学习OpenCV范例（十）——图像平滑处理

接下来的范例学习都集中在图像处理方面的学习，首先学习的是图像的平滑处理，相信学过图像处理的同学都不陌生，图像的平滑处理很普遍，最主要的功能就是去噪声，在OpenCV中最经常使用的平滑处理有四种：均值滤波，中值滤波，高斯滤波，双边滤波，在OpenCV1版本中用到的函数是smooth函数，四种处理都包含在smooth函数中，而在OpenCV2版本中被分开了，分别是blur，medianblur，GaussianBlur，bilateralFilter，现在让我们来好好看一下这四个函数吧。

1、原理

平滑处理时需要用到一个 滤波器 。 最常用的滤波器是 线性 滤波器，线性滤波处理的输出像素值 (i.e. g(i,j)) 是输入像素值 (i.e. f(i+k,j+l))的加权和 :



h(k,l) 称为 核, 它仅仅是一个加权系数。

不妨把 滤波器 想象成一个包含加权系数的窗口，当使用这个滤波器平滑处理图像时，就把这个窗口滑过图像。

①、均值滤波器

最简单的滤波器， 输出像素值是核窗口内像素值的 均值 (
所有像素加权系数相等)。

核如下：

②、中值滤波器

中值滤波将图像的每个像素用邻域 (以当前像素为中心的正方形区域)像素的 中值 代替
。

均值滤波器对噪音图像特别是有大的孤立点的图像特别敏感，即是有较少数量点存在较大差异也会导致平均值的明显波动，而中值滤波可以通过选择中间值避免这些点的影响。

③、高斯滤波器

最有用的滤波器 (尽管不是最快的)。 高斯滤波是将输入数组的每一个像素点与 高斯内核 卷积将卷积和当作输出像素值。
一维高斯函数：



从上图可以看出中间像素的加权系数是最大的，
周边像素的加权系数随着它们远离中间像素的距离增大而逐渐减小。
2维高斯函数可以表达为 :



其中 μ为均值 (峰值对应位置)， σ
代表标准差 (变量 x 和 变量 y 各有一个均值，也各有一个标准差)

由于真实的像素点在空间中是缓慢变化的，因此邻近的像素变化不会很明显。但是随机很大的几个点就可能形成很大的像素差。就是因为这一点，高斯滤波器在保留信号的情况下可以减少噪音。但是仍然不可避免会磨平边缘，只不过效果会比均值和中值滤波器的好。

④、双边滤波器

双边滤波器类似于高斯滤波器，双边滤波器也给每一个邻域像素分配一个加权系数。
这些加权系数包含两个部分, 第一部分加权方式与高斯滤波一样，第二部分的权重则取决于该邻域像素与当前像素的灰度差值。它可以在减少噪声的同时，最大程度的保护了边缘，但是需要更多的处理时间。可以把双边滤波器视为高斯平滑，对相似的像素赋予较高的权值，对不相似的像素赋予较低的权值。

2、代码实现

#include "stdafx.h"

/**
* file Smoothing.cpp
* brief Sample code for simple filters
* author OpenCV team
*/
#include <iostream>
#include <vector>

#include "opencv2/imgproc/imgproc.hpp"
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/features2d/features2d.hpp"

using namespace std;
using namespace cv;

/// Global Variables
int DELAY_CAPTION = 1500;
int DELAY_BLUR = 100;
int MAX_KERNEL_LENGTH = 31;

Mat src; Mat dst;
char window_name[] = "Smoothing Demo";

/// Function headers
int display_caption( const char* caption );
int display_dst( int delay );

/**
* function main
*/
int main( void )
{
namedWindow( window_name, WINDOW_AUTOSIZE );

/// Load the source image
src = imread( "lena.png", 1 );

if( display_caption( "Original Image" ) != 0 ) { return 0; }

dst = src.clone();
if( display_dst( DELAY_CAPTION ) != 0 ) { return 0; }

/// Applying Homogeneous blur
if( display_caption( "Homogeneous Blur" ) != 0 ) { return 0; }

for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
{ blur( src, dst, Size( i, i ), Point(-1,-1) );
if( display_dst( DELAY_BLUR ) != 0 ) { return 0; } }

/// Applying Gaussian blur
if( display_caption( "Gaussian Blur" ) != 0 ) { return 0; }

for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
{ GaussianBlur( src, dst, Size( i, i ), 0, 0 );
if( display_dst( DELAY_BLUR ) != 0 ) { return 0; } }

/// Applying Median blur
if( display_caption( "Median Blur" ) != 0 ) { return 0; }

for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
{ medianBlur ( src, dst, i );
if( display_dst( DELAY_BLUR ) != 0 ) { return 0; } }

/// Applying Bilateral Filter
if( display_caption( "Bilateral Blur" ) != 0 ) { return 0; }

for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
{ bilateralFilter ( src, dst, i, i*2, i/2 );
if( display_dst( DELAY_BLUR ) != 0 ) { return 0; } }

/// Wait until user press a key
display_caption( "End: Press a key!" );

waitKey(0);

return 0;
}

/**
* @function display_caption
*/
int display_caption( const char* caption )
{
dst = Mat::zeros( src.size(), src.type() );
putText( dst, caption,
Point( src.cols/4, src.rows/2),
FONT_HERSHEY_COMPLEX, 1, Scalar(255, 255, 255) );

imshow( window_name, dst );
int c = waitKey( DELAY_CAPTION );
if( c >= 0 ) { return -1; }
return 0;
}

/**
* @function display_dst
*/
int display_dst( int delay )
{
imshow( window_name, dst );
int c = waitKey ( delay );
if( c >= 0 ) { return -1; }
return 0;
}

3、运行结果

密码：cool

4、用到的类和函数

blur：

功能：均值滤波
结构：

void blur(InputArray src, OutputArray dst, Size ksize, Point anchor=Point(-1,-1), int borderType=BORDER_DEFAULT )

src ：源图像

dst ：目标图像，和源图像有同样的size和type

ksize ：核的大小

anchor ：核的中心 默认值为Point(-1,-1)，是核的中点

borderType：边缘点插值类型

核如下：

medianBlur：

功能：中值滤波
结构：

void medianBlur(InputArray src, OutputArray dst, int ksize)

src ：源图像可以是单通道、三通道、四通道的图像，当ksize是3或5的时候，图像的深度应该是CV_8U , CV_16U , or CV_32F，对 于更大的ksize，那么图像的深度只能是CV_8U

dst ： 目标图像，和源图像有同样的size和type

ksize ： 正方形的边长. 边长必须是奇数而且大于1

中值滤波器将像素领域内灰度的中值代替该像素的值，如果是多通道的图像，则每个通道单独处理，支持in_place操作（输入图像指针与输出图像指针是同一个指针）。

GaussianBlur：

功能：高斯滤波器
结构：

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

src ：源图像.

dst ：目标图像，和源图像有同样的size和type

ksize ：高斯核大小，ksize.width 和ksize.height可以不同，但是都必须是正整数而且是奇数，也可以是O,如果是0的话，它的值 由sigmaX和sigmaY决定

sigmaX ： X方向上的标准差

sigmaY ：Y方向上的标准差，如果Y方向为0，则被设置和X方向一样，如果X和Y方向都为0，则它们由ksize.width和ksize.height计 算得到，建议全部都给定数值。

borderType：边缘点插值类型

具有标准sigma值的3*3,5*5和7*7比其他核具有更优的性能，支持in_place操作。

bilateralFilter：

功能：双边滤波器
结构：

void bilateralFilter(InputArray src, OutputArray dst, int d, double sigmaColor, double sigmaSpace, int borderType=BORDER_DEFAULT )

src ：源图像为单通道或3通道的8比特图像

dst ：目标图像，和源图像有同样的size和type

d ：每个像素领域的直径，如果为负数，则由sigmaSpace确定

sigmaColor ：颜色空间的标准偏差

sigmaSpace ：坐标空间的标准偏差

borderType：边缘点插值类型

有关滤波详细的说明和代码解析可以转到/article/7834379.html