首页 > 代码库 > OpenCV入门教程之七 图像滤波
OpenCV入门教程之七 图像滤波
滤波实际上是信号处理里的一个概念，而图像本身也可以看成是一个二维的信号。其中像素点灰度值的高低代表信号的强弱。
高频：图像中灰度变化剧烈的点。
低频：图像中平坦的，灰度变化不大的点。
根据图像的高频与低频的特征，我们可以设计相应的高通与低通滤波器，高通滤波可以检测图像中尖锐、变化明显的地方；低通滤波可以让图像变得光滑，滤除图像中的噪声。
一、低通滤波
1，blur函数
这个函数是一个平滑图像的函数，它用一个点邻域内像素的平均灰度值来代替该点的灰度。
cv::blur(image,result,cv::Size(5,5));
2，高斯模糊
上面的blur的平滑原理是用邻域内的平均值来代替当前的灰度值，但是我们往往希望越靠近该像素的点提供越高的权重，这样就产生了高斯模糊滤波。它的滤波器或者叫遮罩是一个高斯分布的二维矩阵。
cv::GaussianBlur(image,result,cv::Size(5,5),1.5);
参数image为输入图像，result为输出图像，Size(5,5)定义了核的大小，最后一个参数说明了高斯核的方差。
3，中值滤波
上面讲到的2个滤波器，都是邻域内的像素按照一个权重相加最后设置为当前点的灰度值，这种操作又称为卷积，这样的滤波器叫线性滤波器，另外还有一种非线性的滤波器，比如中值滤波器，它是取邻域内所有像素的中值作为当前点的灰度值。
中值即排序后中间的那个值：median({1,2,3,3,7,5,1,8})=3。
cv::medianBlur(image,result,5);其中最后一个参数指定了邻域的大小为5*5。中值滤波也是在实际中应用最多的平滑滤波，它可以有效的去除比如椒盐噪声一类的干扰。
下面我们对比一下上面三种滤波器的效果：
1 #include <opencv2/core/core.hpp> 2 #include <opencv2/highgui/highgui.hpp> 3 #include <opencv2/imgproc/imgproc.hpp> 4 int main() 5 { 6 using namespace cv; 7 Mat image=imread("../cat.png"); 8 cvtColor(image,image,CV_BGR2GRAY); 9 Mat blurResult;10 Mat gaussianResult;11 Mat medianResult;12 blur(image,blurResult,Size(5,5));13 GaussianBlur(image,gaussianResult,Size(5,5),1.5);14 medianBlur(image,medianResult,5);15 namedWindow("blur");imshow("blur",blurResult);16 namedWindow("Gaussianblur");imshow("Gaussianblur",gaussianResult);17 namedWindow("medianBlur");imshow("medianBlur",medianResult);18 waitKey();19 return 0;20 }
二、高通滤波：边缘检测
高通滤波器最好的一个应用就是边缘检测，由文章开头分析可知高频是图像中变化剧烈的地方，所以图像的边缘区域恰好符合这一特性，我们可以利用高通滤波让图像的边缘显露出来，进一步计算图像的一些特征。
边缘检测本来打算作为一个单独的主题来写一篇文章，但是由于Canny边缘检测算法比较复杂，篇幅也较大，所以先把Sobel边缘检测在高通滤波这里作为一个实例，以后Canny边缘检测作为单独的一篇文章来写。
实际上OpenCV有提供了Sobel边缘检测的函数，但是一方面阈值好像取的不太好，另一方面没有对最后边缘作细化处理，所以效果并不太让人满意，本文是模仿Matlab中算法来写的，相关的理论可以参考我原来写过的一篇文章《视觉算法:Sobel边缘检测》。
下面是Sobel实现的C++代码：
1 bool Sobel(const Mat& image,Mat& result,int TYPE) 2 { 3 if(image.channels()!=1) 4 return false; 5 // 系数设置 6 int kx(0); 7 int ky(0); 8 if( TYPE==SOBEL_HORZ ){ 9 kx=0;ky=1;10 }11 else if( TYPE==SOBEL_VERT ){12 kx=1;ky=0;13 }14 else if( TYPE==SOBEL_BOTH ){15 kx=1;ky=1;16 }17 else18 return false;19 // 设置mask20 float mask[3][3]={{1,2,1},{0,0,0},{-1,-2,-1}};21 Mat y_mask=Mat(3,3,CV_32F,mask)/8;22 Mat x_mask=y_mask.t(); // 转置23 // 计算x方向和y方向上的滤波24 Mat sobelX,sobelY;25 filter2D(image,sobelX,CV_32F,x_mask);26 filter2D(image,sobelY,CV_32F,y_mask);27 sobelX=abs(sobelX);28 sobelY=abs(sobelY);29 // 梯度图30 Mat gradient=kx*sobelX.mul(sobelX)+ky*sobelY.mul(sobelY);31 // 计算阈值32 int scale=4;33 double cutoff=scale*mean(gradient)[0];34 result.create(image.size(),image.type());35 result.setTo(0);36 for(int i=1;i<image.rows-1;i++)37 {38 float* sbxPtr=sobelX.ptr<float>(i);39 float* sbyPtr=sobelY.ptr<float>(i);40 float* prePtr=gradient.ptr<float>(i-1);41 float* curPtr=gradient.ptr<float>(i);42 float* lstPtr=gradient.ptr<float>(i+1);43 uchar* rstPtr=result.ptr<uchar>(i);44 // 阈值化和极大值抑制45 for(int j=1;j<image.cols-1;j++)46 {47 if( curPtr[j]>cutoff && (48 (sbxPtr[j]>kx*sbyPtr[j] && curPtr[j]>curPtr[j-1] && curPtr[j]>curPtr[j+1]) ||49 (sbyPtr[j]>ky*sbxPtr[j] && curPtr[j]>prePtr[j] && curPtr[j]>lstPtr[j]) ))50 rstPtr[j]=255;51 }52 }53 return true;54 }
OpenCV入门教程之七 图像滤波