OpenCV学习笔记（九）谈谈中值滤波无效性

来源：互联网发布：sql 关键字顺序编辑：程序博客网时间：2024/05/17 20:25

谈谈中值滤波无效性：

不谈线性滤波，实用性不大，基本没用。

中值滤波的简单在于选择灰度值的中值来替代该像素点的灰度值，该方法去除椒盐噪声，还勉强可以。但对绝大部分图像来说，不合适。但是比起线性滤波来说，优势还是蛮大的。单单从消除噪声来说和保边来说，更胜一筹。

但是对于细节图像来说，就显得捉襟见肘了。这也是在处理细节图像上，不建议使用中值滤波的原因。

下面就验证一下，先生成高斯噪声，用中值滤波看看效果：

#include <opencv2/core/core.hpp>#include <opencv2/highgui/highgui.hpp>#include <opencv2/imgproc/imgproc.hpp>#include <cstdlib>#include <cmath>#include <limits>#include <iostream>using namespace cv;using namespace std;double generateGaussianNoise(double mu, double sigma){//定义一个特别小的值const double epsilon = numeric_limits<double>::min();//返回目标数据类型能表示的最逼近1的正数和1的差的绝对值static double z0, z1;static bool flag = false;flag = !flag;//flag为假，构造高斯随机变量if (!flag)return z1*sigma + mu;double u1, u2;//构造随机变量do{u1 = rand()*(1.0 / RAND_MAX);u2 = rand()*(1.0 / RAND_MAX);} while (u1 <= epsilon);//flag为真构造高斯随机变量Xz0 = sqrt(-2.0*log(u1))*cos(2 * CV_PI * u2);z1 = sqrt(-2.0*log(u1))*sin(2 * CV_PI * u2);return z0*sigma + mu;}Mat addGaussianNoise(Mat& srcImage){Mat resultImage = srcImage.clone();    //深拷贝,克隆int channels = resultImage.channels();    //获取图像的通道int nRows = resultImage.rows;    //图像的行数int nCols = resultImage.cols*channels;   //图像的总列数//判断图像的连续性if (resultImage.isContinuous())    //判断矩阵是否连续，若连续，我们相当于只需要遍历一个一维数组 {nCols *= nRows;nRows = 1;}for (int i = 0; i < nRows; i++){for (int j = 0; j < nCols; j++){//添加高斯噪声int val = resultImage.ptr<uchar>(i)[j] + generateGaussianNoise(2, 0.8) * 32;if (val < 0)val = 0;if (val > 255)val = 255;resultImage.ptr<uchar>(i)[j] = (uchar)val;}}return resultImage;}int main(){Mat srcImage = imread("D:\\1.jpg");imshow("srcImage", srcImage);Mat resultImage1 = addGaussianNoise(srcImage);Mat resultImage2;medianBlur(resultImage1, resultImage2, 7);imshow("resultImage1", resultImage1);imshow("resultImage2", resultImage2);waitKey(0);return 0;}

看到了吧，常用的中值滤波，也叫做模糊。

2 0