若该文为原创文章,未经允许不得转载
原博主博客地址:https://blog.csdn.net/qq21497936
原博主博客导航:https://blog.csdn.net/qq21497936/article/details/102478062
本文章博客地址:https://blog.csdn.net/qq21497936/article/details/104490409
目录
OpenCV开发专栏
《OpenCV开发笔记(〇):使用mingw530_32编译openCV3.4.1源码,搭建Qt5.9.3的openCV开发环境》
《OpenCV开发笔记(三):OpenCV图像的概念和基本操作》
《OpenCV开发笔记(四):OpenCV图片和视频数据的读取与存储》
《OpenCV开发笔记(五):OpenCV读取与操作摄像头》
《OpenCV开发笔记(六):OpenCV基础数据结构、颜色转换函数和颜色空间》
《OpenCV开发笔记(八):OpenCV常用操作之计时、缩放、旋转、镜像》
《OpenCV开发笔记(九):OpenCV区域图像(ROI)和整体、局部图像混合》
《OpenCV开发笔记(十):OpenCV图像颜色通道分离和图像颜色多通道混合》
《OpenCV开发笔记(十一):OpenCV编译支持Gpu(cuda) 加速开发之win-qt-mingw32编译》
《OpenCV开发笔记(十二):OpenCV编译支持Gpu(cuda) 加速开发之win-qt-msvc2015编译(opencv3.4.0、cuda9.0、VS2015)》
《OpenCV开发笔记(十三):OpenCV图像对比度、亮度的调整》
《OpenCV开发笔记(十四):算法基础之线性滤波-方框滤波》
《OpenCV开发笔记(十五):算法基础之线性滤波-均值滤波》
《OpenCV开发笔记(十六):算法基础之线性滤波-高斯滤波》
《OpenCV开发笔记(十七):算法基础之线性滤波对比-方框、均值、高斯滤波》
《OpenCV开发笔记(十八):算法基础之非线性滤波-中值滤波》
《OpenCV开发笔记(十九):算法基础之非线性滤波-双边滤波》
《OpenCV开发笔记(二十):算法基础之非线性滤波对比-中值、双边滤波》:待发布
《OpenCV开发笔记(二十一):算法基础之形态学滤波-膨胀》:待发布
《OpenCV开发笔记(二十二):算法基础之形态学滤波-腐蚀》:待发布
《OpenCV开发笔记(二十三):算法基础之形态学滤波-开运算(先腐蚀后膨胀)》:待发布
《OpenCV开发笔记(二十四):算法基础之形态学滤波-闭运算(先膨胀后腐蚀)》:待发布
《OpenCV开发笔记(二十五):算法基础之形态学滤波-白帽》:待发布
《OpenCV开发笔记(二十六):算法基础之形态学滤波-黑帽》:待发布
持续补充中…
OpenCV开发笔记(十六):算法基础之线性滤波-高斯滤波
前言
本篇章讲解线性滤波中的高斯滤波。
Demo
高斯滤波
概述
高斯滤波是将输入数组的每一个像素点与高斯内核进行卷积原酸,将卷积和当做输出像素值。高斯滤波后图像被平滑的过程取决于标准差。
高斯滤波的输出是领域项目的加权平均,同时离中心越近的像素权重越高,因此,相对于均值滤波,它的平滑效果 更柔和,而且边缘保留得也更好。
在图像处理中,高斯滤波一般有两种实现方式:
- 用离散化窗口滑窗卷积:当离散化的窗口非常大时,用滑窗计算量非常大(即使用可分离滤波器的实现)的情况下,可能会考虑基于傅里叶变化的实现方法。
- 用傅里叶变换;
特点
高斯滤波是滤波器中最有用的滤波器,特点如下:
- 失真少:高斯函数是单值函数,高斯滤波用像素领域加权均值来替代该店的像素值,像素权重会随着距离的变化而单调递减,以减少失真。
- 旋转对称性:高斯函数具有旋转对阵性,高斯滤波在各个方向上的平滑成都是相同的,对于存在的噪声很难估计其方向性,保证平滑性能不会偏向任何方向。
- 不被高频影响:高斯函数的傅里叶变换频谱是单瓣的,高斯滤波是的平滑图像不会被不需要的高频信号所影响,同时保留了大部分所需信号。
- 噪声参数可控:高斯滤波平滑程度是由方差σ决定的,σ越大,频带越宽,平滑程度越好,对于图像中的噪声有可控参数可设置。
- 可分离性:二维高斯函数卷积可以分两步进行,首先将图像与一维高斯函数进行卷积运算,然后将卷积结果与方向垂直的相同一维高斯函数卷积。
函数原型
void GaussianBlur( InputArray src,
OutputArray dst,
Size ksize,
double sigmaX,
double sigmaY = 0,
int borderType = BORDER_DEFAULT );
- 参数一:InputArray类型,一般是cv::Mat,且可以处理任何通道数的图片。但需要注意,待处理的图片深度应该为CV_8U、CV_16U、CV_16S、CV_32F、CV_64F中的一个。
- 参数二;OutputArray类型,输出的目标图像,需要和原图片有一样的尺寸和类型。
- 参数三:Size类型的ksize,核算子的大小。一般用Size(w,h)来表示核算子的大小,Size(3,3)就表示3x3的核算子大小,w和h可以大小不同。
- 参数四:double类型sigmaX,表示高斯核函数在X方向的标准偏差。
- 参数五:double类型sigmaY,表示高斯核函数在Y方向的标准偏差。
以上,当sigmaX和sigmaY都为0时,默认使用核算子计算出来:
- 参数六:int类型的borderType,用于推断图像外部像素的某种边界模式,使用默认值BORDER_DEFULAT,一般无需使用。
Demo源码
void OpenCVManager::testGaussianBlurFilter()
{
QString fileName1 = "E:/qtProject/openCVDemo/openCVDemo/modules/openCVManager/images/1.jpg";
cv::Mat srcMat = cv::imread(fileName1.toStdString());
cv::String windowName = _windowTitle.toStdString();
cvui::init(windowName);
if(!srcMat.data)
{
qDebug() << __FILE__ << __LINE__
<< "Failed to load image:" << fileName1;
return;
}
cv::Mat dstMat;
dstMat = cv::Mat::zeros(srcMat.size(), srcMat.type());
cv::Mat windowMat = cv::Mat(cv::Size(dstMat.cols * 3, dstMat.rows),
srcMat.type());
int ksize = 1; // 核心大小
int sigmaX = 0; // x方向的标准偏差
int sigmaY = 0; // y方向的标准偏差
cvui::window(windowMat, dstMat.cols, 0, dstMat.cols, dstMat.rows, "settings");
while(true)
{
windowMat = cv::Scalar(0, 0, 0);
// 原图先copy到左边
cv::Mat leftMat = windowMat(cv::Range(0, srcMat.rows),
cv::Range(0, srcMat.cols));
cv::addWeighted(leftMat, 1.0f, srcMat, 1.0f, 0.0f, leftMat);
// 中间为调整滤波参数的相关设置
cvui::printf(windowMat, 375, 20, "ksize = size * 2 + 1");
cvui::trackbar(windowMat, 375, 30, 165, &ksize, 0, 10);
cvui::printf(windowMat, 375, 80, "sigmaX");
cvui::trackbar(windowMat, 375, 90, 165, &sigmaX, 0, 100);
cvui::printf(windowMat, 375, 140, "sigmaY");
cvui::trackbar(windowMat, 375, 150, 165, &sigmaY, 0, 100);
// 高斯滤波
cv::GaussianBlur(srcMat, dstMat, cv::Size(ksize * 2 + 1, ksize * 2 + 1), sigmaX / 10.f, sigmaY / 10.f);
// 效果图copy到右边
// 注意:rang从位置1到位置2,不是位置1+宽度
cv::Mat rightMat = windowMat(cv::Range(0, srcMat.rows),
cv::Range(srcMat.cols * 2, srcMat.cols * 3));
cv::addWeighted(rightMat, 0.0f, dstMat, 1.0f, 0.0f, rightMat);
// 更新
cvui::update();
// 显示
cv::imshow(windowName, windowMat);
// esc键退出
if(cv::waitKey(25) == 27)
{
break;
}
}
}
工程模板:对应版本号v1.11.0
对应版本号v1.11.0
原博主博客地址:https://blog.csdn.net/qq21497936
原博主博客导航:https://blog.csdn.net/qq21497936/article/details/102478062
本文章博客地址:https://blog.csdn.net/qq21497936/article/details/104490409