数字图像处理之均值滤波

图像噪声，通常指图像中除了成像物体之外的其它信息，比如斑点和颗粒，这些额外的错误信息干扰了成像物体的显示，影响成像质量，所以往往需要通过图像滤波（也称为图像去噪）来消除这些噪点。常见的图像滤波算法有均值滤波、高斯滤波、中值滤波、双边滤波、非局部均值滤波，以及近几年火热的基于深度学习的图像滤波等。本章节将详细讲解均值滤波算法的原理，以及C++实现和优化。

首先膜拜一下那些写Opencv代码的大佬们，他们写的代码不仅稳定性良好，运行效率也超级高，很多时候我们费尽心思写了一个相同的算法，发现性能与Opencv的接口函数相比还是差了许多，所以会有一丢丢的心理落差，但是抱着学习的态度，追赶大佬的脚步，精益求精，相信我们自己也是可以的！

均值滤波，也就是计算每一个像素点周围像素点（包括该点）的平均值，作为该像素点滤波之后的值，通常取以该像素点为中心的矩形窗口内的所有像素点来计算平均值，矩形窗口的大小一般为3*3，5*5，9*9，...，(2n+1)*(2n+1)。窗口越大，滤波效果越好，但是图像也变得更加模糊，所以需要根据实际情况设置矩形窗口的大小。比如3*3窗口的均值滤波如下图所示，点(x,y)的滤波值由其周围9个点（包括其自身）计算平均值得到。

图中点(x,y)的滤波值用公式表示为：

对于(2n+1)*(2n+1)窗口，点(x,y)的平均滤波值可根据如下公式计算：

为了解决图像边缘像素点取不到完整矩形窗口的问题，通常先把图像的上、下边界扩充n行，左右边界扩充n列，实际计算时，只计算图像原有像素点的窗口平均值。比如当矩形窗口为3*3，则n的值为1，这种情况下扩充边界的示意图如下图所示：

根据以上原理，基于Opencv和C++的均值滤波实现代码如下：

void blur_mean(Mat src, Mat &dst, int winsize)
{if(winsize&1)   //如果窗口的边不是奇数，则加1使其为奇数，因为只有窗口的边为奇数的时候当前像素点才是窗口的中心点{winsize += 1;}const int winsize_2 = winsize/2;    //winsize_2 就是上述公式中的nconst float winsize_num = winsize*winsize;   //(2n+1)*(2n+1)Mat src_board;//调用Opencv的copyMakeBorder函数扩充边界copyMakeBorder(src, src_board, winsize_2, winsize_2, winsize_2, winsize_2, BORDER_REFLECT);const int row = src_board.rows;   //行const int col = src_board.cols;Mat dst_tmp(src.size(), CV_8UC1);   //列for(int i = winsize_2; i < row-winsize_2; i++)  //行循环，只计算图像的原有行{for(int j = winsize_2; j < col-winsize_2; j++)  //列循环，只计算图像的原有列{float sum = 0.0;//计算每一个像素点周围矩形区域内所有像素点的累加和for(int y = 0; y < winsize; y++){for(int x = 0; x < winsize; x++){sum += src_board.ptr<uchar>(i-winsize_2+y)[j-winsize_2+x];}}//求得累加和之后再求窗口像素的平均值。作为当前像素点的滤波值dst_tmp.ptr<uchar>(i-winsize_2)[j-winsize_2] = (uchar)(sum/winsize_num + 0.5);}}dst_tmp.copyTo(dst);
}

运行以上代码，对一帧1024*1024的图像进行均值滤波，得到的结果如下图所示。可以看到，随着窗口尺寸的增加，滤波图像变得更加模糊，整体耗时也大幅度增加，由此可以判断在滤波的计算过程中，主要耗时点为计算窗口内像素点的累加和。

根据积分图的特点，可以使用积分图来简化矩形窗口内像素累加和的计算，如下图所示，蓝色矩形区域内点的像素累加和，可以使用其四个顶点A、B、C、D的积分值来计算

假设A、B、C、D的积分值分别为I(A)、I(B)、I(C)、I(D)，那么蓝色区域的像素累加和可以按照下式计算：

将上述积分图计算矩形区域内像素和的原理应用于均值滤波中，可以大大简化运算。对于每一个像素点，其计算滤波值的计算量由原本的(2n+1)*(2n+1)次加法，简化为2次加法和1次减法。

使用积分图优化加速的均值滤波代码如下：

void blur_mean_integral(Mat src, Mat &dst, int winsize)
{if(winsize&1){winsize += 1;}const int winsize_2 = winsize/2;const float winsize_num = 1.0/(winsize*winsize);Mat src_board;copyMakeBorder(src, src_board, winsize_2, winsize_2, winsize_2, winsize_2, BORDER_REFLECT);Mat integral;Integal_row(src_board, integral);    //计算积分图const int row = src_board.rows;const int col = src_board.cols;dst.create(src.size(), CV_8UC1);for(int i = winsize_2; i < row-winsize_2; i++){for(int j = winsize_2; j < col-winsize_2; j++){//使用矩形区域四个顶点的积分值来计算区域内的x像素累加和float sum = integral.ptr<float>(i+winsize_2)[j+winsize_2] - integral.ptr<float>(i-winsize_2)[j+winsize_2] - integral.ptr<float>(i+winsize_2)[j-winsize_2] + integral.ptr<float>(i-winsize_2)[j-winsize_2];//得到累加和之后再计算平均值dst.ptr<uchar>(i-winsize_2)[j-winsize_2] = (uchar)(sum*winsize_num + 0.5);}}
}

运行以上代码，取窗口大小为21*21，同样对一帧1024*1024的图像进行均值滤波，耗时由535.4 ms减小到6.78 ms，可以看到，整体耗时大大减小。在使用积分图的基础上，再进行SSE指令的优化，可以进一步减小计算耗时：

void blur_mean_integral(Mat src, Mat &dst, int winsize)
{if(winsize&1){winsize += 1;}const int winsize_2 = winsize/2;const float winsize_num = 1.0/(winsize*winsize);Mat src_board;copyMakeBorder(src, src_board, winsize_2, winsize_2, winsize_2, winsize_2, BORDER_REFLECT);Mat integral;Integal_row(src_board, integral);const int row = src_board.rows;const int col = src_board.cols;dst.create(src.size(), CV_8UC1);for(int i = winsize_2; i < row-winsize_2; i++){float *p1 = integral.ptr<float>(i-winsize_2);float *p2 = integral.ptr<float>(i+winsize_2);uchar *p3 = dst.ptr<uchar>(i-winsize_2);int j = winsize_2;for(; j < col-winsize_2-4; j+=4)   //列循环按4列展开，即每次循环同时计算4个点的滤波值{/*float sum = p2[j+winsize_2] - p1[j+winsize_2] - p2[j-winsize_2] + p1[j-winsize_2];p3[j-winsize_2] = (uchar)(sum*winsize_num + 0.5);sum = p2[j+winsize_2+1] - p1[j+winsize_2+1] - p2[j-winsize_2+1] + p1[j-winsize_2+1];p3[j-winsize_2+1] = (uchar)(sum*winsize_num + 0.5);sum = p2[j+winsize_2+2] - p1[j+winsize_2+2] - p2[j-winsize_2+2] + p1[j-winsize_2+2];p3[j-winsize_2+2] = (uchar)(sum*winsize_num + 0.5);sum = p2[j+winsize_2+3] - p1[j+winsize_2+3] - p2[j-winsize_2+3] + p1[j-winsize_2+3];p3[j-winsize_2+3] = (uchar)(sum*winsize_num + 0.5);*///以下的SSE指令代码对应上方的C++代码__m128 a3, a2, a1, a0;//将4个点的同一方向顶点的像素值加载到__m128变量中//a3 : p2[j+winsize_2+3] p2[j+winsize_2+2] p2[j+winsize_2+1] p2[j+winsize_2]//a2 : p1[j+winsize_2+3] p1[j+winsize_2+2] p1[j+winsize_2+1] p1[j+winsize_2]//a1 : p2[j-winsize_2+3] p2[j-winsize_2+2] p2[j-winsize_2+1] p2[j-winsize_2]//a0 : p1[j-winsize_2+3] p1[j-winsize_2+2] p1[j-winsize_2+1] p1[j-winsize_2]a3 = _mm_loadu_ps(&p2[j+winsize_2]);a2 = _mm_loadu_ps(&p1[j+winsize_2]);a1 = _mm_loadu_ps(&p2[j-winsize_2]);a0 = _mm_loadu_ps(&p1[j-winsize_2]);//(a3-a2)+(a0-a1)__m128 sum = _mm_add_ps(_mm_sub_ps(a3, a2), _mm_sub_ps(a0, a1));__m128 winnum = _mm_set1_ps(winsize_num);  //winsize_num winsize_num winsize_num winsize_numsum = _mm_mul_ps(sum, winnum);  //sum中有4个浮点数，winnum中也有4个浮点数，两者对应位置的浮点数相乘__m128i sum_i = _mm_cvtps_epi32(sum);   //四舍五入取整p3[j-winsize_2+3] = (uchar)sum_i.m128i_i32[3];p3[j-winsize_2+2] = (uchar)sum_i.m128i_i32[2];p3[j-winsize_2+1] = (uchar)sum_i.m128i_i32[1];p3[j-winsize_2] = (uchar)sum_i.m128i_i32[0];}for(; j < col-winsize_2; j++){float sum = p2[j+winsize_2] - p1[j+winsize_2] - p2[j-winsize_2] + p1[j-winsize_2];p3[j-winsize_2] = (uchar)(sum*winsize_num + 0.5);}}
}

使用SSE指令优化之后，同样对1024*1024的图像，取窗口21*21进行滤波，耗时由6.78 ms减少到3.98 ms。由此可知还是有一定优化效果的。

数字图像处理之均值滤波相关推荐

领域平均法matlab代码实验,数字图像处理邻域平均法滤波实验报告matlab实现.doc...
数字图像处理邻域平均法滤波实验报告matlab实现数字图像处理实验报告实验三邻域平均法滤波学号姓名实验三邻域平均法滤波一.实验内容选取噪声较明显的图像,分别采用3*3.5*5.7* ...
数字图像处理之平滑滤波
数字图像处理之平滑滤波 by方阳版权声明:本文为博主原创文章,转载请标出转载地址 http://www.cnblog ...
【图像处理】均值滤波、中值滤波和高斯滤波
[图像处理] 均值滤波.中值滤波和高斯滤波均值滤波中值滤波高斯滤波结语均值滤波均值滤波是一种线性滤波,会导致图像模糊. 均值滤波器卷积核:卷积核中心点对应原图上的位置的值,变为卷积核覆盖的 ...
matlab 均值滤波_数字图像处理基础 — 高斯滤波
高斯滤波,本文主要讲其如何通过C语言实现.不太擅长写理论性质的文章,这里仅仅阐述自己怎么实现以及简单的优化过程. 通常我们对获取的图像进行进一步处理时,往往需要先进行一次降噪,而通常我们选择的是高斯滤 ...
数字图像处理-频率域滤波原理
from:https://blog.csdn.net/forrest02/article/details/55510711?locationNum=15&fps=1 写在前面的话作者是一名在 ...
[数字图像处理]图像复原--逆滤波
1.逆滤波的问题点图像的老化,可以视为以下这样的一个过程.一个是退化函数的影响(致使图片模糊,褪色等),一个可加性噪声的影响. 用算式表示为前几篇博文,主要是介绍可加性噪声的 ...
数字图像处理之频域滤波
前段时间看了很多的概念和知识,发现因为是走马观花的过了一遍,所以看得稀里糊涂的,然后许多地方混淆了概念,特别是关于图像频率域的部分的理解(包括图像频率域滤波之类的),所以下面总结一下这段时间重新看&l ...
matlab 数字图像滤波,数字图像处理 (基于Matlab) 滤波
<数字图像处理> 实验报告一.实验目的(不少于200字) 一.第一个实验用的是各种空间域的方式来滤波,也就是直接把图像和空间滤波器的模板做卷积,当然图像处理很重要的一个部分还有频域的处 ...
图像处理：均值滤波算法
目录前言概念介绍基本原理 Opencv实现均值滤波 Python手写实现均值滤波参考文章前言在此之前,我曾在此篇中推导过图像处理:推导五种滤波算法(均值.中值.高斯.双边.引导).这在此基 ...

数字图像处理之均值滤波

数字图像处理之均值滤波相关推荐

最新文章

热门文章