openCV 图像滤波



本文转自：http://blog.csdn.net/cv_ronny/article/details/17756937

图像滤波

滤波实际上是信号处理里的一个概念，而图像本身也可以看成是一个二维的信号。其中像素点灰度值的高低代表信号的强弱。

高频：图像中灰度变化剧烈的点。

低频：图像中平坦的，灰度变化不大的点。

根据图像的高频与低频的特征，我们可以设计相应的高通与低通滤波器，高通滤波可以检测图像中尖锐、变化明显的地方；低通滤波可以让图像变得光滑，滤除图像中的噪声。

下面我们来看一下OpenCV中的一些滤波函数：

一、低通滤波

1，blur函数

这个函数是一个平滑图像的函数，它用一个点邻域内像素的平均灰度值来代替该点的灰度。

<span style="color: black;">cv::blur(image,result,cv::Size(5,5));</span>

2，高斯模糊

上面的blur的平滑原理是用邻域内的平均值来代替当前的灰度值，但是我们往往希望越靠近该像素的点提供越高的权重，这样就产生了高斯模糊滤波。它的滤波器或者叫遮罩是一个高斯分布的二维矩阵。

<span style="color: black;">cv::GaussianBlur(image,result,cv::Size(5,5),1.5);</span>

参数image为输入图像，result为输出图像，Size(5,5)定义了核的大小，最后一个参数说明了高斯核的方差。

3，中值滤波

上面讲到的2个滤波器，都是邻域内的像素按照一个权重相加最后设置为当前点的灰度值，这种操作又称为卷积，这样的滤波器叫线性滤波器，另外还有一种非线性的滤波器，比如中值滤波器，它是取邻域内所有像素的中值作为当前点的灰度值。

中值即排序后中间的那个值：median({1,2,3,3,7,5,1,8})=3。

<span style="color: black;">cv::medianBlur(image,result,5);</span>

其中最后一个参数指定了邻域的大小为5*5。中值滤波也是在实际中应用最多的平滑滤波，它可以有效的去除比如椒盐噪声一类的干扰。

下面我们对比一下上面三种滤波器的效果：

<span style="color: blue;">#include </span><span style="color: rgb(163, 21, 21);"><opencv2/core/core.hpp></span><span style="color: blue;">#include </span><span style="color: rgb(163, 21, 21);"><opencv2/highgui/highgui.hpp></span><span style="color: blue;">#include </span><span style="color: rgb(163, 21, 21);"><opencv2/imgproc/imgproc.hpp></span><span style="color: blue;">int </span><span style="color: black;">main(){    </span><span style="color: blue;">using namespace </span><span style="color: black;">cv;    </span><span style="color: rgb(43, 145, 175);">Mat </span><span style="color: black;">image=imread(</span><span style="color: rgb(163, 21, 21);">"../cat.png"</span><span style="color: black;">);    cvtColor(image,image,</span><span style="color: rgb(47, 79, 79);">CV_BGR2GRAY</span><span style="color: black;">);    </span><span style="color: rgb(43, 145, 175);">Mat </span><span style="color: black;">blurResult;    </span><span style="color: rgb(43, 145, 175);">Mat </span><span style="color: black;">gaussianResult;    </span><span style="color: rgb(43, 145, 175);">Mat </span><span style="color: black;">medianResult;    blur(image,blurResult,</span><span style="color: rgb(43, 145, 175);">Size</span><span style="color: black;">(5,5));    GaussianBlur(image,gaussianResult,</span><span style="color: rgb(43, 145, 175);">Size</span><span style="color: black;">(5,5),1.5);    medianBlur(image,medianResult,5);    namedWindow(</span><span style="color: rgb(163, 21, 21);">"blur"</span><span style="color: black;">);imshow(</span><span style="color: rgb(163, 21, 21);">"blur"</span><span style="color: black;">,blurResult);    namedWindow(</span><span style="color: rgb(163, 21, 21);">"Gaussianblur"</span><span style="color: black;">);imshow(</span><span style="color: rgb(163, 21, 21);">"Gaussianblur"</span><span style="color: black;">,gaussianResult);    namedWindow(</span><span style="color: rgb(163, 21, 21);">"medianBlur"</span><span style="color: black;">);imshow(</span><span style="color: rgb(163, 21, 21);">"medianBlur"</span><span style="color: black;">,medianResult);    waitKey();    </span><span style="color: blue;">return </span><span style="color: black;">0;}</span>

二、高通滤波：边缘检测

高通滤波器最好的一个应用就是边缘检测，由文章开头分析可知高频是图像中变化剧烈的地方，所以图像的边缘区域恰好符合这一特性，我们可以利用高通滤波让图像的边缘显露出来，进一步计算图像的一些特征。

边缘检测本来打算作为一个单独的主题来写一篇文章，但是由于Canny边缘检测算法比较复杂，篇幅也较大，所以先把Sobel边缘检测在高通滤波这里作为一个实例，以后Canny边缘检测作为单独的一篇文章来写。

实际上OpenCV有提供了Sobel边缘检测的函数，但是一方面阈值好像取的不太好，另一方面没有对最后边缘作细化处理，所以效果并不太让人满意，本文是模仿Matlab中算法来写的，相关的理论可以参考我原来写过的一篇文章《视觉算法:Sobel边缘检测》。

下面是Soble实现的C++代码：

<span style="color: blue;">bool </span><span style="color: black;">Sobel(</span><span style="color: blue;">const </span><span style="color: rgb(43, 145, 175);">Mat</span><span style="color: black;">& </span><span style="color: gray;">image</span><span style="color: black;">,</span><span style="color: rgb(43, 145, 175);">Mat</span><span style="color: black;">& </span><span style="color: gray;">result</span><span style="color: black;">,</span><span style="color: blue;">int </span><span style="color: gray;">TYPE</span><span style="color: black;">){    </span><span style="color: blue;">if</span><span style="color: black;">(</span><span style="color: gray;">image</span><span style="color: black;">.channels()!=1)        </span><span style="color: blue;">return false</span><span style="color: black;">;    </span><span style="color: green;">// 系数设置    </span><span style="color: blue;">int </span><span style="color: black;">kx(0);    </span><span style="color: blue;">int </span><span style="color: black;">ky(0);    </span><span style="color: blue;">if</span><span style="color: black;">( </span><span style="color: gray;">TYPE</span><span style="color: black;">==</span><span style="color: rgb(47, 79, 79);">SOBEL_HORZ </span><span style="color: black;">){        kx=0;ky=1;    }    </span><span style="color: blue;">else if</span><span style="color: black;">( </span><span style="color: gray;">TYPE</span><span style="color: black;">==</span><span style="color: rgb(47, 79, 79);">SOBEL_VERT </span><span style="color: black;">){        kx=1;ky=0;    }    </span><span style="color: blue;">else if</span><span style="color: black;">( </span><span style="color: gray;">TYPE</span><span style="color: black;">==</span><span style="color: rgb(47, 79, 79);">SOBEL_BOTH </span><span style="color: black;">){        kx=1;ky=1;    }    </span><span style="color: blue;">else        return false</span><span style="color: black;">;    </span><span style="color: green;">// 设置mask    </span><span style="color: blue;">float </span><span style="color: black;">mask[3][3]={{1,2,1},{0,0,0},{-1,-2,-1}};    </span><span style="color: rgb(43, 145, 175);">Mat </span><span style="color: black;">y_mask=</span><span style="color: rgb(43, 145, 175);">Mat</span><span style="color: black;">(3,3,</span><span style="color: rgb(111, 0, 138);">CV_32F</span><span style="color: black;">,mask)/8;    </span><span style="color: rgb(43, 145, 175);">Mat </span><span style="color: black;">x_mask=y_mask.t(); </span><span style="color: green;">// 转置    // 计算x方向和y方向上的滤波    </span><span style="color: rgb(43, 145, 175);">Mat </span><span style="color: black;">sobelX,sobelY;    filter2D(</span><span style="color: gray;">image</span><span style="color: black;">,sobelX,</span><span style="color: rgb(111, 0, 138);">CV_32F</span><span style="color: black;">,x_mask);    filter2D(</span><span style="color: gray;">image</span><span style="color: black;">,sobelY,</span><span style="color: rgb(111, 0, 138);">CV_32F</span><span style="color: black;">,y_mask);    sobelX=abs(sobelX);    sobelY=abs(sobelY);    </span><span style="color: green;">// 梯度图    </span><span style="color: rgb(43, 145, 175);">Mat </span><span style="color: black;">gradient=kx*sobelX.mul(sobelX)+ky*sobelY.mul(sobelY);    </span><span style="color: green;">// 计算阈值    </span><span style="color: blue;">int </span><span style="color: black;">scale=4;    </span><span style="color: blue;">double </span><span style="color: black;">cutoff=scale*mean(gradient)[0];    </span><span style="color: gray;">result</span><span style="color: black;">.create(</span><span style="color: gray;">image</span><span style="color: black;">.size(),</span><span style="color: gray;">image</span><span style="color: black;">.type());    </span><span style="color: gray;">result</span><span style="color: black;">.setTo(0);    </span><span style="color: blue;">for</span><span style="color: black;">(</span><span style="color: blue;">int </span><span style="color: black;">i=1;i<</span><span style="color: gray;">image</span><span style="color: black;">.rows-1;i++)    {        </span><span style="color: blue;">float</span><span style="color: black;">* sbxPtr=sobelX.ptr<</span><span style="color: blue;">float</span><span style="color: black;">>(i);        </span><span style="color: blue;">float</span><span style="color: black;">* sbyPtr=sobelY.ptr<</span><span style="color: blue;">float</span><span style="color: black;">>(i);        </span><span style="color: blue;">float</span><span style="color: black;">* prePtr=gradient.ptr<</span><span style="color: blue;">float</span><span style="color: black;">>(i-1);        </span><span style="color: blue;">float</span><span style="color: black;">* curPtr=gradient.ptr<</span><span style="color: blue;">float</span><span style="color: black;">>(i);        </span><span style="color: blue;">float</span><span style="color: black;">* lstPtr=gradient.ptr<</span><span style="color: blue;">float</span><span style="color: black;">>(i+1);        </span><span style="color: rgb(43, 145, 175);">uchar</span><span style="color: black;">* rstPtr=</span><span style="color: gray;">result</span><span style="color: black;">.ptr<</span><span style="color: rgb(43, 145, 175);">uchar</span><span style="color: black;">>(i);        </span><span style="color: green;">// 阈值化和极大值抑制        </span><span style="color: blue;">for</span><span style="color: black;">(</span><span style="color: blue;">int </span><span style="color: black;">j=1;j<</span><span style="color: gray;">image</span><span style="color: black;">.cols-1;j++)        {            </span><span style="color: blue;">if</span><span style="color: black;">( curPtr[j]>cutoff && (                (sbxPtr[j]>kx*sbyPtr[j] && curPtr[j]>curPtr[j-1] && curPtr[j]>curPtr[j+1]) ||                (sbyPtr[j]>ky*sbxPtr[j] && curPtr[j]>prePtr[j] && curPtr[j]>lstPtr[j]) ))                rstPtr[j]=255;        }    }    </span><span style="color: blue;">return true</span><span style="color: black;">;}</span>