目标

在本教程中，您将学习如何使用多种线性滤镜来平滑使用OpenCV功能的图像，如：

• CV ::模糊
• CV ::高斯模糊
• CV :: medianBlur
• CV ::双边滤波器

理论

注意

下面的解释属于计算机视觉： Richard Szeliski和LearningOpenCV的算法和应用

• 平滑，也称为模糊，是一种简单而经常使用的图像处理操作。
• 平滑的原因很多。在本教程中，我们将专注于平滑以减少噪音（其他用途将在以下教程中看到）。
• 要执行平滑操作，我们将对我们的图像应用过滤器。最常见的滤波器类型是线性的，其中输出像素的值(i.e. g(i,j))，被确定为输入像素值的加权和 (i.e. f(i+k,j+l)) :

被称为内核，它只不过是滤波器的系数。h(k,l)

它有助于将过滤器可视化为跨越图像滑动的系数窗口。

• 有很多种过滤器，这里我们将提到最常用的：

归一化框过滤器

• 这个过滤器是最简单的！每个输出像素是其内核邻居的均值（均为相等权重）
• 内核如下：

高斯滤波器

• 可能是最有用的过滤器（虽然不是最快的）。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来完成的，然后将它们相加以产生输出数组。
• 只是为了使图片更清晰，记住一维高斯内核的样子？

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

其中是平均值（峰值），\ sigma表示方差（每个变量x和y）μσXÿ

中值滤波器

中值滤波器遍历信号的每个元素（在这种情况下为图像），并用其相邻像素的中位数（位于估计像素周围的正方形邻域）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，其主要目标是平滑输入图像。然而，有时过滤器不仅可以消除噪音，还可以使边缘平滑。为了避免这种情况（至少在一定程度上），我们可以使用双边筛选器。
• 以与高斯滤波器类似的方式，双边滤波器也考虑相邻像素，其权重分配给它们。这些权重具有两个分量，其中第一个是高斯滤波器使用的相同加权。第二个组件考虑了相邻像素与被评估的像素之间的强度差异。
• 有关更详细的说明，您可以查看此链接

Code

• 这个程序是做什么的？加载图像应用4种不同的过滤器（在理论中解释），并顺序显示过滤的图像
• 可下载的代码：点击这里
• 代码一览：

#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( void )
{
  namedWindow( window_name, WINDOW_AUTOSIZE );
  src = imread( "../data/lena.jpg", IMREAD_COLOR );
  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( "End: Press a key!" );
  waitKey(0);
  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) );
  imshow( window_name, dst );
  int c = waitKey( DELAY_CAPTION );
  if( c >= 0 ) { return -1; }
  return 0;
}
int display_dst( int delay )
{
  imshow( window_name, dst );
  int c = waitKey ( delay );
  if( c >= 0 ) { return -1; }
  return 0;
}

说明

• 让我们检查仅涉及平滑过程的OpenCV函数，因为现在已经知道其余的。
• 归一化块过滤器

OpenCV提供函数cv :: blur来使用此过滤器进行平滑处理。

  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; }}

我们指定4个参数（更多详细信息，请参阅参考）：

1. src：源图像
2. dst：目标图像
3. Size（w，h）：定义要使用的内核的大小（宽度为w像素和高度h像素）
4. Point（-1，-1）：表示相对于邻域的锚点（被评估的像素）的位置。如果存在负值，则内核的中心被认为是锚点。

• 高斯滤波器
  

它由函数cv :: GaussianBlur执行：

  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; } }

这里我们使用4个参数（更多细节，请查看OpenCV参考）：

1. src：源图像
2. dst：目标图像
3. 大小（w，h）：要使用的内核的大小（要考虑的邻居）。和必须是奇数和正数，否则将使用和参数计算大小。w ^HσXσÿ
4. σX：的标准偏差。写意味着使用内核大小计算。0σX
5. σÿ：的标准偏差。写意味着使用内核大小计算。0σÿ

• 中值滤镜：
  

这个过滤器由cv :: medianBlur函数提供：

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

我们使用三个参数：

1. src：源图像
2. DST：目标图像，必须是相同的类型的src
3. i：内核的大小（只有一个，因为我们使用一个方形窗口）。必须奇怪

• 双边过滤器
  

由OpenCV函数cv :: bilateralFilter提供

  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; }}

我们使用5个参数：

1. src：源图像
2. dst：目标图像
3. d：每个像素邻域的直径。
4. ：颜色空间中的标准偏差。σCo l o r
5. ：坐标空间中的标准偏差（以像素为单位）σ小号p 一个Ç ë

结果

• 代码打开一个图像（在这种情况下为lena.jpg），并在4个过滤器的效果下显示。
• 这是使用medianBlur进行平滑的图像的快照：