OpenCV图像处理教程C++（十）图像模糊--非线性滤波

中值滤波：是一种基于统计学的滤波
统计排序滤波器：中值对椒盐噪声有很好的抑制作用(处理黑白点)。 图像噪声就是硬件处理图像时受干扰产生了极大或极小的像素值，转换成颜色数据就是255或0， 这就是椒盐噪声(黑白)
假如是3*3的卷积因子，图像数据为
┌ 124 126 127 ┐
│ 120 150 125 │
└ 115 110 120 ┘
进行排序后为: 115,119,120,123,124,125,126,127,150， 然后取中值 124 替换掉图像中心的150
双边滤波： 常说的双边滤波是指高斯双边滤波(用于美颜)
两像素差值太大的不予考虑，像素差值有一个阈值范围，在这个范围的才考虑，其他原样输出，这个叫双边滤波。在双边滤波的基础加上高斯权重，就叫高斯双边滤波。
均值模糊无法克服边缘像素信息丢失缺陷。原因是均值滤波是基于平均权重（都是1）
高斯模糊部分克服了该缺陷，但是无法完全避免，因为没有考虑像素值的不同
高斯双边模糊-是边缘保留的滤波方法，避免了边缘信息丢失，保留了图像轮廓不变

中值滤波——medianBlur函数

void medianBlur(InputArray src,//源图像
OutputArray dst, //输出图像，需要和源图片有一样的尺寸和类型
int ksize)//nt类型的ksize，孔径的线性尺寸（aperture linear size），注意这个参数必须是大于1的奇数，比如：3，5，7.............

双边滤波——bilateralFilter函数

void bilateralFilter(InputArray src,//输入图像，即源图像，需要为8位或者浮点型单通道、三通道的图像。
 OutputArraydst,//即目标图像，需要和源图片有一样的尺寸和类型。
 int d,//表示在过滤过程中每个像素邻域的直径。如果这个值我们设其为非正数，那么OpenCV会从第五个参数sigmaSpace来计算出它来。
 double sigmaColor,//颜色空间滤波器的sigma值。这个参数的值越大，就表明该像素邻域内有更宽广的颜色会被混合到一起，产生较大的半相等颜色区域
 double sigmaSpace,//坐标空间中滤波器的sigma值，坐标空间的标注方差。他的数值越大，意味着越远的像素会相互影响，从而使更大的区域足够相似的颜色获取相同的颜色。当d>0，d指定了邻域大小且与sigmaSpace无关。否则，d正比于sigmaSpace。
 int borderType=BORDER_DEFAULT)//用于推断图像外部像素的某种边界模式。注意它有默认值BORDER_DEFAULT。

代码：

#include <opencv2/opencv.hpp>
#include<iostream>
#include<math.h>
#include <string> 
#include<fstream> 
using namespace cv;
using namespace std;

int main()
{
    Mat dst2, dst3, dst4, dst5, dst6;
    Mat src2 = imread("C:\\Users\\Administrator\\Desktop\\pic\\4.jpg");
    imshow("src2", src2);

    medianBlur(src2, dst2, 3);//中值模糊，对于有些图像能让更圆润一些
    imshow("medianBlur2", dst2);
    //15 –计算的半径，半径之内的像数都会被纳入计算，如果提供-1 则根据sigma space参数取值
    //150 – sigma color 决定多少差值之内的像素会被计算
    //3 – sigma space 如果d的值大于0则声明无效，否则根据它来计算d值
    bilateralFilter(src2, dst3, 15, 150, 3);//双边模糊，虽然是模糊，但是图像的轮廓还在，而且能增强图像的立体感
    imshow("bilateralFilter1", dst3);
    bilateralFilter(src2, dst4, 15, 100, 5);//这就是磨皮的效果，ps效果很明显，sigmaColor值越小，保留的边缘像素越多，sigmaColor值适合在100，d值适合在15
    imshow("bilateralFilter2", dst4);
    GaussianBlur(src2, dst5, Size(15, 15), 3, 3);//高斯模糊，对比于双边模糊，当模糊的参数设置都是一样，双边模糊将边缘值都保留了下来
    imshow("GaussianBlur", dst5);

    Mat kernel = (Mat_<char>(3, 3) << 0, -1, 0, -1, 5, -1, 0, -1, 0);//定义掩膜 3*3矩阵
    filter2D(dst4, dst6, -1, kernel, Point(-1, -1), 0);//调用OpenCV函数进行掩膜操作，src.depth表示位图深度，有32、24、8等，如果不知道也可以传-1，表示跟输入图像一样
    imshow("filter2D bilateralFilter", dst6);

    waitKey(0);
}

结果：

各种模糊的综合案例：

#include <opencv2/opencv.hpp>
#include<iostream>
#include<math.h>
#include <string> 
#include<fstream> 
using namespace cv;
using namespace std;

//综合案列
Mat src, dst1, dst2, dst3, dst4, dst5;
int BoxFilterValue = 6;  //方框滤波内核值
int MeanBlurValue = 10;  //均值滤波内核值
int GaussianBlurValue = 6;  //高斯滤波内核值
int MedianBlurValue = 10;  //中值滤波参数值
int BilateralFilterValue = 10;  //双边滤波参数值

//方框滤波操作的回调函数
static void on_BoxFilter(int, void *)
{
    //   方框滤波操作
    boxFilter(src, dst1, -1, Size(BoxFilterValue + 1, BoxFilterValue + 1));
    imshow("1方框滤波", dst1);
}

//     均值滤波操作的回调函数
static void on_MeanBlur(int, void *)
{
    blur(src, dst2, Size(MeanBlurValue + 1, MeanBlurValue + 1), Point(-1, -1));
    imshow("2均值滤波", dst2);

}

//     高斯滤波操作的回调函数
static void on_GaussianBlur(int, void *)
{
    GaussianBlur(src, dst3, Size(GaussianBlurValue * 2 + 1, GaussianBlurValue * 2 + 1), 0, 0);
    imshow("3高斯滤波", dst3);
}

//        中值滤波操作的回调函数
static void on_MedianBlur(int, void *)
{
    medianBlur(src, dst4, MedianBlurValue * 2 + 1);
    imshow("4中值滤波", dst4);
}

//          双边滤波操作的回调函数
static void on_BilateralFilter(int, void *)
{
    bilateralFilter(src, dst5, BilateralFilterValue, BilateralFilterValue * 2, BilateralFilterValue / 2);
    imshow("5双边滤波", dst5);
}

int main()
{
    //载入原图
    src = imread("C:\\Users\\Administrator\\Desktop\\pic\\4.jpg");

    //克隆原图到四个Mat类型中
    dst1 = src.clone();
    dst2 = src.clone();
    dst3 = src.clone();
    dst4 = src.clone();
    dst5 = src.clone();

    imshow("0原图窗口", src);

    //1方框滤波
    //创建轨迹条
    on_MeanBlur(0, 0);
    createTrackbar("内核值：", "1方框滤波", &BoxFilterValue, 50, on_BoxFilter);

    //2均值滤波
    //创建轨迹条
    on_MeanBlur(0, 0);
    createTrackbar("内核值：", "2均值滤波", &MeanBlurValue, 50, on_MeanBlur);

    //3高斯滤波
    //创建轨迹条
    on_GaussianBlur(0, 0);
    createTrackbar("内核值：", "3高斯滤波", &GaussianBlurValue, 50, on_GaussianBlur);

    //4中值滤波
    //创建轨迹条
    on_MedianBlur(0, 0);
    createTrackbar("参数值：", "4中值滤波", &MedianBlurValue, 50, on_MedianBlur);

    //5双边滤波
    //创建轨迹条
    on_BilateralFilter(0, 0);
    createTrackbar("参数值：", "5双边滤波", &BilateralFilterValue, 50, on_BilateralFilter);

    waitKey(0);
}

结果对比：