Opencv圖像識別從零到精通（14）-----線性濾波和非線性濾波

一，噪聲的介紹和卷積

二、各個濾波函數的解讀，定義與源代碼

三、綜合所有的濾波，加滑動條控制核大小來blur

四、Matlab 輔助表達

一，噪聲的介紹

圖像噪聲是圖像在攝取或傳輸時所受的隨機信號干擾，是圖像中各種妨礙人們對其信息接受的因素。很多時候將圖像噪聲看成是多維隨機過程，因而描述噪聲的方法完全可以借用隨機過程的描述，即用其概率分佈函數和概率密度分佈函數。我們常看到的就是淑豔噪聲 salt&pepper,這裏對噪聲有理論的介紹http://blog.csdn.net/qq_20823641/article/details/51513567,可以學習一下。

二、各個濾波函數的解讀，定義與源代碼

這裏通說噪聲分爲線性和非線性，官方中給了BoxBlur,Blur,GaussianBlur,medianBlur,bilateralBlur,其中方框濾波和均值濾波有相同有不同，準備說均值濾波是方框濾波的特殊，從函數BoxBlur與Blur也可以看出，下面的圖也是一種解釋

濾波器：可以說濾波器是一個包含加權係數的窗口，當使用這個濾波器平滑處理圖像時，就把這個窗口放到圖像上，透過這個窗口來看圖像，有時候也叫做核函數 kernel,相信經常看見這個詞語。

其中在看到這個窗口的時候我建議大家看看卷積的概念，http://baike.baidu.com/link?url=lQxRSr-C41IoYNqYyOwXE1FfsufcuptxFhBE2AJexoL9bdhSVOaRppD7f4r8T8C5DAR8ggGgQVXrgMmHr-PfJq

<span style="font-size:18px;">C++: void boxFilter(InputArray src,OutputArray dst, int ddepth, Size ksize, Point anchor=Point(-1,-1), boolnormalize=true, int borderType=BORDER_DEFAULT )  </span>

第一個參數，InputArray類型的src，輸入圖像，即源圖像，填Mat類的對象即可。該函數對通道是獨立處理的，且可以處理任意通道數的圖片，但需要注意，待處理的圖片深度應該爲CV_8U, CV_16U, CV_16S, CV_32F 以及 CV_64F之一。
第二個參數，OutputArray類型的dst，即目標圖像，需要和源圖片有一樣的尺寸和類型。
第三個參數，int類型的ddepth，輸出圖像的深度，-1代表使用原圖深度，即src.depth()。
第四個參數，Size類型（對Size類型稍後有講解）的ksize，內核的大小。一般這樣寫Size( w,h )來表示內核的大小( 其中，w 爲像素寬度， h爲像素高度)。Size（3,3）就表示3x3的核大小，Size（5,5）就表示5x5的核大小
第五個參數，Point類型的anchor，表示錨點（即被平滑的那個點），注意他有默認值Point(-1,-1)。如果這個點座標是負值的話，就表示取核的中心爲錨點，所以默認值Point(-1,-1)表示這個錨點在覈的中心。
第六個參數，bool類型的normalize，默認值爲true，一個標識符，表示內核是否被其區域歸一化（normalized）了。
第七個參數，int類型的borderType，用於推斷圖像外部像素的某種邊界模式。有默認值BORDER_DEFAULT，我們一般不去管它

看到上面的方框濾波的時候，不用太多想，因爲我們一般用的是均值濾波，方框濾波是一個過度，同時看下面的均值濾波的時候，還會看到它是調用了boFilter的

<span style="font-size:18px;">void cv::blur( InputArray src, OutputArray dst,  
           Size ksize, Point anchor, int borderType )  
{  
    boxFilter( src, dst, -1, ksize, anchor, true, borderType );  
}  </span>

第一個參數，InputArray類型的src，輸入圖像，即源圖像，填Mat類的對象即可。該函數對通道是獨立處理的，且可以處理任意通道數的圖片，但需要注意，待處理的圖片深度應該爲CV_8U, CV_16U, CV_16S, CV_32F 以及 CV_64F之一。
第二個參數，OutputArray類型的dst，即目標圖像，需要和源圖片有一樣的尺寸和類型。比如可以用Mat::Clone，以源圖片爲模板，來初始化得到如假包換的目標圖。
第三個參數，Size類型（對Size類型稍後有講解）的ksize，內核的大小。一般這樣寫Size( w,h )來表示內核的大小( 其中，w 爲像素寬度， h爲像素高度)。Size（3,3）就表示3x3的核大小，Size（5,5）就表示5x5的核大小
第四個參數，Point類型的anchor，表示錨點（即被平滑的那個點），注意他有默認值Point(-1,-1)。如果這個點座標是負值的話，就表示取核的中心爲錨點，所以默認值Point(-1,-1)表示這個錨點在覈的中心。
第五個參數，int類型的borderType，用於推斷圖像外部像素的某種邊界模式。有默認值BORDER_DEFAULT，我們一般不去管它。

<span style="font-size:18px;">cv::Ptr<cv::FilterEngine> cv::createBoxFilter( int srcType, int dstType, Size ksize,  
                    Point anchor, bool normalize, int borderType )  
{  
    int sdepth = CV_MAT_DEPTH(srcType);  
    int cn = CV_MAT_CN(srcType), sumType = CV_64F;  
    if( sdepth <= CV_32S && (!normalize ||  
        ksize.width*ksize.height <= (sdepth == CV_8U ? (1<<23) :  
            sdepth == CV_16U ? (1 << 15) : (1 << 16))) )  
        sumType = CV_32S;  
    sumType = CV_MAKETYPE( sumType, cn );  
    Ptr<BaseRowFilter> rowFilter = getRowSumFilter(srcType, sumType, ksize.width, anchor.x );  
    Ptr<BaseColumnFilter> columnFilter = getColumnSumFilter(sumType,  
        dstType, ksize.height, anchor.y, normalize ? 1./(ksize.width*ksize.height) : 1);  
  
    return Ptr<FilterEngine>(new FilterEngine(Ptr<BaseFilter>(0), rowFilter, columnFilter,  
           srcType, dstType, sumType, borderType ));  
}</span>

高斯函數主要就是看下面這個函數，高斯函數，我只是想說它可能是圖像處理一輩子離不開的函數，因爲他太好用，在以後的頻域學習也會那麼好用

<span style="font-size:18px;">C++: void GaussianBlur(InputArray src,OutputArray dst, Size ksize, double sigmaX, double sigmaY=0, intborderType=BORDER_DEFAULT )  </span>

第一個參數，InputArray類型的src，輸入圖像，即源圖像，填Mat類的對象即可。它可以是單獨的任意通道數的圖片，但需要注意，圖片深度應該爲CV_8U,CV_16U, CV_16S, CV_32F 以及 CV_64F之一。
第二個參數，OutputArray類型的dst，即目標圖像，需要和源圖片有一樣的尺寸和類型。比如可以用Mat::Clone，以源圖片爲模板，來初始化得到如假包換的目標圖。
第三個參數，Size類型的ksize高斯內核的大小。其中ksize.width和ksize.height可以不同，但他們都必須爲正數和奇數。或者，它們可以是零的，它們都是由sigma計算而來。
第四個參數，double類型的sigmaX，表示高斯核函數在X方向的的標準偏差。
第五個參數，double類型的sigmaY，表示高斯核函數在Y方向的的標準偏差。若sigmaY爲零，就將它設爲sigmaX，如果sigmaX和sigmaY都是0，那麼就由ksize.width和ksize.height計算出來。
爲了結果的正確性着想，最好是把第三個參數Size，第四個參數sigmaX和第五個參數sigmaY全部指定到。
第六個參數，int類型的borderType，用於推斷圖像外部像素的某種邊界模式。有默認值BORDER_DEFAULT，我們一般不去管它

高斯的源代碼還是很長的，因爲後面還有很多的東西，所以這裏不展示，想看的可以到這裏去http://blog.csdn.net/xiaowei_cqu/article/details/7785365

<span style="font-size:18px;">C++: void medianBlur(InputArray src,OutputArray dst, int ksize)  </span>

第一個參數，InputArray類型的src，函數的輸入參數，填1、3或者4通道的Mat類型的圖像；當ksize爲3或者5的時候，圖像深度需爲CV_8U，CV_16U，或CV_32F其中之一，而對於較大孔徑尺寸的圖片，它只能是CV_8U。
第二個參數，OutputArray類型的dst，即目標圖像，函數的輸出參數，需要和源圖片有一樣的尺寸和類型。我們可以用Mat::Clone，以源圖片爲模板，來初始化得到如假包換的目標圖。
第三個參數，int類型的ksize，孔徑的線性尺寸（aperture linear size），注意這個參數必須是大於1的奇數，比如：3，5，7，9 ...

源代碼可以到這裏看，也可以到\opencv\sources\modules\imgproc\src\smooth.cpp的第1653行開始，不過看了也沒用，精華沒有在源代碼裏面寫出來，還要再深入，有興趣的可以看看http://blog.csdn.net/poem_qianmo/article/details/23184547

雙邊濾波我是很喜歡的，因爲我們都知道smoothing的時候很blur，同時丟失了很多的細節，特別是邊緣，那這個以後我對提取邊緣輪廓的時候就會感到很不好，但是雙邊濾波同時達到了要求，這裏是有關i他的理論介紹http://blog.csdn.net/qq_20823641/article/details/51533420

<span style="font-size:18px;">C++: void bilateralFilter(InputArray src, OutputArraydst, int d, double sigmaColor, double sigmaSpace, int borderType=BORDER_DEFAULT)  </span>

第一個參數，InputArray類型的src，輸入圖像，即源圖像，需要爲8位或者浮點型單通道、三通道的圖像。
第二個參數，OutputArray類型的dst，即目標圖像，需要和源圖片有一樣的尺寸和類型。
第三個參數，int類型的d，表示在過濾過程中每個像素鄰域的直徑。如果這個值我們設其爲非正數，那麼OpenCV會從第五個參數sigmaSpace來計算出它來。
第四個參數，double類型的sigmaColor，顏色空間濾波器的sigma值。這個參數的值越大，就表明該像素鄰域內有更寬廣的顏色會被混合到一起，產生較大的半相等顏色區域。
第五個參數，double類型的sigmaSpace座標空間中濾波器的sigma值，座標空間的標註方差。他的數值越大，意味着越遠的像素會相互影響，從而使更大的區域足夠相似的顏色獲取相同的顏色。當d>0，d指定了鄰域大小且與sigmaSpace無關。否則，d正比於sigmaSpace。
第六個參數，int類型的borderType，用於推斷圖像外部像素的某種邊界模式。注意它有默認值BORDER_DEFAULT。

三、綜合所有的濾波，加滑動條控制核大小來blur

<span style="font-size:18px;">#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <iostream>
using namespace std;
using namespace cv;
Mat g_srcImage,g_dstImage1,g_dstImage2,g_dstImage3,g_dstImage4,g_dstImage5;
int g_nBoxFilterValue=6;  //方框濾波內核值
int g_nMeanBlurValue=10;  //均值濾波內核值
int g_nGaussianBlurValue=6;  //高斯濾波內核值
int g_nMedianBlurValue=10;  //中值濾波參數值
int g_nBilateralFilterValue=10;  //雙邊濾波參數值
static void on_BoxFilter(int, void *);		//方框濾波
static void on_MeanBlur(int, void *);		//均值塊濾波器
static void on_GaussianBlur(int, void *);			//高斯濾波器
static void on_MedianBlur(int, void *);			//中值濾波器
static void on_BilateralFilter(int, void *);			//雙邊濾波器
int main(   )
{
	g_srcImage = imread( "lena.jpg", 1 );
	g_dstImage1 = g_srcImage.clone( );
	g_dstImage2 = g_srcImage.clone( );
	g_dstImage3 = g_srcImage.clone( );
	g_dstImage4 = g_srcImage.clone( );
	g_dstImage5 = g_srcImage.clone( );
	namedWindow("【<0>原圖窗口】", 1);
	imshow("【<0>原圖窗口】",g_srcImage);
	namedWindow("【<1>方框濾波】", 1);
	createTrackbar("內核值：", "【<1>方框濾波】",&g_nBoxFilterValue, 50,on_BoxFilter );
	on_MeanBlur(g_nBoxFilterValue,0);
	imshow("【<1>方框濾波】", g_dstImage1);
	namedWindow("【<2>均值濾波】", 1);
	createTrackbar("內核值：", "【<2>均值濾波】",&g_nMeanBlurValue, 50,on_MeanBlur );
	on_MeanBlur(g_nMeanBlurValue,0);</span>

<span style="font-size:18px;">	namedWindow("【<3>高斯濾波】", 1);
	createTrackbar("內核值：", "【<3>高斯濾波】",&g_nGaussianBlurValue, 50,on_GaussianBlur );
	on_GaussianBlur(g_nGaussianBlurValue,0);
	namedWindow("【<4>中值濾波】", 1);
	createTrackbar("參數值：", "【<4>中值濾波】",&g_nMedianBlurValue, 50,on_MedianBlur );
	on_MedianBlur(g_nMedianBlurValue,0);
	namedWindow("【<5>雙邊濾波】", 1);
	createTrackbar("參數值：", "【<5>雙邊濾波】",&g_nBilateralFilterValue, 50,on_BilateralFilter);
	on_BilateralFilter(g_nBilateralFilterValue,0);
	return 0;
}
static void on_BoxFilter(int, void *)
{
       boxFilter( g_srcImage, g_dstImage1, -1,Size( g_nBoxFilterValue+1, g_nBoxFilterValue+1));
       imshow("【<1>方框濾波】", g_dstImage1);
}

static void on_MeanBlur(int, void *)
{
	blur( g_srcImage, g_dstImage2, Size( g_nMeanBlurValue+1, g_nMeanBlurValue+1), Point(-1,-1));
	imshow("【<2>均值濾波】", g_dstImage2);

}

static void on_GaussianBlur(int, void *)
{
	GaussianBlur( g_srcImage, g_dstImage3, Size( g_nGaussianBlurValue*2+1, g_nGaussianBlurValue*2+1 ), 0, 0);
	imshow("【<3>高斯濾波】", g_dstImage3);
}

static void on_MedianBlur(int, void *)
{
	medianBlur ( g_srcImage, g_dstImage4, g_nMedianBlurValue*2+1 );
	imshow("【<4>中值濾波】", g_dstImage4);
}

static void on_BilateralFilter(int, void *)
{
	bilateralFilter ( g_srcImage, g_dstImage5, g_nBilateralFilterValue, g_nBilateralFilterValue*2, g_nBilateralFilterValue/2 );
	imshow("【<5>雙邊濾波】", g_dstImage5);
}



</span>

四、matlab輔助

<span style="font-size:18px;">h=imread('d:\lena.jpg'); 
A=fspecial('average',3); 
output1 = imfilter(h, A, 'conv', 'replicate');
A=fspecial('gaussian',3); 
output2 = imfilter(h, A, 'conv', 'replicate');
output3 = medfilt2(h, [3, 3]);</span>

clear all;
close all;
clc;

img=imread('lena.jpg');
img=mat2gray(img);
[m n]=size(img);
imshow(img);

r=10;        
imgn=zeros(m+2*r+1,n+2*r+1);
imgn(r+1:m+r,r+1:n+r)=img;
imgn(1:r,r+1:n+r)=img(1:r,1:n);                
imgn(1:m+r,n+r+1:n+2*r+1)=imgn(1:m+r,n:n+r);    
imgn(m+r+1:m+2*r+1,r+1:n+2*r+1)=imgn(m:m+r,r+1:n+2*r+1);    
imgn(1:m+2*r+1,1:r)=imgn(1:m+2*r+1,r+1:2*r);      
sigma_d=2;
sigma_r=0.1;
[x,y] = meshgrid(-r:r,-r:r);
w1=exp(-(x.^2+y.^2)/(2*sigma_d^2));     
for i=r+1:m+r
    for j=r+1:n+r        
        w2=exp(-(imgn(i-r:i+r,j-r:j+r)-imgn(i,j)).^2/(2*sigma_r^2)); 
        w=w1.*w2;
 
        s=imgn(i-r:i+r,j-r:j+r).*w;
        imgn(i,j)=sum(sum(s))/sum(sum(w));
    end 
end
figure;
imshow(mat2gray(imgn(r+1:m+r,r+1:n+r)));

還有另外一個函數調用的方法可以參考這裏http://blog.csdn.net/abcjennifer/article/details/7616663

圖像識別算法交流 QQ羣：145076161，歡迎圖像識別與圖像算法，共同學習與交流

Opencv圖像識別從零到精通（14）-----線性濾波和非線性濾波

通過HPA+CronHPA組合應對業務複雜彈性伸縮場景

Opencv圖像識別從零到精通（16）------膨脹腐蝕

Opencv圖像識別從零到精通（12）-----滑動條控制直方圖、對比度、亮度、圖像相加

Opencv圖像識別從零到精通（22）-----hough變換檢測直線與圓

Opencv圖像識別從零到精通（14）-----線性濾波和非線性濾波

Opencv圖像識別從零到精通（10）-----直方圖均衡化與直方圖拉伸

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結