codecamp

OpenCV平滑图像

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:

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)) :

OpenCV平滑图像

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:

OpenCV平滑图像

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?

OpenCV平滑图像

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。

注意
请记住,2D高斯可以表示为:

OpenCV平滑图像

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:

OpenCV平滑图像

如何使用OpenCV parallel_for_来并行化代码
OpenCV侵蚀和扩张
温馨提示
下载编程狮App,免费阅读超1000+编程语言教程
取消
确定
目录

OpenCV教程

OpenCV高级GUI和媒体(highgui模块)

OpenCV图像输入和输出(imgcodecs模块)

对象检测(objdetect模块)

计算摄影(照片模块)

图像拼接(拼接模块)

关闭

MIP.setData({ 'pageTheme' : getCookie('pageTheme') || {'day':true, 'night':false}, 'pageFontSize' : getCookie('pageFontSize') || 20 }); MIP.watch('pageTheme', function(newValue){ setCookie('pageTheme', JSON.stringify(newValue)) }); MIP.watch('pageFontSize', function(newValue){ setCookie('pageFontSize', newValue) }); function setCookie(name, value){ var days = 1; var exp = new Date(); exp.setTime(exp.getTime() + days*24*60*60*1000); document.cookie = name + '=' + value + ';expires=' + exp.toUTCString(); } function getCookie(name){ var reg = new RegExp('(^| )' + name + '=([^;]*)(;|$)'); return document.cookie.match(reg) ? JSON.parse(document.cookie.match(reg)[2]) : null; }