OpenCV进阶---滤波

1. 学习目标：

目标	OpenCV函数
均值滤波	blur()
高斯滤波	GaussianBlur()
中值	medianBlur()
双边	bilateralFilter()

2. OpenCV理论

平滑，也称为模糊。
平滑的原因有很多。我们将重点关注平滑以减少噪声。
要执行平滑滤波操作，我们将对图像应用滤波器filter。最常见的滤波器类型是线性的，其中输出像素的值 $g(i,j)$ , 输入像素值的加权和 $f(i+k,j+l)$ ：

$g(i,j)=\sum f(i+k,j+l)h(k,l)$

$h(k,l)$ 为滤波器

Normalized Box Filter（均值滤波）

这个过滤器是最简单的。每个输出像素是其内核邻域的平均值（所有这些像素都具有相同的权重）
内核如下：

Gaussian Filter

最常用的滤波器（尽管不是最快的）。通过将输入数组中的每个点与高斯核进行卷积，然后将它们相加以产生输出数组来完成高斯滤波。
只是为了让图片更清晰，还记得一维高斯内核是怎样的吗？

假设图像是1维，可以注意到位于中间的像素将具有最大权重。随着它们与中心像素之间的空间距离的增加，其邻居的权重减小。

注意
请记住，2D高斯滤波核可以表示为：

学过概率的同学应该知道，这是标准高斯函数。， μ 为均值， σ2为方差。

Median Filter

中值滤波器遍历信号的每个元素（在这种情况下是图像），并用其相邻像素的中值（位于评估像素周围的方形邻域中）替换每个像素。

Bilateral Filter

到目前为止，我们已经解释了一些主要目标是平滑输入图像的滤镜。但是，有时滤波器不仅可以消除噪音，还可以平滑边缘（这不是想要的结果，边缘对图像很重要）。为了避免这种情况（至少在某种程度上），我们可以使用双边滤波器。
以与高斯滤波器类似的方式，双边滤波器还考虑具有分配给它们中的每一个的权重的相邻像素。这些权重有两个分量，第一个是高斯滤波器使用的相同权重。第二个组件考虑了相邻像素和评估像素之间的强度差异。
有关更详细的说明，请查看此链接Bilateral Filtering for Gray and Color Images

3. Code

介绍

1. 导入图像

2. 应用4中滤波器

#include <iostream>
#include "opencv2/imgproc.hpp"
#include "opencv2/imgcodecs.hpp"
#include "opencv2/highgui.hpp"
using namespace std;
using namespace cv;
int DELAY_CAPTION = 1500;
int DELAY_BLUR = 100;
int MAX_KERNEL_LENGTH = 31;
Mat src; Mat dst;
char window_name[] = "Smoothing Demo";
int display_caption( const char* caption );
int display_dst( int delay );
int main( int argc, char ** argv )
{
    namedWindow( window_name, WINDOW_AUTOSIZE );
    const char* filename = argc >=2 ? argv[1] : "../data/lena.jpg";
    src = imread( filename, IMREAD_COLOR );
    if(src.empty())
    {
        printf(" Error opening image\n");
        printf(" Usage: ./Smoothing [image_name -- default ../data/lena.jpg] \n");
        return -1;
    }
    if( display_caption( "Original Image" ) != 0 )
    {
        return 0;
    }
    dst = src.clone();
    if( display_dst( DELAY_CAPTION ) != 0 )
    {
        return 0;
    }
    if( display_caption( "Homogeneous Blur" ) != 0 )
    {
        return 0;
    }
    for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
    {
        blur( src, dst, Size( i, i ), Point(-1,-1) );
        if( display_dst( DELAY_BLUR ) != 0 )
        {
            return 0;
        }
    }
    if( display_caption( "Gaussian Blur" ) != 0 )
    {
        return 0;
    }
    for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
    {
        GaussianBlur( src, dst, Size( i, i ), 0, 0 );
        if( display_dst( DELAY_BLUR ) != 0 )
        {
            return 0;
        }
    }
    if( display_caption( "Median Blur" ) != 0 )
    {
        return 0;
    }
    for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
    {
        medianBlur ( src, dst, i );
        if( display_dst( DELAY_BLUR ) != 0 )
        {
            return 0;
        }
    }
    if( display_caption( "Bilateral Blur" ) != 0 )
    {
        return 0;
    }
    for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
    {
        bilateralFilter ( src, dst, i, i*2, i/2 );
        if( display_dst( DELAY_BLUR ) != 0 )
        {
            return 0;
        }
    }
    display_caption( "Done!" );
    return 0;
}
int display_caption( const char* caption )
{
    dst = Mat::zeros( src.size(), src.type() );
    putText( dst, caption,
             Point( src.cols/4, src.rows/2),
             FONT_HERSHEY_COMPLEX, 1, Scalar(255, 255, 255) );
    return display_dst(DELAY_CAPTION);
}
int display_dst( int delay )
{
    imshow( window_name, dst );
    int c = waitKey ( delay );
    if( c >= 0 ) { return -1; }
    return 0;
}

4. 代码详解

Normalized Block Filter:

for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
    {
        blur( src, dst, Size( i, i ), Point(-1,-1) );
        if( display_dst( DELAY_BLUR ) != 0 )
        {
            return 0;
        }
    }

OpenCV提供函数blur()以使用此过滤器执行平滑。我们指定4个参数（更多细节，请参阅参考资料）：
src：源图像
dst：目标图像
size（w，h）：定义要使用的内核的大小（宽度为w像素，高度为h像素）
point（-1，-1）：表示锚点（被评估的像素）相对于邻域的位置。如果存在负值，则将内核的中心视为锚点。

Gaussian Filter:

for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
    {
        GaussianBlur( src, dst, Size( i, i ), 0, 0 );
        if( display_dst( DELAY_BLUR ) != 0 )
        {
            return 0;
        }
    }

由函数GaussianBlur()执行：这里我们使用4个参数（更多细节，检查OpenCV引用）：
src：源图像
dst：目标图像
size（w，h）：要使用的内核的大小（要考虑的邻居）。 w和h必须是奇数和正数，否则将使用σx和σy参数计算大小。
σx：x中的标准偏差。写0表示使用内核大小计算σx。
σy：y的标准偏差。写0表示使用内核大小计算σy。

Median Filter:

 for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
    {
        medianBlur ( src, dst, i );
        if( display_dst( DELAY_BLUR ) != 0 )
        {
            return 0;
        }
    }

i: 内核的大小（只有一个，因为我们使用方形窗口）。一定是奇数。

Bilateral Filter

for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
    {
        bilateralFilter ( src, dst, i, i*2, i/2 );
        if( display_dst( DELAY_BLUR ) != 0 )
        {
            return 0;
        }
    }

Provided by OpenCV function bilateralFilter() We use 5 arguments:（官方介绍）

d：每个像素邻域的直径。

σColor：颜色空间的标准偏差。

σSpace：坐标空间的标准差（以像素为单位）