opencv基础:平滑图像目标在本文中，将学习如何使用 OpenCV 函数应用各种线性滤波器来平滑图像，例如： blu

1. 目标

在本文中，将学习如何使用 OpenCV 函数应用各种线性滤波器来平滑图像，例如：

2. 理论

笔记

下面的解释来自Richard Szeliski的Computer Vision: Algorithms and Applications 一书和LearningOpenCV

平滑，也称为模糊，是一种简单且经常使用的图像处理操作。
平滑的原因有很多。在本文中，将专注于平滑以减少噪声（其他用途将在以后文章中看到）。
为了执行平滑操作，将对图像应用过滤器。最常见的过滤器类型是线性的，其中输出像素的值（即 $g(i,j)$ ）被确定为输入像素值的加权和（即 $f(i + k,j + l )$ ) :

g(i,j)=\sum_{k,l}f(i+k,j+l)h(k,l)

$h(k,l)$ 称为核，其实就是滤波器的系数。

可以将滤波器可视化为在图像上滑动的系数窗口。

过滤器有很多种，这里将提到最常用的：

2.1 Normalized Box Filter

这个过滤器是最简单的！每个输出像素是其邻居像素的平均值（它们都具有相同的权重）
内核如下：

K=\frac{1}{K_{width}\cdot K_{height} } = \begin{bmatrix} 1 & 1 & 1 & \cdots & 1 \\ 1 & 1 & 1 & \cdots & 1 \\ \cdot & \cdot & \cdot & \cdots & 1 \\ \cdot & \cdot & \cdot & \cdots & 1 \\ 1 & 1 & 1& \cdots & 1 \end{bmatrix}

2.2 Gaussian Filter

可能是最有用的过滤器（虽然不是最快的）。高斯滤波是通过将输入图像与高斯核进行卷积，然后将它们全部相加。
只是为了让图片更清晰，还记得一维高斯核的样子吗？

假设图像是一维的，注意到位于中间的像素的权重最大。其邻居的权重随着它们与中心像素之间的空间距离的增加而减小。
笔记

请记住，二维高斯可以表示为：

G_0(x,y)=Ae^{\frac{-(x-\mu_x )^2}{2\sigma_x^2 }+ \frac{-(y-\mu_y )^2}{2\sigma_y^2 } }

$\mu$ 是均值（峰值）和 $\sigma^2$ 表示方差（对于变量x和y)

2.3 Median Filter

中值滤波器遍历信号的每个元素（在本例中为图像），并将每个像素替换为其相邻像素的中值（位于被评估像素周围的正方形邻域中）。

2.4 Bilateral Filter

到目前为止，已经解释了一些主要目标是平滑输入图像的过滤器。但是，有时过滤器不仅可以消除噪声，还把边缘平滑了，导致图像模糊。为了避免平滑边缘（至少在一定程度上避免），可以使用双边滤波器。双边滤波是一种非线性滤波器，它可以达到保持边缘、降噪平滑的效果。
与高斯滤波器类似，双边滤波器也考虑相邻像素，并为每个像素分配权重。这些权重有两个分量，第一个分量与高斯滤波器使用的权重相同。第二个组件考虑了相邻像素和评估像素之间的强度差异。
有关更详细的说明，您可以查看此链接

3. 代码

这个程序有什么作用？
- 加载图像
- 应用 4 种不同类型的过滤器（在理论中解释）并按顺序显示过滤后的图像
点击这里下载代码
代码一览：


#include <iostream>
#include "opencv2/imgproc.hpp"
#include "opencv2/imgcodecs.hpp"
#include "opencv2/highgui.hpp"
using namespace std;
using namespace cv;
int DELAY_CAPTION = 1500;
int DELAY_BLUR = 100;
int MAX_KERNEL_LENGTH = 31;
Mat src; Mat dst;
char window_name[] = "Smoothing Demo";
int display_caption( const char* caption );
int display_dst( int delay );
int main( int argc, char ** argv )
{
   namedWindow( window_name, WINDOW_AUTOSIZE );
   const char* filename = argc >=2 ? argv[1] : "lena.jpg";
   src = imread( samples::findFile( filename ), IMREAD_COLOR );
   if (src.empty())
   {
       printf(" Error opening image\n");
       printf(" Usage:\n %s [image_name-- default lena.jpg] \n", argv[0]);
       return EXIT_FAILURE;
   }
   if( display_caption( "Original Image" ) != 0 )
   {
       return 0;
   }
   dst = src.clone();
   if( display_dst( DELAY_CAPTION ) != 0 )
   {
       return 0;
   }
   if( display_caption( "Homogeneous Blur" ) != 0 )
   {
       return 0;
   }
   for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
   {
       blur( src, dst, Size( i, i ), Point(-1,-1) );
       if( display_dst( DELAY_BLUR ) != 0 )
       {
           return 0;
       }
   }
   if( display_caption( "Gaussian Blur" ) != 0 )
   {
       return 0;
   }
   for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
   {
       GaussianBlur( src, dst, Size( i, i ), 0, 0 );
       if( display_dst( DELAY_BLUR ) != 0 )
       {
           return 0;
       }
   }
   if( display_caption( "Median Blur" ) != 0 )
   {
       return 0;
   }
   for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
   {
       medianBlur ( src, dst, i );
       if( display_dst( DELAY_BLUR ) != 0 )
       {
           return 0;
       }
   }
   if( display_caption( "Bilateral Blur" ) != 0 )
   {
       return 0;
   }
   for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
   {
       bilateralFilter ( src, dst, i, i*2, i/2 );
       if( display_dst( DELAY_BLUR ) != 0 )
       {
           return 0;
       }
   }
   display_caption( "Done!" );
   return 0;
}
int display_caption( const char* caption )
{
   dst = Mat::zeros( src.size(), src.type() );
   putText( dst, caption,
            Point( src.cols/4, src.rows/2),
            FONT_HERSHEY_COMPLEX, 1, Scalar(255, 255, 255) );
   return display_dst(DELAY_CAPTION);
}
int display_dst( int delay )
{
   imshow( window_name, dst );
   int c = waitKey ( delay );
   if( c >= 0 ) { return -1; }
   return 0;
}

4. 代码解释

下边讨论一下只涉及平滑过程的 OpenCV 函数，因为其余的现在已经知道了。

4.1 Normalized Block Filter:

OpenCV 提供了blur()函数来使用这个过滤器进行平滑处理。指定了 4 个参数（更多详细信息，请查看参考资料）：
- src：源图像
- dst：目标图像
- Size( w, h ) ：定义要使用的内核的大小（宽度为w像素，高度为h像素）
- Point(-1, -1) ：指示锚点（评估的像素）相对于邻域的位置。如果有负值，则内核的中心被认为是锚点。


for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
    {
        blur( src, dst, Size( i, i ), Point(-1,-1) );
        if( display_dst( DELAY_BLUR ) != 0 )
        {
            return 0;
        }
    }

4.2 Gaussian Filter:

它由函数GaussianBlur()执行：这里使用 4 个参数（更多详细信息，请查看 OpenCV 参考）：
- src：源图像
- dst：目标图像
- Size(w, h) ：要使用的内核的大小（要考虑的邻居）。在和H必须是奇数和正数，否则大小将使用pX和p是论据。
- $\sigma_x$ : x 的标准差。参数值0意味 $\sigma_x$ 是使用内核大小计算的。
- $\sigma_y$ : y 的标准差。参数值0意味 $\sigma_y$ 是使用内核大小计算的。


 for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
    {
        GaussianBlur( src, dst, Size( i, i ), 0, 0 );
        if( display_dst( DELAY_BLUR ) != 0 )
        {
            return 0;
        }
    }

4.3 Median Filter:

该过滤器由medianBlur()函数提供：使用三个参数：
- src：源图像
- dst：目标图像，必须与src类型相同
- i：内核的大小（只有一个，因为我们使用方形窗口）。大小必须为奇数。


for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
    {
        medianBlur ( src, dst, i );
        if( display_dst( DELAY_BLUR ) != 0 )
        {
            return 0;
        }
    }

4.4 Bilateral Filter

由 OpenCV 函数提供的**双边过滤器（）** 我们使用 5 个参数：
- src：源图像
- dst：目标图像
- d：每个像素邻域的直径。
- $\sigma_{Solor}$ ：色彩空间的标准差。
- $\sigma_{Space}$ ：坐标空间标准偏差（以像素为单位）


 for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 )
    {
        bilateralFilter ( src, dst, i, i*2, i/2 );
        if( display_dst( DELAY_BLUR ) != 0 )
        {
            return 0;
        }
    }

5.结果

打开一个图像（在本例中为 lena.jpg）并展示了在 4 个过滤器下处理效果。
图像的快照：

原图

Median Filter效果

Gaussian Filter效果

Bilateral Filter 效果

原文连接