OpenCV3 和 Qt5 计算机视觉 学习笔记 - 颜色和色彩空间 - OpenCV 中的过滤函数
OpenCV 中的所有过滤函数均会拍摄图像，并产生尺寸和通道完全相同的图像。 如前所述，它们也都带有borderType参数，我们刚刚完成了实验和学习。 除此之外，每个过滤函数都有自己的必需参数来配置其行为。 这是可用的 OpenCV 过滤函数的列表及其说明和使用方法。 在列表的最后，您可以找到一个示例插件（称为filter_plugin）及其源代码的链接，其中包括以下列表中提到的大多数过滤器，并带有 GUI 控件以试验不同的参数和设置。 为每一个：
bilateralFilter：可用于获取图像的Bilateral Filtered副本。 根据σ值和直径，您可以获得的图像看上去可能与原始图像没有太大差异，或者获得的图像看起来像卡通图像（如果σ值足够高）。 这是bilateralFilter函数作为我们的应用的插件工作的示例代码：
bilateralFilter(inpMat,outMat,15,200,200);
//tag 选项
#define BILATERAL_FILTER_PAGE 0
#define BLUR_FILTER_PAGE 1
#define BOX_FILTER_PAGE 2
#define GAUSSIAN_FILTER_PAGE 3
#define MEDIAN_FILTER_PAGE 4
#define FILTER2D_PAGE 5
#define DERIVATIVES_PAGE 6
#define MORPH_PAGE 7
设置插件的界面
void Filter_Plugin::setupUi(QWidget *parent)
{
ui = new Ui::PluginGui;
ui->setupUi(parent);
ui->mainTabs->setCurrentIndex(0);
connect(ui->mainTabs, SIGNAL(currentChanged(int)), this, SLOT(on_mainTabs_currentChanged(int)));
connect(ui->bilateralDiaSpin, SIGNAL(valueChanged(int)), this, SLOT(on_bilateralDiaSpin_valueChanged(int)));
connect(ui->bilateralSigmaColorSpin, SIGNAL(valueChanged(double)), this, SLOT(on_bilateralSigmaColorSpin_valueChanged(double)));
connect(ui->bilateralSigmaSpaceSpin, SIGNAL(valueChanged(double)), this, SLOT(on_bilateralSigmaSpaceSpin_valueChanged(double)));
connect(ui->blurKernelSizeSpinBox, SIGNAL(valueChanged(int)), this, SLOT(on_blurKernelSizeSpinBox_valueChanged(int)));
connect(ui->blurAnchoXSpin, SIGNAL(valueChanged(int)), this, SLOT(on_blurAnchoXSpin_valueChanged(int)));
connect(ui->blurAnchoYSpin, SIGNAL(valueChanged(int)), this, SLOT(on_blurAnchoYSpin_valueChanged(int)));
connect(ui->boxKernelSizeSpinBox, SIGNAL(valueChanged(int)), this, SLOT(on_boxKernelSizeSpinBox_valueChanged(int)));
connect(ui->boxDepthSpin, SIGNAL(valueChanged(int)), this, SLOT(on_boxDepthSpin_valueChanged(int)));
connect(ui->boxAnchoXSpin, SIGNAL(valueChanged(int)), this, SLOT(on_boxAnchoXSpin_valueChanged(int)));
connect(ui->boxAnchoYSpin, SIGNAL(valueChanged(int)), this, SLOT(on_boxAnchoYSpin_valueChanged(int)));
connect(ui->boxNormalCheck, SIGNAL(toggled(bool)), this, SLOT(on_boxNormalCheck_toggled(bool)));
connect(ui->gaussKernelSizeSpinBox, SIGNAL(valueChanged(int)), this, SLOT(on_gaussKernelSizeSpinBox_valueChanged(int)));
connect(ui->gaussSigmaXSpin, SIGNAL(valueChanged(double)), this, SLOT(on_gaussSigmaXSpin_valueChanged(double)));
connect(ui->gaussSigmaYSpin, SIGNAL(valueChanged(double)), this, SLOT(on_gaussSigmaYSpin_valueChanged(double)));
connect(ui->medianApertureSpin, SIGNAL(valueChanged(int)), this, SLOT(on_medianApertureSpin_valueChanged(int)));
connect(ui->derivSobelRadio, SIGNAL(toggled(bool)), this, SLOT(on_derivSobelRadio_toggled(bool)));
connect(ui->derivScharrRadio, SIGNAL(toggled(bool)), this, SLOT(on_derivScharrRadio_toggled(bool)));
connect(ui->derivLaplacRadio, SIGNAL(toggled(bool)), this, SLOT(on_derivLaplacRadio_toggled(bool)));
connect(ui->derivDeltaSpin, SIGNAL(valueChanged(double)), this, SLOT(on_derivDeltaSpin_valueChanged(double)));
connect(ui->derivScaleSpin, SIGNAL(valueChanged(double)), this, SLOT(on_derivScaleSpin_valueChanged(double)));
ui->morphShapesCombo->addItems(
QStringList() << "MORPH_RECT" << "MORPH_CROSS" << "MORPH_ELLIPSE");
ui->morphTypesCombo->addItems(
QStringList() << "MORPH_ERODE" << "MORPH_DILATE" << "MORPH_OPEN" << "MORPH_CLOSE"
<< "MORPH_GRADIENT" << "MORPH_TOPHAT" << "MORPH_BLACKHAT");
connect(ui->morphDilateRadio, SIGNAL(toggled(bool)), this, SLOT(on_morphDilateRadio_toggled(bool)));
connect(ui->morphErodeRadio, SIGNAL(toggled(bool)), this, SLOT(on_morphErodeRadio_toggled(bool)));
connect(ui->morphMorphRadio, SIGNAL(toggled(bool)), this, SLOT(on_morphMorphRadio_toggled(bool)));
connect(ui->morphIterSpin, SIGNAL(valueChanged(int)), this, SLOT(on_morphIterSpin_valueChanged(int)));
connect(ui->morphShapesCombo, SIGNAL(currentIndexChanged(int)), this, SLOT(on_morphShapesCombo_currentIndexChanged(int)));
connect(ui->morphTypesCombo, SIGNAL(currentIndexChanged(int)), this, SLOT(on_morphTypesCombo_currentIndexChanged(int)));
}
void Filter_Plugin::processImage(const cv::Mat &inputImage, cv::Mat &outputImage)
{
using namespace cv;
Matx33f f2dkernel;
switch(ui->mainTabs->currentIndex())
{
// 双边滤波
case BILATERAL_FILTER_PAGE:
bilateralFilter(inputImage, // 输入图像，可以是Mat类型，图像必须是8位或浮点型单通道、三通道的图像
outputImage,//输出图像，和原图像有相同的尺寸和类型
ui->bilateralDiaSpin->value(), //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。
ui->bilateralSigmaColorSpin->value(), // 颜色空间过滤器的sigma值，这个参数的值月大，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。
ui->bilateralSigmaSpaceSpin->value());//坐标空间中滤波器的sigma值，如果该值较大，则意味着越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无关，否则d正比于sigmaSpace. （这个参数可以理解为空间域核w_d的\sigma_d）
break;
case BLUR_FILTER_PAGE:
blur(inputImage,
outputImage,
Size(ui->blurKernelSizeSpinBox->value(),
ui->blurKernelSizeSpinBox->value()),
Point(ui->blurAnchoXSpin->value(),
ui->blurAnchoYSpin->value()));
break;
case BOX_FILTER_PAGE:
boxFilter(inputImage,
outputImage,
ui->boxDepthSpin->value(),
Size(ui->boxKernelSizeSpinBox->value(),
ui->boxKernelSizeSpinBox->value()),
Point(ui->boxAnchoXSpin->value(),
ui->boxAnchoYSpin->value()),
ui->boxNormalCheck->isChecked());
// replace with sqrBoxFilter
break;
case GAUSSIAN_FILTER_PAGE:
GaussianBlur(inputImage,
outputImage,
Size(ui->gaussKernelSizeSpinBox->value(),
ui->gaussKernelSizeSpinBox->value()),
ui->gaussSigmaXSpin->value(),
ui->gaussSigmaYSpin->value());
break;
case MEDIAN_FILTER_PAGE:
medianBlur(inputImage,
outputImage,
ui->medianApertureSpin->value());
break;
case FILTER2D_PAGE:
f2dkernel = Matx33f(0, +1.5, 0,
+1.5, -6, +1.5,
0, +1.5, 0);
filter2D(inputImage,
outputImage,
-1, // Output should have same depth as source
f2dkernel,
Point(-1,-1));
break;
case DERIVATIVES_PAGE:
if(ui->derivSobelRadio->isChecked())
Sobel(inputImage, outputImage, -1, 1, 1, 3, ui->derivScaleSpin->value(), ui->derivDeltaSpin->value());
else if(ui->derivScharrRadio->isChecked())
Scharr(inputImage, outputImage, -1, 1, 0, ui->derivScaleSpin->value(), ui->derivDeltaSpin->value());
else if(ui->derivLaplacRadio->isChecked())
Laplacian(inputImage, outputImage, -1, 3, ui->derivScaleSpin->value(), ui->derivDeltaSpin->value());
break;
case MORPH_PAGE:
if(ui->morphErodeRadio->isChecked())
{
erode(inputImage,
outputImage,
getStructuringElement(ui->morphShapesCombo->currentIndex(),
Size(5,5)),
Point(-1,-1),
ui->morphIterSpin->value());
}
else if(ui->morphDilateRadio->isChecked())
{
dilate(inputImage,
outputImage,
getStructuringElement(ui->morphShapesCombo->currentIndex(),
Size(5,5)),
Point(-1,-1),
ui->morphIterSpin->value());
}
else if(ui->morphMorphRadio->isChecked())
{
morphologyEx(inputImage,
outputImage,
ui->morphTypesCombo->currentIndex(),
getStructuringElement(ui->morphShapesCombo->currentIndex(),
Size(5,5)),
Point(-1,-1),
ui->morphIterSpin->value());
}
break;
}
}
blur，boxFilter，sqrBoxFilter，GaussianBlur和medianBlur：这些均用于获取输入图像的平滑版本。 所有这些函数都使用核大小参数，该参数与直径参数基本相同，并且用于确定从中计算出滤波后像素的相邻像素的直径。 （尽管我们没有了解它们的详细信息，但是这些过滤器函数与我们在本书前面各章中使用的过滤器函数相同。）GaussianBlur函数需要提供高斯核标准差（σ）参数，在X和Y方向上。 （有关这些参数的数学来源的足够信息，请参阅 OpenCV 文档。）实际上，值得注意的是，高斯过滤器中的核大小必须为奇数和正数。 同样，如果核大小也足够高，较高的σ值只会对结果产生重大影响。 以下是提到的平滑过滤器的几个示例（左侧为GaussianBlur，右侧为medianBlur），以及示例函数调用：
Size kernelSize(5,5);
blur(inpMat,outMat,kernelSize);
int depth = -1; // output depth same as source
Size kernelSizeB(10,10);
Point anchorPoint(-1,-1);
bool normalized = true;
boxFilter(inutMat,outMat,depth,
kernelSizeB,anchorPoint, normalized);
double sigma = 10;
GaussianBlur(inpMat,outMat,kernelSize,sigma,sigma);
int apertureSize = 10;
medianBlur(inpMat,outMat,apertureSize);
filter2D：此函数可用于将自定义过滤器应用于图像。 您需要为此函数提供的一个重要参数是核矩阵。 此函数非常强大，它可以产生许多不同的结果，包括与我们先前看到的模糊函数相同的结果，以及许多其他过滤器，具体取决于提供的核。 这里有几个示例核，以及如何使用它们以及生成的图像。 确保尝试使用不同的核（您可以在互联网上搜索大量有用的核矩阵），并亲自尝试使用此函数：
// Sharpening image
Matx33f f2dkernel(0, -1, 0,
-1, 5, -1,
0, -1, 0);
int depth = -1; // output depth same as source
filter2D(inpMat,outMat,depth,f2dkernel);
*****
// Edge detection
Matx33f f2dkernel(0, +1.5, 0,
+1.5, -6, +1.5,
0, +1.5, 0);
int depth = -1; // output depth same as source
filter2D(inpMat,outMat,depth,f2dkernel);
Laplacian，Scharr，Sobel和spatialGradient：这些函数处理图像导数。 图像导数在计算机视觉中非常重要，因为它们可用于检测图像中具有变化或更好的是显着变化的区域（因为这是导数的用例之一）。 无需过多地讨论其理论和数学细节，可以提及的是，在实践中，它们用于处理边缘或角点检测，并且在 OpenCV 框架中被关键点提取方法广泛使用。 在前面的示例和图像中，我们还使用了导数计算核。 以下是一些有关如何使用它们以及产生的图像的示例。 屏幕截图来自Computer_Vision项目和filter_plugin，此列表后不久有一个链接。 您始终可以使用 Qt 控件（例如旋转框，刻度盘和滑块）来获取 OpenCV 函数的不同参数值，以更好地控制该函数的行为：
int depth = -1;
int dx = 1; int dy = 1;
int kernelSize = 3;
double scale = 5; double delta = 220;
Sobel(inpMat, outMat, depth,dx,dy,kernelSize,scale,delta);
如果我们使用以下代码：
int depth = -1;
int dx = 1; int dy = 0;
double scale = 1.0; double delta = 100.0;
Scharr(inpMat,outMat,depth,dx,dy,scale,delta);
对于以下代码：
int depth = -1; int kernelSize = 3;
double scale = 1.0; double delta = 0.0;
Laplacian(inpMat,outMat,depth, kernelSize,scale,delta);
erode和dilate：从它们的名称可以猜出这些函数，它们对于获得腐蚀和膨胀效果很有用。 这两个函数都采用一个结构元素矩阵，可以通过简单地调用getStructuringElement函数来构建它。 （可选）您可以选择多次运行该函数（或对其进行迭代），以获得越来越腐蚀或膨胀的图像。 以下是如何同时使用这两个函数及其生成的图像的示例：
erode(inputImage,
outputImage,
getStructuringElement(shapeComboBox->currentIndex(),
Size(5,5)), // Kernel size
Point(-1,-1), // Anchor point (-1,-1) for default
iterationsSpinBox->value());
您可以将完全相同的参数传递给dilate函数。 在前面的代码中，假设使用组合框小部件获取结构元素的形状，该小部件可以是MORPH_RECT，MORPH_CROSS或MORPH_ELLIPSE。 同样，通过使用旋转框小部件设置迭代计数，该小部件可以是大于零的数字。
让我们继续下一个函数：
-
morphologyEx：此函数可用于执行各种形态学操作。 它需要一个操作类型参数以及我们在
dilate和
erode函数中使用的相同参数。 以下是可以传递给
morphologyEx函数的参数及其含义：
-
MORPH_ERODE：产生与erode函数相同的结果。 -
MORPH_DILATE：产生与dilate函数相同的结果。 -
MORPH_OPEN：可用于执行打开操作。 这与对侵蚀的图像进行放大相同，对于消除图像中的细微伪影很有用。 -
MORPH_CLOSE：可用于执行关闭操作。 它与侵蚀膨胀的图像相同，可用于消除线条中的细小断开等。 -
MORPH_GRADIENT：此函数提供图像的轮廓，并且与同一图像的侵蚀和膨胀版本的区别相同。 -
MORPH_TOPHAT：可用于获取图像与其打开的变形之间的差异。 -
MORPH_BLACKHAT：这可以用来获取图像关闭和图像本身之间的差异。morphologyEx(inputImage, outputImage, morphTypeComboBox->currentIndex(), getStructuringElement(shapeComboBox->currentIndex(), Size(5,5)), // kernel size Point(-1,-1), // default anchor point iterationsSpinBox->value());
-
