv::Size wsize(7,7);
double t2 = (double)cv::getTickCount();
MeanFilater(src, dst, wsize); //均值滤波
t2 = (double)cv::getTickCount() - t2;
double time2 = (t2 *1000.) / ((double)cv::getTickFrequency());
std::cout << "FASTmy_process=" << time2 << " ms. " << std::endl << std::endl;
cv::namedWindow("src");
cv::imshow("src", src);
cv::namedWindow("dst");
cv::imshow("dst", dst);
cv::imwrite("D:/yt/picture/blur/gsblur.jpg",dst);
cv::waitKey(0);
}
//按二维高斯函数实现高斯滤波
void GaussianFilter(cv::Mat& src, cv::Mat& dst, cv::Mat window){
int hh = (window.rows - 1) / 2;
int hw = (window.cols - 1) / 2;
dst = cv::Mat::zeros(src.size(),src.type());
//边界填充
cv::Mat Newsrc;
cv::copyMakeBorder(src, Newsrc, hh, hh, hw, hw, cv::BORDER_REPLICATE);//边界复制
//高斯滤波
for (int i = hh; i < src.rows + hh;++i){
for (int j = hw; j < src.cols + hw; ++j){
double sum[3] = { 0 };
for (int r = -hh; r <= hh; ++r){
for (int c = -hw; c <= hw; ++c){
if (src.channels() == 1){
sum[0] = sum[0] + Newsrc.at<uchar>(i + r, j + c) * window.at<double>(r + hh, c + hw);
}
else if (src.channels() == 3){
cv::Vec3b rgb = Newsrc.at<cv::Vec3b>(i+r,j + c);
sum[0] = sum[0] + rgb[0] * window.at<double>(r + hh, c + hw);//B
sum[1] = sum[1] + rgb[1] * window.at<double>(r + hh, c + hw);//G
sum[2] = sum[2] + rgb[2] * window.at<double>(r + hh, c + hw);//R
}
}
}
for (int k = 0; k < src.channels(); ++k){
if (sum[k] < 0)
sum[k] = 0;
else if (sum[k]>255)
sum[k] = 255;
}
if (src.channels() == 1)
{
dst.at<uchar>(i - hh, j - hw) = static_cast<uchar>(sum[0]);
}
else if (src.channels() == 3)
{
cv::Vec3b rgb = { static_cast<uchar>(sum[0]), static_cast<uchar>(sum[1]), static_cast<uchar>(sum[2]) };
dst.at<cv::Vec3b>(i-hh, j-hw) = rgb;
}
}
}
}
import cv2
import numpy as np
if __name__ == "__main__":
img = cv2.imread('D:/yt/picture/blur/gs_tiger.jpg', cv2.IMREAD_COLOR)
#方框滤波
dst1 = cv2.boxFilter(img, -1,(5,5),normalize=1)
#均值滤波
dst2 = cv2.blur(img,(5,5))
#高斯滤波
dst3 = cv2.GaussianBlur(img,(5,5),0,0)
# 显示图像
cv2.imshow("origin image", img)
cv2.imshow("boxFilter image", dst1)
cv2.imshow("blur image", dst2)
cv2.imshow("gsBlur image", dst3)
# 保存图像
cv2.imwrite("D:/yt/picture/blur/boxFilter_tiger.jpg", dst1)
cv2.imwrite("D:/yt/picture/blur/blur_tiger.jpg", dst2)
cv2.imwrite("D:/yt/picture/blur/gsBlur_tiger.jpg", dst3)
cv2.waitKey(0)
cv2.destroyAllWindows()
import cv2
import numpy as np
if __name__ == "__main__":
img = cv2.imread('D:/yt/picture/blur/harbin.jpg', cv2.IMREAD_COLOR)
#高斯滤波
dst4 = cv2.GaussianBlur(img,(5,5),0,0)
#中值滤波
dst5 = cv2.medianBlur(img,5)
# 显示图像
cv2.imshow("origin image", img)
cv2.imshow("gaussian",dst4)
cv2.imshow("median",dst5)
# 保存图像
cv2.imwrite("D:/yt/picture/blur/gsBlur_img.jpg",dst4)
cv2.imwrite("D:/yt/picture/blur/medianBlur_img.jpg",dst5)
cv2.waitKey(0)
cv2.destroyAllWindows()
下图左边为原图,右边是高斯滤波处理后。
可以看出高斯滤波对椒盐噪声的效果不如中值滤波
import cv2
import numpy as np
if __name__ == "__main__":
img = cv2.imread('D:/yt/picture/blur/white_black.jpg', cv2.IMREAD_COLOR)
#高斯滤波
dst4 = cv2.GaussianBlur(img,(25,25),0,0)
#双边滤波
dst6 = cv2.bilateralFilter(img,25,100,100)
# 显示图像
cv2.imshow("origin image", img)
cv2.imshow("gaussian", dst4)
cv2.imshow("bilateral",dst6)
# 保存图像
cv2.imwrite("D:/yt/picture/blur/gsblur_wb.jpg",dst4)
cv2.imwrite("D:/yt/picture/blur/bilateral_wb.jpg",dst6)
cv2.waitKey(0)
cv2.destroyAllWindows()
可以看出,经过高斯滤波的边缘被模糊虚化了,经过双边滤波的边缘得到了较好的保留。
— By: 胖虎
博客:https://blog.csdn.net/qq_44957388
关于Datawhale:
Datawhale是一个专注于数据科学与AI领域的开源组织,汇集了众多领域院校和知名企业的优秀学习者,聚合了一群有开源精神和探索精神的团队成员。Datawhale以“for the learner,和学习者一起成长”为愿景,鼓励真实地展现自我、开放包容、互信互助、敢于试错和勇于担当。同时Datawhale 用开源的理念去探索开源内容、开源学习和开源方案,赋能人才培养,助力人才成长,建立起人与人,人与知识,人与企业和人与未来的联结。