均值滤波原理
均值滤波步骤
Step1:求和。
Step2:计算平均值。
所谓均值滤波,就是求平均值的意思。我们假设在一个3*3的范围内有一个图像,其中这个图像每一个像素可能含有噪声,也可能不含噪声,我们是不知道的,因此通过均值滤波的方式,对图像中所有像素进行求和,并除以像素个数,得到的结果就是滤波后的结果,将3*3区域的中心位置更改为滤波后的平均值,这样的过程就是均值滤波。
均值滤波和图像的卷积操作相类似,它们都是在原图像中将每一个像素分别覆盖滤波模板,也可称为滤波器,覆盖原图像后求取平均值,放入中心区域作为滤波结果,然后移动滤波器,使滤波器能够覆盖图像的每一个位置。对于上图3*3的矩阵来说,其中每一个位置都乘了1,也就是说它进行卷积的模板是一个3*3的矩阵,此矩阵中的值都为1,之后又除以了和,因此它的卷积模板(滤波器)就是一个1/9乘全为1的矩阵(3*3)。
均值滤波函数
blur()
void cv::blur(InuputArray src,
OutputArray dst,
Size ksize,
Point anchor = Point(-1,-1),
int borderType = BORDER_DEFAULT
)
·src:待均值滤波的图像,图像数据类型必须是CV_8U,CV_16U,CV_16S,CV_32F和CV_64F这五种数据类型之一。均值滤波输出的结果的数据类型与输入图像的数据类型保持一致。
·dst:均值滤波后的图像,与输入图像具有相同的尺寸和数据类型。
·ksize:卷积核尺寸(滤波器尺寸:常用的是奇数正方形)。因为均值滤波中,滤波器中的每一位参数值是恒定的,因此这里面我们只需给出其尺寸即可。
·anchor:内核的基准点(锚点),其默认值为(-1,-1)代表内核基准点位于kernel的中心位置。·borderType:像素外推法选择标志。
方框滤波函数
boxFilter()
void cv::boxFilter(InputArray src,
OutputArray dst,
int ddepth,
Size ksize,
Point anchor = Point(-1,-1),
bool normalize = true,
int borderType = BORDER_DEFAULT
)
方框滤波函数与均值滤波其实是等价的,只不过方框滤波运行滤波器不进行归一化,但是在均值滤波中是强制进行归一化的。 由于方框滤波是一个求和的参数,可能会出现255+255+255+....很多个255相加,最终超出255范围的情况,因此第三个参数运行用户设定输出图像的数据类型,也就是输出图像的数据类型可以与输入图像不同,但是尺寸和通道数是一致的。
·src:输入图像。
·dst:输出图像,与输入图像具有相同的尺寸和通道数。
·ddepth:输出图像的数据类型(深度),根据输入图像的数据类型不同拥有不同的取值范围。
·ksize:卷积核尺寸。
·anchor:内核的基准点(锚点),其默认值为(-1,-1)代表内核基准点位于kernel的中心位置。
·normalize:是否将卷积核进行归一化的标志,默认参数为true,表示进行归一化(在矩阵前面乘所有数值之和)。
·borderType:像素外推法选择标志。
高斯滤波原理
高斯滤波也就是滤波器是一个高斯分布的形式,如上图所示,滤波器中中间的像素值较大,而四周像素值较小的情况,是一个中心对称的滤波器。若以这样的滤波器作为卷积核与原图像进行卷积操作的时候,得到的就是一个高斯滤波之后的结果 。
高斯滤波函数
GaussianBlur()
void cv::GaussianBlur(InputArray src,
OutputArray dst,
Size xsize,
double sigmaX,
double sigmaY = 0,
int borderType = BORDER_DEFAULT
)
·src:待高斯滤波图像,数据类型必须为CV_8U,CV_16U,CV_16S,CV_32F或CV_64F。
·dst:输出图像,与输入图像src具有相同的尺寸,通道数和数据类型。
·ksize:高斯滤波器的尺寸,滤波器可以不为正方形,但是必须是正奇数。如果尺寸为0,则由标准偏差计算尺寸。高斯滤波器不需要人为的输入,因为高斯滤波器的高斯函数分布形式是固定的,只需给出滤波器尺寸即可。
·sigmaX:X方向的高斯滤波器标准偏差。
·sigmaY:Y方向的高斯滤波器标准偏差。如果输入量为0,则将其设置为等于sigmaX,如果两个轴的标准差均为0,则根据输入的高斯滤波器尺寸计算标准差。
ksize ,sigmaX,sigmaY不允许同时为0,若某个参数为0,可以根据对应关系计算出参数。
·borderType:像素外推法选择标志。
示例
#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv; //opencv的命名空间
using namespace std;
//主函数
int main()
{
Mat lenaGray = imread("E:/opencv/opencv-4.6.0-vc14_vc15/opencv/lenaGray.png");
Mat equalLena_Salt = imread("E:/opencv/opencv-4.6.0-vc14_vc15/opencv/equalLena_S.png");
Mat equalLena_Gauss = imread("E:/opencv/opencv-4.6.0-vc14_vc15/opencv/equalLena_G.png");
if (lenaGray.empty() || equalLena_Salt.empty() || equalLena_Gauss.empty())
{
cout << "请确认图像名称是否正确" << endl;
return -1;
}
Mat result_3, result_9; //存放不含噪声滤波结果,后面的数字代表滤波器尺寸
Mat result_3gauss, result_9gauss; //存放含有高斯噪声滤波结果,后面数字代表滤波器尺寸
Mat result_3salt, result_9salt; //存放含有椒盐噪声滤波结果,后面的数字代表滤波器尺寸
//调用均值滤波函数blur()进行滤波
blur(lenaGray, result_3, Size(3, 3));
blur(lenaGray, result_9, Size(9, 9));
blur(equalLena_Salt, result_3salt, Size(3, 3));
blur(equalLena_Salt, result_9salt, Size(9, 9));
blur(equalLena_Gauss, result_3gauss, Size(3, 3));
blur(equalLena_Gauss, result_9gauss, Size(9, 9));
//显示不含噪声图像
imshow("lenaGray", lenaGray);
imshow("result_3", result_3);
imshow("result_9", result_9);
//显示不含噪声图像
imshow("equalLena_Salt", equalLena_Salt);
imshow("result_3salt", result_3salt);
imshow("result_9salt", result_9salt);
//显示不含噪声图像
imshow("equalLena_Gauss", equalLena_Gauss);
imshow("result_3gauss", result_3gauss);
imshow("result_9gauss", result_9gauss);
cout << "下面是方框滤波" << endl;
waitKey(0);//等待函数用于显示图像,按下键盘任意键后退出
Mat resultNorm, result;
//方框滤波boxFilter()和sqrBoxFilter()
boxFilter(lenaGray, resultNorm, -1, Size(3, 3), Point(-1, -1), true); //进行归一化
boxFilter(lenaGray, result, -1, Size(3, 3), Point(-1, -1), false); //进行归一化
//显示处理结果
imshow("resultNorm", resultNorm);
imshow("result", result);
cout << "下面是高斯滤波" << endl;
waitKey(0);//等待函数用于显示图像,按下键盘任意键后退出
Mat result_5_G, result_9_G;//存放不含噪声滤结果,后面数字代表滤波器尺寸
Mat result_5Gauss_G, result_9Gauss_G;//存放含高斯噪声滤结果,后面数字代表滤波器尺寸
Mat result_5Salt_G, result_9Salt_G;//存放含椒盐噪声滤结果,后面数字代表滤波器尺寸
GaussianBlur(lenaGray, result_5_G, Size(5, 5), 10, 20);
GaussianBlur(lenaGray, result_5_G, Size(5, 5), 10, 20);
GaussianBlur(equalLena_Gauss, result_5Gauss_G, Size(5, 5), 10, 20);
GaussianBlur(equalLena_Gauss, result_9Gauss_G, Size(9, 9), 10, 20);
GaussianBlur(equalLena_Salt, result_5Salt_G, Size(5, 5), 10, 20);
GaussianBlur(equalLena_Salt, result_9Salt_G, Size(9, 9), 10, 20);
//显示不含噪声图像
imshow("lenaGray", lenaGray);
imshow("result_5_G", result_5_G);
imshow("result_9_G", result_9_G);
//显示不含噪声图像
imshow("equalLena_Salt", equalLena_Salt);
imshow("result_5Gauss_G", result_5Gauss_G);
imshow("result_9Gauss_G", result_9Gauss_G);
//显示不含噪声图像
imshow("equalLena_Gauss", equalLena_Gauss);
imshow("result_5Salt_G", result_5Salt_G);
imshow("result_9Salt_G", result_9Salt_G);
waitKey(0);//等待函数用于显示图像,按下键盘任意键后退出
return 0;
}
滤波完成后:
在均值滤波中:对于椒盐噪声和高斯噪声的滤波结果,尺寸越大的滤波器,对于图像来说,滤波后的结果也越模糊,噪声产生的影响变小。如果想最大程度的去除噪声,采用均值滤波的形式的话,那么需要一个很大的尺寸,同时对图像的整体质量有较大的影响。
对椒盐噪声,由于我们的均值滤波是每一个像素值都贡献了相同作用,所以对于椒盐噪声来说,仍然可以看出图像中含有椒盐噪声,只不过椒盐噪声的颗粒没有那么亮,没有那么明显,但是椒盐噪声的颗粒变得更粗了。
在方框滤波中:方框滤波中如果进行归一化操作,所得到的结果与均值滤波的结果一致,若不进行归一化操作,那么有可能出现图像中数值远远大于255,但是在opencv中,会强制为255,所以导致整个图像中,较大的区域都为白色,而有纹理的恰恰是原图像中较暗的区域。文章来源:https://www.toymoban.com/news/detail-817971.html
在高斯滤波中:顾名思义对高斯噪声的滤波更为理想。结果也会变得模糊,但是处理结果也较好。若图像中含有椒盐噪声,采用线性滤波的方式得到的结果不太理想。文章来源地址https://www.toymoban.com/news/detail-817971.html
到了这里,关于opencv#30 线性滤波的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!