前言

基于opencv的c++接口，实现常用的图像滤波方法，包括了均值滤波、中值滤波、高斯滤波、双边滤波、高通滤波以及低通滤波。

相关的opencv接口解析

CV_EXPORTS_W void blur( InputArray src, OutputArray dst,Size ksize, Point anchor = Point(-1,-1),int borderType = BORDER_DEFAULT );

该函数使用内核平滑图像。
@param src 输入图像；它可以有任意数量的通道，这些通道是独立处理的，但是深度应为 CV_8U、CV_16U、CV_16S、CV_32F 或 CV_64F。
@param dst 输出与 src 大小和类型相同的图像。
@param ksize 模糊内核大小。
@param anchor 锚点；默认值 Point(-1,-1) 表示锚点在内核中央。
@param borderType 用于外推图像外像素的边框模式，请参阅#BorderTypes。不支持#BORDER_WRAP。

enum BorderTypes {BORDER_CONSTANT    = 0, //!< `iiiiii|abcdefgh|iiiiiii`  with some specified `i`BORDER_REPLICATE   = 1, //!< `aaaaaa|abcdefgh|hhhhhhh`BORDER_REFLECT     = 2, //!< `fedcba|abcdefgh|hgfedcb`BORDER_WRAP        = 3, //!< `cdefgh|abcdefgh|abcdefg`BORDER_REFLECT_101 = 4, //!< `gfedcb|abcdefgh|gfedcba`BORDER_TRANSPARENT = 5, //!< `uvwxyz|abcdefgh|ijklmno`BORDER_REFLECT101  = BORDER_REFLECT_101, //!< same as BORDER_REFLECT_101BORDER_DEFAULT     = BORDER_REFLECT_101, //!< same as BORDER_REFLECT_101BORDER_ISOLATED    = 16 //!< do not look outside of ROI
};

CV_EXPORTS_W void GaussianBlur( InputArray src, OutputArray dst, Size ksize,double sigmaX, double sigmaY = 0,int borderType = BORDER_DEFAULT );

该函数将源图像与指定的高斯核进行卷积。支持就地过滤。
@param src 输入图像；图像可以有任意数量的通道，它们是独立处理的，但深度应该是 CV_8U、CV_16U、CV_16S、CV_32F 或 CV_64F。
@param dst 输出与 src 大小和类型相同的图像。
@param ksize 高斯内核大小。 ksize.width 和 ksize.height 可以不同，但它们都必须是正数和奇数。或者，它们可以是零，然后根据 sigma 计算它们。
@param sigmaX X 方向的高斯核标准差。
@param sigmaY Y 方向的高斯核标准差；如果 sigmaY 为零，则设置为等于 sigmaX，如果两个 sigma 均为零，则分别从 ksize.width 和 ksize.height 计算；为了完全控制结果，无论将来可能修改所有这些语义，建议指定所有 ksize、sigmaX 和 sigmaY。
@param borderType 像素外推方法，参见#BorderTypes。不支持#BORDER_WRAP。

CV_EXPORTS_W void medianBlur( InputArray src, OutputArray dst, int ksize );

该函数使用具有孔径的中值滤波器来平滑图像。多通道图像的每个通道都是独立处理的。支持就地操作。
@param src 输入 1、3 或 4 通道图像； ksize 为 3 或 5 时，图像深度应为 CV_8U、CV_16U 或 CV_32F，对于较大的光圈尺寸，只能为 CV_8U。
@param dst 与 src 大小和类型相同的目标数组。
@param ksize 孔径线性大小；它必须是奇数且大于 1，例如：3、5、7 …

CV_EXPORTS_W void bilateralFilter( InputArray src, OutputArray dst, int d,double sigmaColor, double sigmaSpace,int borderType = BORDER_DEFAULT );

该函数对输入图像应用双边过滤，如 http://www.dai.ed.ac.uk/CVonline/LOCAL_COPIES/MANDUCHI1/Bilateral_Filtering.html 中所述
双边滤波器可以很好地减少不需要的噪声，同时保持边缘相当清晰。但是，与大多数过滤器相比，它非常慢。
@param src 源 8 位或浮点、1 通道或 3 通道图像。
@param dst 与 src 大小和类型相同的目标图像。
@param d 过滤期间使用的每个像素邻域的直径。如果它是非正数，则从 sigmaSpace 计算。
@param sigmaColor 在颜色空间中过滤 sigma。较大的参数值意味着像素邻域内更远的颜色（参见 sigmaSpace）将混合在一起，导致在较大的半等色区域。
@param sigmaSpace 在坐标空间中过滤 sigma。较大的参数值意味着更远的像素会相互影响，只要它们的颜色足够接近（参见 sigmaColor）。当 d>0 时，它指定邻域大小，而不考虑 sigmaSpace。否则，d 与 sigmaSpace 成正比。
@param borderType 用于外推图像外像素的边框模式，请参阅#BorderTypes

CV_EXPORTS_W void filter2D( InputArray src, OutputArray dst, int ddepth,InputArray kernel, Point anchor = Point(-1,-1),double delta = 0, int borderType = BORDER_DEFAULT );

该函数将任意线性滤波器应用于图像。支持就地操作。当光圈部分位于图像之外时，该函数会根据指定的边框模式对异常像素值进行插值。
@param src 输入图像。
@param dst 输出与 src 大小和通道数相同的图像。
@param ddepth 目标图像的所需深度，请参阅 @ref filter_depths “combinations”
@param kernel 卷积核（或者说是相关核），一个单通道浮点矩阵；如果要将不同的内核应用于不同的通道，请使用 split 将图像拆分为单独的颜色平面并单独处理它们。
@param anchor 内核的锚点，表示内核中过滤点的相对位置；锚点应位于内核中；默认值 (-1,-1) 表示锚点位于内核中心。
@param delta 在将过滤像素存储到 dst 之前添加到它们的可选值。
@param borderType 像素外推方法，参见#BorderTypes。不支持#BORDER_WRAP。

示例代码

filter.h

#pragma once
#include <iostream>
#include <opencv2\highgui\highgui.hpp>
#include <opencv2\core\core.hpp>
#include <opencv2\imgproc\imgproc.hpp>using namespace std;
using namespace cv;
#define PROCESS_IMG_SUCESS 0
#define PROCESS_IMG_FAIL 1namespace ImgEnhance
{//滤波class Filter{public:Filter() { cout << "Filter is being created" << endl; } // 这是构造函数声明~Filter() { cout << "Filter is being deleted" << endl; } // 这是析构函数声明int MeanFilter(cv::Mat srcImage, cv::Mat &dstImage, int areaSize);//均值滤波int GaussFilter(cv::Mat srcImage, cv::Mat &dstImage, int areaSize, int xValue, int yValue);//高斯滤波int MedianFilter(cv::Mat srcImage, cv::Mat &dstImage, int areaSize);//中值滤波int BilateralFilter(cv::Mat srcImage, cv::Mat &dstImage, int areaRadio, int limitValue, int unuseValue);//双边滤波//高通滤波：边缘提取与增强//低通滤波：边缘平滑int HighPassFilter(cv::Mat srcImage, cv::Mat &dstImage);//高通滤波int LowPassFilter(cv::Mat srcImage, cv::Mat &dstImage);//低通滤波};}

filter.cpp

#include"filter.h"int ImgEnhance::Filter::MeanFilter(cv::Mat srcImage, cv::Mat &dstImage, int areaSize)
{if (srcImage.empty()){printf("cannot load!!\n");return 1;}blur(srcImage, dstImage, Size(areaSize, areaSize), Point(-1, -1));return 0;
}int ImgEnhance::Filter::GaussFilter(cv::Mat srcImage, cv::Mat &dstImage, int areaSize, int xValue, int yValue)
{if (srcImage.empty()){printf("cannot load!!\n");return 1;}GaussianBlur(srcImage, dstImage, Size(areaSize, areaSize), xValue, yValue);return 0;
}int ImgEnhance::Filter::MedianFilter(cv::Mat srcImage, cv::Mat &dstImage, int areaSize)
{if (srcImage.empty()){printf("cannot load!!\n");return 1;}medianBlur(srcImage, dstImage, areaSize);return 0;
}int ImgEnhance::Filter::BilateralFilter(cv::Mat srcImage, cv::Mat &dstImage, int areaRadio, int limitValue, int unuseValue)
{if (srcImage.empty()){printf("cannot load!!\n");return 1;}bilateralFilter(srcImage, dstImage, areaRadio, limitValue, unuseValue);return 0;
}int ImgEnhance::Filter::HighPassFilter(cv::Mat srcImage, cv::Mat &dstImage)
{if (srcImage.empty()){printf("cannot load!!\n");return 1;}Mat highKernel;highKernel = (Mat_<double>(3, 3) << -1, -1, -1, -1, 9, -1, -1, -1, -1);//高通滤波核Mat grad;filter2D(srcImage, grad, CV_16S, highKernel, Point(-1, -1));convertScaleAbs(grad, dstImage);return 0;
}int ImgEnhance::Filter::LowPassFilter(cv::Mat srcImage, cv::Mat &dstImage)
{if (srcImage.empty()){printf("cannot load!!\n");return 1;}Mat lowKernel;lowKernel = (Mat_<double>(3, 3) << 1.0 / 16, 2.0 / 16, 1.0 / 16, 2.0 / 16, 4.0 / 16, 2.0 / 16, 1.0 / 16, 2.0 / 16, 1.0 / 16);//低通滤波核Mat grad;filter2D(srcImage, grad, CV_16S, lowKernel, Point(-1, -1));convertScaleAbs(grad, dstImage);return 0;
}

test.cpp

#include"filter.h"
ImgEnhance::Filter ImgF;//滤波int main()
{// 读取源图像及判断cv::Mat srcImage = cv::imread("flower.jpg");if (!srcImage.data){return 1;}/*cv::namedWindow("原始图", 0);cv::imshow("原始图", srcImage);*/// 转化为灰度图像cv::Mat srcGray;if (srcImage.channels() == 3){cv::cvtColor(srcImage, srcGray, COLOR_RGB2GRAY);}else{srcGray = srcImage.clone();}cv::namedWindow("灰度图", 0);cv::imshow("灰度图", srcGray);//均值滤波Mat meanImage;int areaSizeMean=5;ImgF.MeanFilter(srcGray, meanImage, areaSizeMean);cv::namedWindow("均值滤波图", 0);cv::imshow("均值滤波图", meanImage);//高斯滤波Mat gaussImage;int areaSizeGauss = 5;int xValue = 1;int yValue = 1;ImgF.GaussFilter(srcGray, gaussImage, areaSizeGauss, xValue, yValue);cv::namedWindow("高斯滤波图", 0);cv::imshow("高斯滤波图", gaussImage);//中值滤波Mat medianImage;int areaSizeMedian = 5;ImgF.MedianFilter(srcGray, medianImage, areaSizeMedian);cv::namedWindow("中值滤波图", 0);cv::imshow("中值滤波图", gaussImage);//双边滤波Mat bilateralImage;int areaRadio = 1; int limitValue = 1;int unuseValue = 5;ImgF.BilateralFilter(srcGray, bilateralImage,  areaRadio,  limitValue,  unuseValue);cv::namedWindow("双边滤波图", 0);cv::imshow("双边滤波图", bilateralImage);//高通滤波：边缘提取与增强//低通滤波：边缘平滑Mat highpassImage;ImgF.HighPassFilter(srcGray, highpassImage);//高通滤波cv::namedWindow("高通滤波图", 0);cv::imshow("高通滤波图", highpassImage);//低通滤波Mat lowpassImage;ImgF.LowPassFilter(srcGray, lowpassImage);cv::namedWindow("低通滤波图", 0);cv::imshow("低通滤波图", lowpassImage);cv::waitKey(0);return 0;}

结果展示

基于opencv的c++图像处理（图像滤波）相关推荐

OpenCV中的图像处理 —— 图像阈值+图像平滑+形态转换
OpenCV中的图像处理 -- 图像阈值+图像平滑+形态转换目录 OpenCV中的图像处理 -- 图像阈值+图像平滑+形态转换 1. 图像阈值 1.1 简单阈值 1.2 自适应阈值 1.3 Otsu ...
基于Opencv的数字图像处理技巧（python）
图像处理(image processing),用计算机对图像进行分析,以达到所需结果的技术.又称影像处理.图像处理一般指数字图像处理.数字图像是指用工业相机.摄像机.扫描仪等设备经过拍摄得到的一个大的 ...
OpenCV中的图像处理 —— 图像梯度+Canny边缘检测+图像金字塔
OpenCV中的图像处理 -- 图像梯度+Canny边缘检测+图像金字塔目录 OpenCV中的图像处理 -- 图像梯度+Canny边缘检测+图像金字塔 1. 图像梯度 1.1 Sobel和Schar ...
Java服务器部署基于OpenCV的C++图像处理项目（三）图片上传并返回处理图
Java服务器部署基于OpenCV的C++图像处理项目(三)图片上传并返回处理图 1.上传图片并返回灰度图功能由于使用的springboot开发,直接写一个upload接口供图片上传,以下是spri ...
计算机图像进行滤波的函数,数字图像处理图像滤波.ppt
数字图像处理图像滤波图像滤波图像处理中所用到的图像往往含有噪声,需要用图像滤波的方法去除噪声. 内容框架像素基础知识介绍算术和逻辑运算直方图直方图均衡算法,用于图像锐化. 图像增强基本方法 ...
OpenCV（十一）图像滤波(平滑处理)（平均、中值、高斯、双边滤波）
目录一.基础理论 1.图像噪声 1-1.椒盐噪声 1-2.高斯噪声 2.滤波 3.线性滤波 1.概述 2.线性滤波原理: 二.均值滤波(cv::blur())(简单滤波) 1.原理 2.API 三. ...
基于opencv实现模块化图像处理管道
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达在这篇文章中,我们将学习如何为图像处理实现一个简单的模块化管道,我 ...
基于OpenCV实战的图像处理：色度分割
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达通过HSV色阶使用彩色图像可以分割来分割图像中的对象,但这并不是分 ...
基于OpenCV的实用图像处理操作
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达图像处理适用于图像和视频.良好的图像处理结果会为后续的进一步处理带 ...

基于opencv的c++图像处理（图像滤波）

前言