图像平滑算法

图像平滑与图像模糊是同一概念，主要用于图像的去噪。平滑要使用滤波器，为不改变图像的相位信息，一般使用线性滤波器。

几种不同的平滑方法：

1. 归一化滤波器 Blurs an image using the normalized box filter. void blur(InputArray src, OutputArray dst, Size ksize, Point anchor=Point(-1,-1), int borderType=BORDER_DEFAULT ) 其中ksize为核窗口大小， Point(-1, -1): Indicates where the anchor point (the pixel evaluated) is located with respect to the neighborhood.If there is a negative value, then the center of the kernel is considered the anchor point.

2. 高斯滤波 void GaussianBlur(InputArray src, OutputArray dst, Size ksize, double sigmaX, double sigmaY=0, int borderType=BORDER_DEFAULT ) sigmaX: The standard deviation in x. Writing 0 implies that x is calculated using kernel size. sigmaxY: The standard deviation in y. Writing 0 implies that y is calculated using kernel size.

3. 中值滤波 void medianBlur(InputArray src, OutputArray dst, int ksize) Size of the kernel (only one because we use a square window). Must be odd.因为其核窗口为正方形，所以他只有一个。 中值滤波对椒盐噪声的去噪效果最好。

Opencv加椒盐噪声

椒盐噪声是由图像传感器，传输信道，解码处理等产生的黑白相间的亮暗点噪声。椒盐噪声往往由图像切割引起。

我们用程序来模拟椒盐噪声，随机选取一些像素，把这些像素设为白色。

void salt(Mat& image, int n) { for (int k = 0; k<n; k++) { int i = rand() % image.cols; int j = rand() % image.rows; if (image.channels() == 1) { //判断是一个通道 image.at<uchar>(j, i) = 255; } else { image.at<cv::Vec3b>(j, i)[0] = 255; image.at<cv::Vec3b>(j, i)[1] = 255; image.at<cv::Vec3b>(j, i)[2] = 255; } } }

//测试程序

#include "opencv2/imgproc.hpp" #include "opencv2/imgcodecs.hpp" #include "opencv2/highgui.hpp" #include <iostream> #include <string> using namespace std; using namespace cv; void salt(Mat &image, int n ); //椒盐噪声产生函数 int main(void) { Mat src; Mat dst; /// Load the source image src = imread("cute.jpg", IMREAD_COLOR); salt(src, 30000); dst = src.clone(); medianBlur(src, dst, 3); string window_origin = "Origin"; string window_median = "Median"; imshow(window_origin, src); imshow(window_median, dst); waitKey(0); return 0; }

可以看到中值滤波对椒盐噪声简直是好的逆天了，这里加入了30000个噪声点。 这里放一个高斯滤波的效果图，可以看到在对椒盐噪声的处理上，高斯是比不过中值滤波的。

锐化操作

锐化滤波器是为了突出显示图像的边界和其他的细节，这些锐化是基于一阶导数和二阶导数的。 一阶导数可以产生粗的图像边缘，并广泛的应用于边缘提取，二阶导数对于精细的细节相应更好，常被用于图像增强。 常用的算子为Sobel和Laplacian

Sobel算子

关于sobel算子可参考相关书籍或者： http://blog.csdn.net/caoenze/article/details/46699923?locationNum=2

导数求出的是变化最大的一部分，即突变： 可以看到在圆圈的区域的导数最大。

下面给出具体求解步骤：

步骤： 1.首先进行对图像高斯平滑消除噪声 GaussianBlur( src, src, Size(3,3), 0, 0, BORDER_DEFAULT ); 2.将彩色的图像转换成灰度图像 cvtColor( src, src_gray, CV_RGB2GRAY ); 3.分别计算x方向和y方向的导数，ddepth为图像的深度，应该避免溢出的情况，因此设置CV_16S Sobel( src_gray, grad_x, ddepth, 1, 0, 3, scale, delta, BORDER_DEFAULT ); Sobel( src_gray, grad_y, ddepth, 0, 1, 3, scale, delta, BORDER_DEFAULT ); 4.将其转成CV_8U convertScaleAbs( grad_x, abs_grad_x ); convertScaleAbs( grad_y, abs_grad_y ); 5.用两个方向的倒数去模拟梯度 addWeighted( abs_grad_x, 0.5, abs_grad_y, 0.5, 0, grad );

应用实例：

#include "opencv2/imgproc.hpp" #include "opencv2/imgcodecs.hpp" #include "opencv2/highgui.hpp" using namespace cv; /** * @function main */ int main(int, char** argv) { //![variables] Mat src, src_gray; Mat grad; int scale = 1; int delta = 0; int ddepth = CV_16S; //![variables] //![load] src = imread("cute.jpg", IMREAD_COLOR); // Load an image if (src.empty()) { return -1; } //![load] //![reduce_noise] GaussianBlur(src, src, Size(3, 3), 0, 0, BORDER_DEFAULT); //![reduce_noise] //![convert_to_gray] cvtColor(src, src_gray, COLOR_BGR2GRAY); //![convert_to_gray] //![sobel] /// Generate grad_x and grad_y Mat grad_x, grad_y; Mat abs_grad_x, abs_grad_y; /// Gradient X //Scharr( src_gray, grad_x, ddepth, 1, 0, scale, delta, BORDER_DEFAULT ); Sobel(src_gray, grad_x, ddepth, 1, 0, 3, scale, delta, BORDER_DEFAULT); /// Gradient Y //Scharr( src_gray, grad_y, ddepth, 0, 1, scale, delta, BORDER_DEFAULT ); Sobel(src_gray, grad_y, ddepth, 0, 1, 3, scale, delta, BORDER_DEFAULT); //![sobel] //![convert] convertScaleAbs(grad_x, abs_grad_x); convertScaleAbs(grad_y, abs_grad_y); //![convert] //![blend] /// Total Gradient (approximate) addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0, grad); //![blend] //![display] const char* window_name = "Sobel Demo - Simple Edge Detector"; const char* window="Origin"; imshow(window,src); imshow(window_name, grad); waitKey(0); //![display] return 0; }

结果如图所示：

Laplacian算子

代码实现：

#include "opencv2/imgproc.hpp" #include "opencv2/imgcodecs.hpp" #include "opencv2/highgui.hpp" using namespace cv; /** * @function main */ int main(int, char** argv) { //![variables] Mat src, src_gray, dst; int kernel_size = 3; int scale = 1; int delta = 0; int ddepth = CV_16S; //![variables] //![load] src = imread("cute.jpg", IMREAD_COLOR); // Load an image if (src.empty()) { return -1; } //![load] //![reduce_noise] /// Reduce noise by blurring with a Gaussian filter GaussianBlur(src, src, Size(3, 3), 0, 0, BORDER_DEFAULT); //![reduce_noise] //![convert_to_gray] cvtColor(src, src_gray, COLOR_BGR2GRAY); // Convert the image to grayscale //![convert_to_gray] /// Apply Laplace function Mat abs_dst; //![laplacian] Laplacian(src_gray, dst, ddepth, kernel_size, scale, delta, BORDER_DEFAULT); //![laplacian] //![convert] convertScaleAbs(dst, abs_dst); //![convert] //![display] const char* window_name = "Laplace Demo"; const char* window = "Origin"; imshow(window, src); imshow(window_name, abs_dst); waitKey(); //![display] return 0; }