opencv-------高斯滤波

高斯滤波(Gauss Filter)是线性滤波中的一种。在OpenCV图像滤波处理中，高斯滤波用于平滑图像，或者说是图像模糊处理，因此高斯滤波是低通的。其广泛的应用在图像处理的减噪过程中，尤其是被高斯噪声所污染的图像上。
高斯滤波的基本思想是: 图像上的每一个像素点的值，都由其本身和邻域内其他像素点的值经过加权平均后得到。其具体操作是，用一个核(又称为卷积核、掩模、矩阵)扫描图像中每一个像素点，将邻域内各个像素值与对应位置的权值相称并求和。从数学的角度来看，高斯滤波的过程是图像与高斯正态分布做卷积操作。
注意: 高斯滤波是将二维高斯正态分布放在图像矩阵上做卷积运算。考虑的是邻域内像素值的空间距离关系，因此对彩色图像处理时应分通道进行操作，也就是说操作的图像原矩阵时用单通道数据，最后合并为彩色图像。

一、几个概念
1. 什么是低通滤波、平滑图像、图像模糊处理？
平滑图像与图像模糊处理是相同的含义。平滑处理即是通过操作后，使得图像的像素值与邻域内其他像素值的的变化程度减小。在一张图像上，边缘的像素值是变化程度最剧烈的地方，而其他相对平缓。因此，平滑图像最直观的表现是图像的上物体的边缘轮廓变得模糊。

低通滤波是指仅允许低频率信号通过。一张图像上的大部分能量聚集在低频和中频上，而高频大多是图像中物体的边缘部分，也有可能是高频噪声点。在单通道中，各像素点的取值都在(0~255)中，因此，低通滤波通过一定的阙值设置，有去除高频信号和平缓边缘的效果。

2. 什么是核(又称为卷积核、掩模、矩阵)？
核的本质其实就是一个大小固定、由数值参数组成的数学矩阵，例如一个3*3的核就是一个3*3的矩阵,而矩阵中的数据则为权值。

3. 什么是卷积运算？
卷积运算是指输入图像中某一像素点的邻域的各个值（包括该点）与卷积算子中的值做矩阵相乘运算，最后得到输出值。
卷积算子的公式:

g(i，j) 代表原图像矩阵上的(i，j)点的值，它是输出值。
f(i-k，j-l) 代表原图像矩阵上(i，j)点的邻域中的对应点的值。
h(k,，l) 代表与f(i-k ， j-l)这个值在核对应位置的点的值
请看下图：这里用的是f(i-k,j-l)h(k,l)

由上图我们看到，矩阵f是将要进行操作的图像矩阵，当前的(i，j)是(2，2)点。h为核，其以中心(0，0)为参考点。因此f矩阵对应范围即为f(2，2)的邻域。矩阵g为图像输出矩阵，g(2，2)的值为输出值。
注意：卷积算子和相关算子在核上是180度翻转的矩阵，请不要搞混

4.核(卷积核、掩模、矩阵等)
在3的卷积运算中，用到的公式是：
g(i, j) = ∑ f(i-k, j-l)h(k, l) 。其中 k，l代表核上的坐标。而核的坐标明显与数组下标不一致。因此，我们需要做一个转换以满足用数组下标来访问该核的数据。
假设有3*3数组a，它与核的对应关系为
a(0, 0) ===> h(-1, -1) a(0, 1) ===> h(-1, 0) a(0, 2) ===> h(-1, 1)
a(1, 0) ===> h(0, -1) a(1, 1) ===> h(0, 0) a(1, 2) ===> h(0, 1)
a(2, 0) ===> h(1, -1) a(2, 1) ===> h(1, 0) a(2, 2) ===> h(1, 1)
对于3*3数组，其下标是0开始的，假设该数组的参考点(ai, aj)为中心,则有
g(i, j) = ∑ f(i-(k-ai), j-(l-aj))h(k, l)
带入数组参考点(1, 1)，则有
g(i, j) = ∑ f(i-(k-1), j-(l-1))h(k, l)
此时，k，l可以从0开始取值

5.图像通道分离与合并(cv::Mat)

    // src 原图像，多通道// [1] 彩色图片通道分离std::vector<cv::Mat> channels;cv::split(&src, channels);// [3] 滤波// OpenCV中操作// channels[0]  ==>  B通道// channels[1]  ==>  G通道// channels[2]  ==>  R通道// 省略对各个通道的处理// [4] 合并返回cv::merge(channels, *dst);

二、高斯函数

高斯滤波，顾名思义，这是一个建立在高斯正态分布基础上的滤波器。首先我们来了解高斯函数。(图片来源于网络)
一维高斯函数：
可以看到，G(x)的跟sigma的取值有极大的关系。sigma取值越大，图像越平缓，sigma取值越小，图像越尖锐。

二维高斯函数：
二维高斯是构建高斯滤波器的基础。可以看到，G(x,y)在x轴y轴上的分布是一个突起的帽子的形状。这里的sigma可以看作两个值，一个是x轴上的分量sigmaX，另一个是y轴上的分量sigmaY。对图像处理可以直接使用sigma并对图像的行列操作，也可以用sigmaX对图像的行操作，再用sigmaY对图像的列操作。它们是等价的。
当sigmaX和sigmaY取值越大，整个形状趋近于扁平；当sigmaX和sigmaY取值越小，整个形状越突起。

高斯滤波原理就是将上图的二维正态分布应用在二维的矩阵上，G(x,y)的值就是矩阵上的权值，将得到的权值进行归一化，将权值的范围约束在[0,1]之间，并且所有的值的总和为1。
假设一个3*3的核，sigma取值1.5以及sigma取5.0，归一化后其权值分布分别是：

假设一个5*5的核，sigma取值1.5以及sigma取5.0，经归一化后其权值分布分别是：

可以看到，权值的分布是以中间高四周低来分布的。并且距离中心越远，其对中心点的影响就越小，权值也就越小。
因此可以总结：
（1）在核大小固定的情况下，sigma值越大，权值分布越平缓。因此，邻域各个点的值对输出值的影响越大，最终结果造成图像越模糊。
（2）在核大小固定的情况下，sigma值越小，权值分布越突起。因此，邻域各个点的值对输出值的影响越小，图像变化也越小。假如中心点权值为1，其他点权值为0，那么最终结果是图像没有任何变化。
（3）sigma固定时，核越大图像越模糊。
（4）sigma固定时，核越小图像变化越小。

三、高斯滤波器实现
首先看效果：
对于椒盐图作处理

对于高斯噪声图作处理

（1）main函数：读取图片 ==> 高斯滤波 ==> 结果显示

int main(void)
{// [1] src读入图片cv::Mat src = cv::imread("Median_pic.jpg");// [2] dst目标图片cv::Mat dst;// [3] 高斯滤波  sigma越大越平越模糊myGaussianFilter(&src, &dst, 5, 1.5f);// [4] 窗体显示cv::imshow("src", src);cv::imshow("dst", dst);cv::waitKey(0);cv::destroyAllWindows();return 0;
}

（2）彩色图像通道分离处理，每个通道都进行高斯滤波，最后合并

void myGaussianFilter(cv::Mat *src, cv::Mat *dst, int n, double sigma)
{// [1] 初始化*dst = (*src).clone();// [2] 彩色图片通道分离std::vector<cv::Mat> channels;cv::split(*src, channels);// [3] 滤波// [3-1] 确定高斯正态矩阵double **array = getGaussianArray(n, sigma);// [3-2] 高斯滤波处理for (int i = 0; i < 3; i++) {gaussian(&channels[i], array, n);}// [4] 合并返回cv::merge(channels, *dst);return ;
}

（3）生成高斯正态分布核(卷积核，掩模等)

/* 获取高斯分布数组               (核大小， sigma值) */
double **getGaussianArray(int arr_size, double sigma)
{int i, j;// [1] 初始化权值数组double **array = new double*[arr_size];for (i = 0; i < arr_size; i++) {array[i] = new double[arr_size];}// [2] 高斯分布计算int center_i, center_j;center_i = center_j = arr_size / 2;double pi = 3.141592653589793;double sum = 0.0f;// [2-1] 高斯函数for (i = 0; i < arr_size; i++ ) {for (j = 0; j < arr_size; j++) {array[i][j] = //后面进行归一化，这部分可以不用//0.5f *pi*(sigma*sigma) * exp( -(1.0f)* ( ((i-center_i)*(i-center_i)+(j-center_j)*(j-center_j)) /(2.0f*sigma*sigma) ));sum += array[i][j];}}// [2-2] 归一化求权值for (i = 0; i < arr_size; i++) {for (j = 0; j < arr_size; j++) {array[i][j] /= sum;printf(" [%.15f] ", array[i][j]);}printf("\n");}return array;
}

（4）进行高斯滤波操作

/* 高斯滤波 (待处理单通道图片, 高斯分布数组， 高斯数组大小(核大小) ) */
void gaussian(cv::Mat *_src, double **_array, int _size)
{cv::Mat temp = (*_src).clone();// [1] 扫描for (int i = 0; i < (*_src).rows; i++) {for (int j = 0; j < (*_src).cols; j++) {// [2] 忽略边缘if (i > (_size / 2) - 1 && j > (_size / 2) - 1 &&i < (*_src).rows - (_size / 2) && j < (*_src).cols - (_size / 2)) {// [3] 找到图像输入点f(i,j),以输入点为中心与核中心对齐//     核心为中心参考点 卷积算子=>高斯矩阵180度转向计算//     x y 代表卷积核的权值坐标   i j 代表图像输入点坐标//     卷积算子     (f*g)(i,j) = f(i-k,j-l)g(k,l)          f代表图像输入 g代表核//     带入核参考点 (f*g)(i,j) = f(i-(k-ai), j-(l-aj))g(k,l)   ai,aj 核参考点//     加权求和  注意：核的坐标以左上0,0起点double sum = 0.0;for (int k = 0; k < _size; k++) {for (int l = 0; l < _size; l++) {sum += (*_src).ptr<uchar>(i-k+(_size/2))[j-l+(_size/2)] * _array[k][l];}}// 放入中间结果,计算所得的值与没有计算的值不能混用temp.ptr<uchar>(i)[j] = sum;}}}// 放入原图（*_src） = temp.clone();
}

opencv-------高斯滤波相关推荐

python opencv高斯滤波_【OpenCV】基于Python的图像高斯平滑和椒盐噪声处理 | 学步园...
最近要做一个Project,是使用TV来对添加了Gaussian和Salt&Pepper噪声的图像进行恢复,前期的任务是生成噪声污染的图像. 噪声图像的生成采用对图像进行高斯平滑,之后在随机的 ...
OpenCV高斯滤波GaussianBlur
图像处理中,常用的滤波算法有均值滤波.中值滤波以及高斯滤波等. 三种滤波器的对比滤波器种类基本原理特点均值滤波使用模板内所有像素的平均值代替模板中心像素灰度值易收到噪声的干扰,不能完全消除 ...
OpenCV 高斯滤波
高斯噪声:噪声的概率密度分布是正态分布高斯噪声用途:去除高斯噪声如果原图是彩色图片,可以对RGB三个通道分别做高斯平滑. cv2.GaussianBlur(src,ksize,sigmaX,sig ...
C/C++ OpenCV高斯滤波
高斯滤波GaussianBlur函数 void GaussianBlur( InputArray src, OutputArray dst, Size ksize, double sigmax, do ...
《OpenCv视觉之眼》Python图像处理五 :Opencv图像去噪处理之均值滤波、方框滤波、中值滤波和高斯滤波
本专栏主要介绍如果通过OpenCv-Python进行图像处理,通过原理理解OpenCv-Python的函数处理原型,在具体情况中,针对不同的图像进行不同等级的.不同方法的处理,以达到对图像进行去噪.锐 ...
Opencv——图像添加椒盐噪声、高斯滤波去除噪声原理及手写Python代码实现
一.噪声我们将常会听到平滑(去噪),锐化(和平滑是相反的),那我们就会有疑惑?什么是噪声呢?图像噪声是指存在于图像数据中不必要的或多余的干扰信息,噪声的存在严重影响了图像的质量.噪声在理论上是&qu ...
OpenCV的滤波与卷积
目录预备知识滤波.核和卷积边界外推和边界处理阈值化操作 Otsu算法自适应阈值平滑简单模糊和方框型滤波器中值滤波器高斯滤波器双边滤波器导数和梯度索贝尔导数 Scharr滤波器 ...
【OpenCV 4开发详解】高斯滤波
本文首发于"小白学视觉"微信公众号,欢迎关注公众号本文作者为小白,版权归人民邮电出版社发行所有,禁止转载,侵权必究! 经过几个月的努力,小白终于完成了市面上第一本OpenCV 4 ...
【图像处理】——图像滤波（Python+opencv实现三种方法：均值滤波、中值滤波、高斯滤波等）
目录一.什么是滤波以及滤波的目的? 二.均值滤波(cv2.blur()) 1.原理 2.关键代码 3.封装代码二.中值滤波(cv2.medianBlur()) 1.原理 2.关键代码 3.封装代码 ...
OpenCV调用摄像头+灰度图+高斯滤波+Canny算子
来把opencv经常要用的一些函数来梳理一下效果图震楼惯例opencv配置环境地址:https://blog.csdn.net/aidam_bo/article/details/81132918 ...

opencv-------高斯滤波

二、高斯函数

opencv-------高斯滤波相关推荐

最新文章

热门文章