其他分享
首页 > 其他分享> > 图像滤波—opencv函数

图像滤波—opencv函数

作者:互联网



函数原型

方框滤波

void boxFilter(InputArray src, OutputArray dst, int ddepth, Size ksize, Point anchor = Point(-1,-1), 
    bool normalize = true, int borderType = BORDER_DEFAULT)
均值滤波

void blur(Input src, OutputArray dst, Size ksize, Point anchor = Point(-1,-1), 
    int borderType = BORDER_DEFAULT)
高斯滤波

void GaussianBlur(InputArray src, OutputArray dst, Size ksize, double sigmaX, double sigmaY = 0, 
    int borderType = BORDER_DEFAULT)
中值滤波

void medianBlur(InputArray src, OutputArray dst, int ksize)
双边滤波

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

具体参数解析

InputArray src:
    输入图像(源图像),Mat类型对象,图像深度应该是CV_8U、CV_16U、CV_16S、CV_32F、CV_64F之一。
    而对于中值滤波而言,如果ksize为3或者5时,图像深度必须是CV_8U、CV_16U、CV_32F之一,如果孔径较大,则只能是CV_8U。
OutputArray dst:
    输出图像(目标图像),和源图像的尺寸和类型均一样。
int ddepth:
    输出图像的深度,-1表示原图像深度(即src.depth())。
Size ksize:
    内核大小,用Size(w,h)来表示,w和h分别表示宽和高。
Point anchor:
    锚点,也就是被平滑的点,如果该点坐标为负值表示取核的中心,因此默认的(-1,-1)就表示锚点在核中心。
bool normalize:
    标识符,为true时表示内核被其余区域归一化(normalized)了。
int borderType:
    推断图像外部像素的某种边界模式。
double sigmaX:
    表示高斯核函数在X方向的标准偏差。
double sigmaY:
    表示高斯核函数在Y方向的标准偏差。
    当sigmaY为0时,就将其设为sigmaX;如果两者均为0,则由ksize.with和ksize.height计算出来,
    因此在高斯滤波函数中,ksize的w和h均必须是正数和奇数,或0,两者可以不同。
int ksize:
    孔径的线性空间,必须是大于1的奇数。
int d:
    过滤过程中每个像素邻域的直径,如果其值为非正数,则该值由sigmaSpace计算出来。
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越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。它的数值越大,意味着越远的像素会相互影响,从而使更大的区域中足够相似的颜色获取相同的颜色。
    当d>0时,d制定了邻域大小与sigmaSpace无关。否则,d正比于sigmaSpace。
代码如下:
#include <iostream>
#include <opencv2\core\core.hpp>
#include <opencv2\highgui\highgui.hpp>
#include <opencv2\imgproc\imgproc.hpp>

using namespace std;
using namespace cv;

Mat g_srcImage;     // 全局的源图像
					// 分别对应全局的方框滤波、均值滤波、高斯滤波、中值滤波、双边滤波的输出图像以及内核值/参数值
Mat g_dstImgBox, g_dstImgBlur, g_dstImgGaussian, g_dstImgMedian, g_dstImgBilateral;
int g_BoxFilterVal = 5;
int g_BlurVal = 12;
int g_GaussianBlurVal = 5;
int g_MedianBlurVal = 12;
int g_BilateralFilterVal = 12;

static void on_BoxFilter(int, void *);
static void on_Blur(int, void *);
static void on_GaussianBlur(int, void *);
static void on_MedianBlur(int, void *);
static void on_BilateralFilter(int, void*);

int main()
{
	// 读取图像到g_srcImage
	g_srcImage = imread("E:\\VS2015Opencv\\vs2015\\project\\picture\\06.jpg");
	if (!g_srcImage.data) {
		printf("读取的图片不存在…… \n");
		return false;
	}

	// 分别克隆原图到5中滤波所需的图像中,均为Mat类型
	g_dstImgBox = g_srcImage.clone();
	g_dstImgBlur = g_srcImage.clone();
	g_dstImgGaussian = g_srcImage.clone();
	g_dstImgMedian = g_srcImage.clone();
	g_dstImgBilateral = g_srcImage.clone();

	// 显示原图
	namedWindow("【原图】", 1);
	imshow("【原图】", g_srcImage);

	// 方框滤波
	namedWindow("【方框滤波】", 1);
	createTrackbar("内核值", "【方框滤波】", &g_BoxFilterVal, 30, on_BoxFilter);
	on_BoxFilter(g_BoxFilterVal, 0);

	namedWindow("【均值滤波】", 1);
	createTrackbar("内核值", "【均值滤波】", &g_BlurVal, 30, on_Blur);
	on_Blur(g_BlurVal, 0);

	namedWindow("【高斯滤波】", 1);
	createTrackbar("内核值", "【高斯滤波】", &g_GaussianBlurVal, 30, on_GaussianBlur);
	on_GaussianBlur(g_GaussianBlurVal, 0);

	namedWindow("【中值滤波】", 1);
	createTrackbar("内核值", "【中值滤波】", &g_MedianBlurVal, 30, on_MedianBlur);
	on_MedianBlur(g_MedianBlurVal, 0);

	namedWindow("【双边滤波】", 1);
	createTrackbar("内核值", "【双边滤波】", &g_BilateralFilterVal, 30, on_BilateralFilter);
	on_BilateralFilter(g_BilateralFilterVal, 0);

	cout << "按下“q”键时,程序退出……\n";
	while (char(waitKey(1)) != 'q') {}

	return 0;
}

static void on_BoxFilter(int, void *)
{
	boxFilter(g_srcImage, g_dstImgBox, -1, Size(g_BoxFilterVal + 1, g_BoxFilterVal + 1));
	imshow("【方框滤波】", g_dstImgBox);
}

static void on_Blur(int, void *)
{
	blur(g_srcImage, g_dstImgBlur, Size(g_BlurVal + 1, g_BlurVal + 1),
		Point(-1, -1));
	imshow("【均值滤波】", g_dstImgBlur);
}

static void on_GaussianBlur(int, void *)
{
	GaussianBlur(g_srcImage, g_dstImgGaussian, Size(g_GaussianBlurVal * 2 + 1,
		g_GaussianBlurVal * 2 + 1), 0, 0);
	imshow("【高斯滤波】", g_dstImgGaussian);
}

static void on_MedianBlur(int, void *)
{
	medianBlur(g_srcImage, g_dstImgMedian, g_MedianBlurVal * 2 + 1);
	imshow("【中值滤波】", g_dstImgMedian);
}

static void on_BilateralFilter(int, void*)
{
	bilateralFilter(g_srcImage, g_dstImgBilateral, g_BilateralFilterVal,
		g_BilateralFilterVal * 2, g_BilateralFilterVal / 2);
	imshow("【双边滤波】", g_dstImgBilateral);
}

加入噪声

 

#include <iostream>
#include <opencv2\core\core.hpp>
#include <opencv2\highgui\highgui.hpp>
#include <opencv2\imgproc\imgproc.hpp>
#include<ctime>

using namespace std;
using namespace cv;

Mat g_srcImage;     // 全局的源图像
                    // 分别对应全局的方框滤波、均值滤波、高斯滤波、中值滤波、双边滤波的输出图像以及内核值/参数值
Mat g_dstImgBox, g_dstImgBlur, g_dstImgGaussian, g_dstImgMedian, g_dstImgBilateral;
int g_BoxFilterVal = 5;
int g_BlurVal = 12;
int g_GaussianBlurVal = 5;
int g_MedianBlurVal = 12;
int g_BilateralFilterVal = 12;

static void on_BoxFilter(int, void *);
static void on_Blur(int, void *);
static void on_GaussianBlur(int, void *);
static void on_MedianBlur(int, void *);
static void on_BilateralFilter(int, void*);

//图像椒盐化
void salt(Mat &image, int num) {
    if (!image.data) return;//防止传入空图
    int i, j;
    srand(time(NULL));
    for (int x = 0; x < num; ++x) {
        i = rand() % image.rows;
        j = rand() % image.cols;
        image.at<Vec3b>(i, j)[0] = 255;
        image.at<Vec3b>(i, j)[1] = 255;
        image.at<Vec3b>(i, j)[2] = 255;
    }
}


int main()
{
    // 读取图像到g_srcImage
    Mat image = imread("E:\\VS2015Opencv\\vs2015\\project\\picture\\06.jpg");
    if (!image.data) {
        printf("读取的图片不存在…… \n");
        return false;
    }

    image.copyTo(g_srcImage);
    salt(g_srcImage, 3000);

    // 分别克隆原图到5中滤波所需的图像中,均为Mat类型
    g_dstImgBox = g_srcImage.clone();
    g_dstImgBlur = g_srcImage.clone();
    g_dstImgGaussian = g_srcImage.clone();
    g_dstImgMedian = g_srcImage.clone();
    g_dstImgBilateral = g_srcImage.clone();

    // 显示原图
    namedWindow("【原图】", 1);
    imshow("【原图】", g_srcImage);

    // 方框滤波
    namedWindow("【方框滤波】", 1);
    createTrackbar("内核值", "【方框滤波】", &g_BoxFilterVal, 30, on_BoxFilter);
    on_BoxFilter(g_BoxFilterVal, 0);

    namedWindow("【均值滤波】", 1);
    createTrackbar("内核值", "【均值滤波】", &g_BlurVal, 30, on_Blur);
    on_Blur(g_BlurVal, 0);

    namedWindow("【高斯滤波】", 1);
    createTrackbar("内核值", "【高斯滤波】", &g_GaussianBlurVal, 30, on_GaussianBlur);
    on_GaussianBlur(g_GaussianBlurVal, 0);

    namedWindow("【中值滤波】", 1);
    createTrackbar("内核值", "【中值滤波】", &g_MedianBlurVal, 30, on_MedianBlur);
    on_MedianBlur(g_MedianBlurVal, 0);

    namedWindow("【双边滤波】", 1);
    createTrackbar("内核值", "【双边滤波】", &g_BilateralFilterVal, 30, on_BilateralFilter);
    on_BilateralFilter(g_BilateralFilterVal, 0);

    cout << "按下“q”键时,程序退出……\n";
    while (char(waitKey(1)) != 'q') {}

    return 0;
}

static void on_BoxFilter(int, void *)
{
    boxFilter(g_srcImage, g_dstImgBox, -1, Size(g_BoxFilterVal + 1, g_BoxFilterVal + 1));
    imshow("【方框滤波】", g_dstImgBox);
}

static void on_Blur(int, void *)
{
    blur(g_srcImage, g_dstImgBlur, Size(g_BlurVal + 1, g_BlurVal + 1),
        Point(-1, -1));
    imshow("【均值滤波】", g_dstImgBlur);
}

static void on_GaussianBlur(int, void *)
{
    GaussianBlur(g_srcImage, g_dstImgGaussian, Size(g_GaussianBlurVal * 2 + 1,
        g_GaussianBlurVal * 2 + 1), 0, 0);
    imshow("【高斯滤波】", g_dstImgGaussian);
}

static void on_MedianBlur(int, void *)
{
    medianBlur(g_srcImage, g_dstImgMedian, g_MedianBlurVal * 2 + 1);
    imshow("【中值滤波】", g_dstImgMedian);
}

static void on_BilateralFilter(int, void*)
{
    bilateralFilter(g_srcImage, g_dstImgBilateral, g_BilateralFilterVal,
        g_BilateralFilterVal * 2, g_BilateralFilterVal / 2);
    imshow("【双边滤波】", g_dstImgBilateral);
}

 

 

 

 

标签:srcImage,namedWindow,int,void,滤波,opencv,图像
来源: https://www.cnblogs.com/fcfc940503/p/11298756.html