opencv 处理黑夜_基于 opencv图像去噪
1、 实验步骤：先为灰度图像添加高斯噪声、胡椒噪声、盐噪声和椒盐噪声，再分别利用算术均值滤波器、几何均值滤波器、谐波和逆谐波均值滤波器进行图像去噪。模板大小为5*5。
核心代码如下：
添加各类噪声：
IplImage* AddGuassianNoise(IplImage* src) //添加高斯噪声
{
IplImage* dst = cvCreateImage(cvGetSize(src),src->depth,src->nChannels);
IplImage* noise = cvCreateImage(cvGetSize(src),src->depth,src->nChannels);
CvRNG rng = cvRNG(-1);
cvRandArr(&rng,noise,CV_RAND_NORMAL,cvScalarAll(0),cvScalarAll(15));
cvAdd(src,noise,dst);
return dst;
}
IplImage* AddPepperNoise(IplImage* src) //添加胡椒噪声，随机黑色点
{
IplImage* dst = cvCreateImage(cvGetSize(src),src->depth,src->nChannels);
cvCopy(src, dst);
for(int k=0; k<8000; k++)
{
int i = rand()%src->height;
int j = rand()%src->width;
CvScalar s = cvGet2D(src, i, j);
if(src->nChannels == 1)
{
s.val[0] = 0;
}
else if(src->nChannels==3)
{
s.val[0]=0;
s.val[1]=0;
s.val[2]=0;
}
cvSet2D(dst, i, j, s);
}
return dst;
}
IplImage* AddSaltNoise(IplImage* src) //添加盐噪声，随机白色点
{
IplImage* dst = cvCreateImage(cvGetSize(src),src->depth,src->nChannels);
cvCopy(src, dst);
for(int k=0; k<8000; k++)
{
int i = rand()%src->height;
int j = rand()%src->width;
CvScalar s = cvGet2D(src, i, j);
if(src->nChannels == 1)
{
s.val[0] = 255;
}
else if(src->nChannels==3)
{
s.val[0]=255;
s.val[1]=255;
s.val[2]=255;
}
cvSet2D(dst, i, j, s);
}
return dst;
}
IplImage* AddPepperSaltNoise(IplImage* src) //添加椒盐噪声，随机黑白点
{
IplImage* dst = cvCreateImage(cvGetSize(src),src->depth,src->nChannels);
cvCopy(src, dst);
for(int k=0; k<8000; k++)
{
int i = rand()%src->height;
int j = rand()%src->width;
int m = rand()%2;
CvScalar s = cvGet2D(src, i, j);
if(src->nChannels == 1)
{
if(m==0)
{
s.val[0] = 255;
}
else
{
s.val[0] = 0;
}
}
else if(src->nChannels==3)
{
if(m==0)
{
s.val[0]=255;
s.val[1]=255;
s.val[2]=255;
}
else
{
s.val[0]=0;
s.val[1]=0;
s.val[2]=0;
}
}
cvSet2D(dst, i, j, s);
}
return dst;
}
各类滤波器实现：
//算术均值滤波器——模板大小5*5
IplImage* ArithmeticMeanFilter(IplImage* src)
{
IplImage* dst = cvCreateImage(cvGetSize(src),src->depth,src->nChannels);
cvSmooth(src,dst,CV_BLUR,5);
return dst;
}
//几何均值滤波器——模板大小5*5
IplImage* GeometryMeanFilter(IplImage* src)
{
IplImage* dst = cvCreateImage(cvGetSize(src),src->depth,src->nChannels);
int row, col;
int h=src->height;
int w=src->width;
double mul[3];
double dc[3];
int mn;
//计算每个像素的去噪后color值
for(int i=0;iheight;i++){
for(int j=0;jwidth;j++){
mul[0]=1.0;
mn=0;
//统计邻域内的几何平均值，邻域大小5*5
for(int m=-2;m<=2;m++){
row = i+m;
for(int n=-2;n<=2;n++){
col = j+n;
if(row>=0&&row=0 && col
CvScalar s = cvGet2D(src, row, col);
mul[0] = mul[0]*(s.val[0]==0?1:s.val[0]); //邻域内的非零像素点相乘
mn++;
}
}
}
//计算1/mn次方
CvScalar d;
dc[0] = pow(mul[0], 1.0/mn);
d.val[0]=dc[0];
//统计成功赋给去噪后图像。
cvSet2D(dst, i, j, d);
}
}
return dst;
}
//谐波均值滤波器——模板大小5*5
IplImage* HarmonicMeanFilter(IplImage* src)
{
IplImage* dst = cvCreateImage(cvGetSize(src),src->depth,src->nChannels);
int row, col;
int h=src->height;
int w=src->width;
double sum[3];
double dc[3];
int mn;
//计算每个像素的去噪后color值
for(int i=0;iheight;i++){
for(int j=0;jwidth;j++){
sum[0]=0.0;
mn=0;
//统计邻域,5*5模板
for(int m=-2;m<=2;m++){
row = i+m;
for(int n=-2;n<=2;n++){
col = j+n;
if(row>=0&&row=0 && col
CvScalar s = cvGet2D(src, row, col);
sum[0] = sum[0]+(s.val[0]==0?255:255/s.val[0]);
mn++;
}
}
}
CvScalar d;
dc[0] = mn*255/sum[0];
d.val[0]=dc[0];
//统计成功赋给去噪后图像。
cvSet2D(dst, i, j, d);
}
}
return dst;
}
//逆谐波均值大小滤波器——模板大小5*5
IplImage* InverseHarmonicMeanFilter(IplImage* src)
{
IplImage* dst = cvCreateImage(cvGetSize(src),src->depth,src->nChannels);
//cvSmooth(src,dst,CV_BLUR,5);
int row, col;
int h=src->height;
int w=src->width;
double sum[3];
double sum1[3];
double dc[3];
double Q=2;
//计算每个像素的去噪后color值
for(int i=0;iheight;i++){
for(int j=0;jwidth;j++){
sum[0]=0.0;
sum1[0]=0.0;
//统计邻域
for(int m=-2;m<=2;m++){
row = i+m;
for(int n=-2;n<=2;n++){
col = j+n;
if(row>=0&&row=0 && col
CvScalar s = cvGet2D(src, row, col);
sum[0] = sum[0]+pow(s.val[0]/255, Q+1);
sum1[0] = sum1[0]+pow(s.val[0]/255, Q);
}
}
}
//计算1/mn次方
CvScalar d;
dc[0] = (sum1[0]==0?0:(sum[0]/sum1[0]))*255;
d.val[0]=dc[0];
//统计成功赋给去噪后图像。
cvSet2D(dst, i, j, d);
}
}
return dst;
}
实验结果如图所示：(从左至右，从上至下分别为原图像、加噪图像、算术均值处理图像、几何均值处理图像、谐波均值处理图像、逆谐波均值处理图像)
(1)高斯噪声：
(2)胡椒噪声：
(3)盐噪声
(4)椒盐噪声
2、 实验步骤：先为灰度图像添加胡椒噪声、盐噪声和椒盐噪声，再分别利用5*5和9*9尺寸的模板对图像进行中值滤波。
核心代码如下：
IplImage* MedianFilter_5_5(IplImage* src){
IplImage* dst = cvCreateImage(cvGetSize(src),src->depth,src->nChannels);
cvSmooth(src,dst,CV_MEDIAN,5);
return dst;
}
IplImage* MedianFilter_9_9(IplImage* src){
IplImage* dst = cvCreateImage(cvGetSize(src),src->depth,src->nChannels);
cvSmooth(src,dst,CV_MEDIAN,9);
return dst;
}
实验结果如下图(灰度图像和加噪图像第一问中已给出，下面只列出分别利用5*5和9*9尺寸的模板对图像进行中值滤波后的图像)：
灰度图像加胡椒噪声，分别利用5*5和9*9尺寸的模板对图像进行中值滤波。
灰度图像加盐噪声，分别利用5*5和9*9尺寸的模板对图像进行中值滤波。
灰度图像加椒盐噪声，分别利用5*5和9*9尺寸的模板对图像进行中值滤波。
3、 实验步骤：自适应均值滤波(以高斯噪声为例)，先为灰度图像添加高斯噪声，再利用7*7尺寸的模板对图像进行自适应均值滤波。
核心代码如下：
IplImage* SelfAdaptMeanFilter(IplImage* src){
IplImage* dst = cvCreateImage(cvGetSize(src),src->depth,src->nChannels);
cvSmooth(src,dst,CV_BLUR,7);
int row, col;
int h=src->height;
int w=src->width;
int mn;
double Zxy;
double Zmed;
double Sxy;
double Sl;
double Sn=100;
for(int i=0;iheight;i++){
for(int j=0;jwidth;j++){
CvScalar xy = cvGet2D(src, i, j);
Zxy = xy.val[0];
CvScalar dxy = cvGet2D(dst, i, j);
Zmed = dxy.val[0];
Sl=0;
mn=0;
for(int m=-3;m<=3;m++){
row = i+m;
for(int n=-3;n<=3;n++){
col = j+n;
if(row>=0&&row=0 && col
CvScalar s = cvGet2D(src, row, col);
Sxy = s.val[0];
Sl = Sl+pow(Sxy-Zmed, 2);
mn++;
}
}
}
Sl=Sl/mn;
CvScalar d;
d.val[0]=Zxy-Sn/Sl*(Zxy-Zmed);
cvSet2D(dst, i, j, d);
}
}
return dst;
}
实验结果如图：
4、 实验步骤：自适应中值滤波(以椒盐噪声为例)，先为灰度图像添加椒盐噪声，再利用7*7尺寸的模板对图像进行自适应中值滤波。
核心代码如下：
IplImage* SelfAdaptMedianFilter(IplImage* src){
IplImage* dst = cvCreateImage(cvGetSize(src),src->depth,src->nChannels);
int row, col;
int h=src->height;
int w=src->width;
double Zmin,Zmax,Zmed,Zxy,Smax=7;
int wsize;
//计算每个像素的去噪后color值
for(int i=0;iheight;i++){
for(int j=0;jwidth;j++){
//统计邻域
wsize=1;
while(wsize<=3){
Zmin=255.0;
Zmax=0.0;
Zmed=0.0;
CvScalar xy = cvGet2D(src, i, j);
Zxy=xy.val[0];
int mn=0;
for(int m=-wsize;m<=wsize;m++){
row = i+m;
for(int n=-wsize;n<=wsize;n++){
col = j+n;
if(row>=0&&row=0 && col
CvScalar s = cvGet2D(src, row, col);
if(s.val[0]>Zmax){
Zmax=s.val[0];
}
if(s.val[0]
Zmin=s.val[0];
}
Zmed=Zmed+s.val[0];
mn++;
}
}
}
Zmed = Zmed/mn;
CvScalar d;
if((Zmed-Zmin)>0 && (Zmed-Zmax)<0){
if((Zxy-Zmin)>0 && (Zxy-Zmax)<0){
d.val[0]=Zxy;
}else{
d.val[0]=Zmed;
}
cvSet2D(dst, i, j, d);
break;
} else {
wsize++;
if(wsize>3){
CvScalar d;
d.val[0]=Zmed;
cvSet2D(dst, i, j, d);
break;
}
}
}
}
}
return dst;
}
实验结果如图：
5、 实验步骤：利用 OpenCV对彩色图像RGB三个通道的像素进行操作，利用算术均值滤波器和几何均值滤波器进行彩色图像去噪。模板大小为5*5。
实验代码参照问题一，选择彩色图片、算术均值滤波器和几何均值滤波器进行彩色图像去噪。
实验结果如下图(以椒盐噪声为例)：
利用算术均值滤波器：
利用几何均值滤波器：