视频、图形图像处理之Opencv技术记录（五）、Opencv教程之图像处理（imgproc模块）之平滑图像

参考资料：https://docs.opencv.org/3.4.2/dc/dd3/tutorial_gausian_median_blur_bilateral_filter.html

目标

在本教程中，您将学习如何使用OpenCV函数应用各种线性滤镜来平滑图像，例如：

• 模糊（）
• 高斯模糊（）
• medianBlur（）
• 双边滤波器（）

理论

注意

下面的解释属于Richard Szeliski和LearningOpenCV的计算机视觉：算法和应用一书

• 平滑，也称为模糊，是一种简单且经常使用的图像处理操作。
• 平滑的原因有很多。在本教程中，我们将重点关注平滑以减少噪音（其他用途将在以下教程中看到）。

• 要执行平滑操作，我们将对图像应用滤镜。最常见的滤波器类型是线性的，其中输出像素的值（即）被确定为输入像素值的加权和（即f（i + k，j + 1））：g(i,j)f(i+k,j+l)

  

  被称为内核，它只不过是过滤器的系数。h （k ，l ）

  它有助于将过滤器可视化为在图像上滑动的系数窗口。

• 有很多种过滤器，这里我们会提到最常用的过滤器：

标准化盒式过滤器

• 这个过滤器是最简单的！每个输出像素是其内核邻居的平均值（它们都以相同的权重贡献）

• 内核如下：

  

高斯滤波器

• 可能是最有用的过滤器（尽管不是最快）。高斯滤波是通过将输入数组中的每个点与高斯核进行卷积，然后将它们相加以产生输出数组来完成的。

• 只是为了让图片更清晰，还记得一维高斯内核是怎样的吗？

  

  假设图像是1D，您可以注意到位于中间的像素将具有最大权重。随着它们与中心像素之间的空间距离的增加，其邻居的权重减小。

  注意

  请记住，2D高斯可以表示为：

  

  其中是平均值（峰值），表示方差（每个变量和）

  中位数过滤器

中值滤波器遍历信号的每个元素（在这种情况下是图像），并用其相邻像素的中值（位于评估像素周围的方形邻域中）替换每个像素。

双边过滤器

• 到目前为止，我们已经解释了一些过滤器，主要目标是平滑输入图像。但是，有时滤镜不仅可以消除噪音，还可以平滑边缘。为了避免这种情况（至少在某种程度上），我们可以使用双边滤波器。
• 以与高斯滤波器类似的方式，双边滤波器还考虑具有分配给它们中的每一个的权重的相邻像素。这些权重有两个分量，第一个是高斯滤波器使用的相同加权。第二个分量考虑了相邻像素和评估像素之间的强度差异。
• 有关更详细的说明，请查看此链接

码 

C ++

• 这个程序做了什么？
  • 加载图像
  • 应用4种不同类型的过滤器（在理论中解释）并按顺序显示过滤后的图像

• 可下载的代码：点击这里
• 代码一目了然：

#include <iostream>
#include "opencv2/imgproc.hpp"
#include "opencv2/imgcodecs.hpp"
#include "opencv2/highgui.hpp"
using namespace std;
using namespace cv;
int DELAY_CAPTION = 1500;
int DELAY_BLUR = 100;
int MAX_KERNEL_LENGTH = 31;
Mat src; Mat dst;
char window_name[] = "Smoothing Demo";
int display_caption( const char* caption );
int display_dst( int delay );
int main( int argc, char ** argv )
{
    namedWindow( window_name, WINDOW_AUTOSIZE );
    const char* filename = argc >=2 ? argv[1] : "../data/lena.jpg";
    src = imread( filename, IMREAD_COLOR );
    if(src.empty())
    {
        printf(" Error opening image
");
        printf(" Usage: ./Smoothing [image_name -- default ../data/lena.jpg] 
");
        return -1;
    }
    if( display_caption( "Original Image" ) != 0 )
    {
        return 0;
    }
    dst = src.clone();
    if( display_dst( DELAY_CAPTION ) != 0 )
    {
        return 0;
    }
    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;
        }
    }
    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;
        }
    }
    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;
        }
    }
    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;
        }
    }
    display_caption( "Done!" );
    return 0;
}
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) );
    return display_dst(DELAY_CAPTION);
}
int display_dst( int delay )
{
    imshow( window_name, dst );
    int c = waitKey ( delay );
    if( c >= 0 ) { return -1; }
    return 0;
}

说明 

C ++

让我们检查仅涉及平滑过程的OpenCV函数，因为其余部分现在已经知道了。

规范化块过滤器：

• OpenCV提供函数blur（）以使用此过滤器执行平滑。我们指定4个参数（更多细节，请参阅参考）：
  • src：源图像
  • dst：目标图像
  • 大小（w，h）：定义要使用的内核的大小（宽度为w像素，高度为h像素）
  • 点（-1，-1）：表示锚点（被评估的像素）相对于邻域的位置。如果存在负值，则将内核的中心视为锚点。

 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;
        }
    }

高斯滤波器：

• 它由函数GaussianBlur（）执行：这里我们使用4个参数（更多细节，检查OpenCV引用）：
  • src：源图像
  • dst：目标图像
  • 大小（w，h）：要使用的内核的大小（要考虑的邻居）。w ^HσXσÿ
  • 
  • 

 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;
        }
    }

中位数过滤器：

• 这个过滤器由medianBlur（）函数提供：我们使用三个参数：
  • src：源图像
  • dst：目标图像，必须与src的类型相同
  • i：内核的大小（只有一个，因为我们使用方形窗口）。一定是奇怪的。

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

双边过滤器

• 由OpenCV函数提供的bilateralFilter（）我们使用5个参数：
  • src：源图像
  • dst：目标图像
  • d：每个像素邻域的直径。
  • ：颜色空间的标准偏差。
  • ：坐标空间中的标准偏差（以像素为单位）

    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;
        }
    }

结果

• 代码打开一个图像（在这种情况下是lena.jpg）并在解释的4个过滤器的效果下显示它。

• 这是使用medianBlur平滑的图像的快照：