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。
下面我们来看一下OpenCV中的一些滤波函数:
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。
1 | 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。
1 | 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。
1 | 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 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 | #include <opencv2/core/core.hpp> #include <opencv2/highgui/highgui.hpp> #include <opencv2/imgproc/imgproc.hpp> int main() { using namespace cv; Mat image=imread( '../cat.png' ); cvtColor(image,image,CV_BGR2GRAY); Mat blurResult; Mat gaussianResult; Mat medianResult; blur(image,blurResult,Size(5,5)); GaussianBlur(image,gaussianResult,Size(5,5),1.5); medianBlur(image,medianResult,5); namedWindow( 'blur' );imshow( 'blur' ,blurResult); namedWindow( 'Gaussianblur' );imshow( 'Gaussianblur' ,gaussianResult); namedWindow( 'medianBlur' );imshow( 'medianBlur' ,medianResult); waitKey(); return 0; } |
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 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 | bool Sobel( const Mat& image,Mat& result, int TYPE) { if (image.channels()!=1) return false ; // 系数设置 int kx(0); int ky(0); if ( TYPE==SOBEL_HORZ ){ kx=0;ky=1; } else if ( TYPE==SOBEL_VERT ){ kx=1;ky=0; } else if ( TYPE==SOBEL_BOTH ){ kx=1;ky=1; } else return false ; // 设置mask float mask[3][3]={{1,2,1},{0,0,0},{-1,-2,-1}}; Mat y_mask=Mat(3,3,CV_32F,mask)/8; Mat x_mask=y_mask.t(); // 转置 // 计算x方向和y方向上的滤波 Mat sobelX,sobelY; filter2D(image,sobelX,CV_32F,x_mask); filter2D(image,sobelY,CV_32F,y_mask); sobelX= abs (sobelX); sobelY= abs (sobelY); // 梯度图 Mat gradient=kx*sobelX.mul(sobelX)+ky*sobelY.mul(sobelY); // 计算阈值 int scale=4; double cutoff=scale*mean(gradient)[0]; result.create(image.size(),image.type()); result.setTo(0); for ( int i=1;i<image.rows-1;i++) { float * sbxPtr=sobelX.ptr< float >(i); float * sbyPtr=sobelY.ptr< float >(i); float * prePtr=gradient.ptr< float >(i-1); float * curPtr=gradient.ptr< float >(i); float * lstPtr=gradient.ptr< float >(i+1); uchar* rstPtr=result.ptr<uchar>(i); // 阈值化和极大值抑制 for ( int j=1;j<image.cols-1;j++) { if ( curPtr[j]>cutoff && ( (sbxPtr[j]>kx*sbyPtr[j] && curPtr[j]>curPtr[j-1] && curPtr[j]>curPtr[j+1]) || (sbyPtr[j]>ky*sbxPtr[j] && curPtr[j]>prePtr[j] && curPtr[j]>lstPtr[j]) )) rstPtr[j]=255; } } return true ; } |
联系客服