Opencv2系列学习笔记8(图像滤波)

一：概念：
滤波是信号处理机图像处理中的一个基本操作。滤波去除图像中的噪声，提取感兴趣的特征，允许图像重采样。
图像中的频域和空域：空间域指用图像的灰度值来描述一幅图像；而频域指用图像灰度值的变化来描述一幅图像。而低通滤波器和高通滤波器的概念就是在频域中产生的。
低通滤波器指去除图像中的高频成分，而高通滤波器指去除图像中的低频成分。
后面将介绍低通滤波器—均值和高斯滤波器；中值滤波器—非线性滤波器；高通滤波器—sobel算子(方向滤波器)和拉普拉斯变换(二阶导数)。其中利用方向滤波器和拉普拉斯变换可以对图像的边缘进行检测。
二：低通滤波器
<1>cv::blur函数：每个像素替换为相邻矩形内像素的平均值
<2>cv::GaussianBlur函数：通过高斯核来进行替换
Code：

Mat result;                              // 线性平滑 滤波  每个像素替换为相邻矩形内像素的平均值
	blur(image, result,Size(5,5));         // filter2D可以自定义核进行线性滤波

	Mat gauResult;
	GaussianBlur(image, gauResult, Size(5,5), 1.5);    // 高斯平滑 模糊  线性滤波器

Result：
sourceImage：



BlurResult：



GaussianBlur：



低通滤波器的效果是对图像进行模糊和平滑，减弱了物体边缘可见的快速变化。它是一种线性滤波器，原理是与核进行卷积运算，此时的核内定，当我们需要指定核函数进行卷积时可以用filter2D函数，它的使用见blog：/article/1541231.html。
三：中值滤波器
中值滤波器是非线性滤波器，它的原理是仅仅计算这组数的中值，并用中值替换当前的像素值。因此对于去除椒盐噪点非常有用。

Code：

Mat medianResult;
	medianBlur(image, medianResult,5);  // 是一个非线性的滤波器，利用中值替换当前的像素值，对于去除椒盐噪点尤为有用

Result：



三：方向滤波器—sobel算子
Sobel算子就是通过卷积操作来计算图像的一阶导数，由于边缘处图像灰度变化率较大，因此可以用sobel算子来进行边缘检测。Sobel算子的核定义为：
y坐标轴：



x坐标轴：



Sobel函数：Sobel(InputArray src, OutputArray dst,
int ddepth,
int dx,
int dy, int ksize=3,
doublescale=1,
double delta=0,
int borderType=BORDER_DEFAULT );
其中ddepth为图像类型， (dx,dy) = (1,0)为x方向导数，(dx,dy) = (0,1)为y方向导数，scale和delta的作用是再保存前可以对图像进行缩放，公式为:dst =dst * scale + delta.
Code:

int main()
{
	Mat image = imread("F:\\lena.png", 0);
	if(!image.data)
	{
		cout << "Fail to load image" << endl;
		return 0;
	}
	Mat sobel_x, sobel_y;
	//Sobel(image, sobel_x, CV_8U, 1, 0, 3, 0.4, 128);
	//Sobel(image, sobel_y, CV_8U, 0, 1, 3, 0.4, 128);

	Sobel(image, sobel_x, CV_16S, 1, 0);  // 因为后面要相加 所以用16位有符号的整数来表示  另外导数肯定含有负数
	Sobel(image, sobel_y, CV_16S, 0, 1);
	Mat sobel;
	sobel = abs(sobel_x) + abs(sobel_y);

	double sobmin, sobmax;
	minMaxLoc(sobel, &sobmin, &sobmax);
	Mat sobelImage;
	sobel.convertTo(sobelImage, CV_8U, -255.0/sobmax, 255);   // 等价于  saturate_cast(a*sobel + b)
	
	Mat sobelThresholded;
	int thre = 200;
	threshold(sobelImage, sobelThresholded, thre, 255, THRESH_BINARY);

	namedWindow("sobelImage", 0);
	imshow("sobelImage", sobelImage);
	namedWindow("sobelThresholded", 0);
	imshow("sobelThresholded", sobelThresholded);

	waitKey(0);
	return 0;
}

Result:



当然除了sobel算子，还有其它的算子，如Scharr算子，它更精确、快。它的核为：



Sobel(image, sobelX, CV_16S, 1, 0,CV_SCHARR);
或者：
Scharr(image, scharrX, CV_16S, 1, 0, 3);
四：拉普拉斯变换
拉普拉斯变化时基于图像导数的高通滤波器，计算二阶导数以衡量图像的弯曲度
Code：

int main()
{
	Mat image = imread("F:\\lena.png", 0);
	if(!image.data)
	{
		cout << "Fail to load image" << endl;
		return 0;
	}
	Mat laplacian;
	Laplacian(image, laplacian, CV_16S, 3);  // 二阶导数肯定含有负数。。  基于图像导数的高通滤波器，计算二阶导数以衡量图像的弯曲度
	laplacian = abs(laplacian);
	Mat laplacianImage;
	laplacian.convertTo(laplacianImage, CV_8U);
	namedWindow("laplacianImage");
	imshow("laplacianImage", laplacianImage);
	waitKey(0);
	return 0;

}

Result：



作者：小村长 出处：http://blog.csdn.net/lu597203933 欢迎转载或分享，但请务必声明文章出处。
（新浪微博：小村长zack, 欢迎交流！）