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:
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: