VC++高斯滤波\中值滤波实现图像模糊处理

一、算法

高斯模糊算法 详见：高斯模糊，基本思想就是利用高斯函数，将一个坐标点的所有邻域的加权平均值设置为这些点的颜色值。

中值滤波算法就更简单了：将一个坐标点的所有邻域的平均值设置为这些点的像素值。

二、算法的代码实现

高斯函数：

使用宏定义来替换：

#define PI<span style="white-space:pre"></span>3.1415926//高斯模糊函数#define GAUSS_FUN(x, y) (exp(-(x*x)/(double)(2*y*y)))/(sqrt(2.0*PI)*y)#define SQUARE(x)<span style="white-space:pre"></span>((x)*(x))//暂且定义sigma为10const double sigma=10;

高斯模糊算法处理像素

//高斯模糊，nRadius为平均取值的半径，半径越大，图像越模糊，处理时间也越长bool GaussFilter( DWORD* pData, DWORD* pCopy, const int nWidth, const int nHeight, const int nRadius/*=1*/ ){if ( nWidth<=0 || nHeight<=0 || nRadius<=0 )return false;for ( int ny=0; ny<nHeight; ++ny ){for ( int nx=0; nx<nWidth; ++nx ){vector<COLOR_DATA> cdList;cdList.reserve(200);COLOR_DATA cd;double dTotal=0;for ( int m=nx-nRadius; m<=nx+nRadius; ++m ){if ( m<0 || m>=nWidth ) continue;for ( int n=ny-nRadius; n<=ny+nRadius; ++n ){if ( n<0 || n>=nHeight ) continue;cd.dDistance=GAUSS_FUN(sqrt((double)(SQUARE(m-nx)+SQUARE(n-ny))), sigma);dTotal+=cd.dDistance;cd.dwColor=*(pData+n*nWidth+m);cdList.push_back(cd);}}if ( cdList.size()>0 ){//这里来计算整个邻域内所有像素点的加权平均值

std::vector<COLOR_DATA>::const_iterator itor=cdList.begin();double r=0, g=0, b=0;for ( ; itor!=cdList.end(); ++itor ) {double dRate=itor->dDistance/dTotal;//距离中心点越远，权值越小r+=GetRValue(itor->dwColor)*dRate;g+=GetGValue(itor->dwColor)*dRate;b+=GetBValue(itor->dwColor)*dRate;}*(pCopy+ny*nWidth+nx)=RGB((int)r, (int)g, (int)b);}}}return true;}

中值滤波函数就很简单了，不细说

//中值滤波bool MedianFilter( DWORD* pData, DWORD* pCopy, const int nWidth, const int nHeight, const int nRadius ){if ( nWidth<=0 || nHeight<=0 || nRadius<=0 )return false;for ( int ny=0; ny<nHeight; ++ny ){for ( int nx=0; nx<nWidth; ++nx ){//扫描每一个点的邻域，把他们的像素值保存起来。vector<DWORD> data;for ( int m=nx-nRadius; m<=nx+nRadius; ++m ){if ( m<0 || m>=nWidth || (m==nx) ) continue;for ( int n=ny-nRadius; n<=ny+nRadius; ++n ){if ( n<0 || n>=nHeight || (n==ny) ) continue;data.push_back(*(pData+n*nWidth+m));}}if ( data.size()>0 ){std::sort(data.begin(), data.end());//排序*(pCopy+ny*nWidth+nx)=data[data.size()/2];//取所有像素值的中值作为整个区域的像素值}}}return true;}

线程函数中处理图像的像素，完成后发消息通知界面更新

DWORD __stdcall GaussThread(LPVOID lpParam){HLOCAL hMem=LocalAlloc(LHND, g_lBmpSize);DWORD* pBuffer=(DWORD*)LocalLock(hMem);LONG lCopySize=::GetBitmapBits(g_hBitmap1, g_lBmpSize, pBuffer);HLOCAL hMemCopy=LocalAlloc(LHND, g_lBmpSize);DWORD* pBufferCopy=(DWORD*)LocalLock(hMemCopy);//MedianFilter(pBuffer, bmMetric.bmWidth, bmMetric.bmHeight, 1);//MedianFilter(pBuffer, pBufferCopy, g_nBmpWidth, g_nBmpHeight, 3);//MedianFilterRGB(pBuffer, pBufferCopy, g_nBmpWidth, g_nBmpHeight, 10);GaussFilter(pBuffer, pBufferCopy, g_nBmpWidth, g_nBmpHeight, 6);::SetBitmapBits(g_hBitmap1, g_lBmpSize, pBufferCopy);LocalUnlock(hMem);LocalFree(hMem);LocalUnlock(hMemCopy);LocalFree(hMemCopy);::PostMessage(g_hMainWnd, WM_GAUSS_MSG, 0, 0);return 0;}

三、程序运行效果图：

邻域距离为6时的高斯模糊处理效果：

邻域距离为12时的高斯模糊处理效果：

邻域距离为24时的高斯模糊处理效果：

这时候，线程处理得花好几十秒时间了。

接着，对比中值滤波处理效果，邻域距离为6、12、24时的三张效果图分别为：

四、后记

对比效果图可以看出，高斯滤波模糊效果比较平滑，中值滤波则比较粗糙。当然了，高斯算法相对负责，其处理时也很花费的时间。