OpenCV2马拉松第5圈——线性滤波

时间：2019-03-30 20:21:59 阅读：234 评论：0 收藏：0 [点我收藏+]

标签：return util 原理 efficient justify 一个 middle files ret

收入囊中

这里的非常多内容事实上在我的Computer Vision: Algorithms and ApplicationsのImage processing中都有讲过

相关和卷积工作原理
边界处理
滤波器的工作原理
会使用均值滤波，高斯滤波
使用自己创造的核函数进行双线性滤波
可分离的滤波（加速）

葵花宝典

初识API

均值滤波

C++:?void?blur(InputArray?src, OutputArray?dst, Size?ksize, Point?anchor=Point(-1,-1), int?borderType=BORDER_DEFAULT?)

?	src?– 原始图像 dst?– 输出图像 ksize?– 核函数大小 anchor?– 锚点，普通情况下默觉得（－1，－1）。意味着在中心进行卷积 borderType?– 边界类型

The function smoothes an image using the kernel:

$技术图片$

高斯滤波。对去除正态分布的噪声非常实用

C++:?void?GaussianBlur(InputArray?src, OutputArray?dst, Size?ksize, double?sigmaX, double?sigmaY=0, int?borderType=BORDER_DEFAULT?)

?	src?– 输入图像 dst?– 输出图像 ksize?– 核大小 sigmaX?– 控制幅度的參数（大家应该都学过或看过高斯函数吧，比方在正态分布中),假设sigmaX,sigmaY都为0，则由核的高度宽度自己计算 sigmaY?– 二维高斯函数有两个方向能够控制幅度。或这个不设置则和X一样 borderType?– 边界类型

用自己的核函数进行滤波

C++:?void?filter2D(InputArray?src, OutputArray?dst, int?ddepth, InputArray?kernel, Point?anchor=Point(-1,-1), double?delta=0, intborderType=BORDER_DEFAULT?)

?	src?– 输入图像. dst?– 输出图像. depth?–?`ddepth=-1`,输出图像具有和输入图像一样的depth kernel?– 核函数，单通道浮点矩阵 anchor?– 同之前 delta?– 可选，直接加到输出图像 borderType?– 边界类型

荷枪实弹

使用均值滤波

#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
using namespace cv;

Mat src,dst;
int i = 1;
static void change_dst(int, void*)
{
	if(i%2 == 0)i++;
	blur( src, dst, Size( i, i ), Point(-1,-1));
    imshow("dstImage", dst);
}

int main( int, char** argv )
{
   	src = imread( argv[1] );
   	namedWindow("srcImage", 1);
   	namedWindow("dstImage", 1);

	createTrackbar( "mean filter:", "dstImage", &i, 20, change_dst);
	change_dst(0, 0);
	
	imshow("srcImage", src);
	waitKey();
	return 0;
}

使用高斯滤波

#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
using namespace cv;

Mat src,dst;
int i = 1;
static void change_dst(int, void*)
{
	if(i%2 == 0)i++;
	GaussianBlur( src, dst, Size( i, i ), 0, 0 );
    imshow("dstImage", dst);
}

int main( int, char** argv )
{
   	src = imread( argv[1] );
   	namedWindow("srcImage", 1);
   	namedWindow("dstImage", 1);

	createTrackbar( "gauss filter:", "dstImage", &i, 20, change_dst);
	change_dst(0, 0);
	
	imshow("srcImage", src);
	waitKey();
	return 0;
}

使用自己定义线性滤波

#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
using namespace cv;

Mat src,dst,Kernel;

int main( int, char** argv )
{
   	src = imread( argv[1] );
   	namedWindow("srcImage", 1);
   	namedWindow("dstImage", 1);

	Kernel = (Mat_<double>(3,3) << 1, 2, 1, 2, 4, 2, 1, 2, 1)/16;

    filter2D(src, dst, -1 , Kernel, Point(-1,-1));
    imshow("dstImage", dst);
	
	imshow("srcImage", src);
	waitKey();
	return 0;
}

举一反三

可分离的滤波

二维高斯函数卷积能够分两步来进行，首先将图像与一维高斯函数进行卷积，然后将卷积结果与方向垂直的同样一维高斯函数卷积．因此，二维高斯滤波的计算量随滤波模板宽度成线性增长而不是成平方增长。

二维卷积运算，更新一个像素点肯定需要K2?次运算（K是核函数的大小）

文中提出了一种加速的方法,先用一维行向量进行卷积，再用一维列向量进行卷积。假设一个卷积核能够採用这样的方法计算，就是可分离的。（这样子就仅仅有2K次操作。非常神秘吧）

K?=vhT ?

将卷积核K拆分成列向量v和行向量h

当然。并非全部K都能被拆分。我在上面的图片中的3个样例都是能够拆分的，一维向量已经列在二维以下

最简单的平均滤波，[1,1,1......,1]*[1,1,1......,1]T ??= K

再看第3个高斯核，[1,4,6,4,1]*[1,4,6,4,1]T?= K

那么怎样推断核函数是不是可分离的呢？CVAA说用神秘值分解的办法

我的想法是，必需要满足中心对称。比方高斯函数，sigmax和sigmay相等的时候就能够分解

OpenCV帮我们实现了

C++:?void?sepFilter2D(InputArray?src, OutputArray?dst, int?ddepth, InputArray?kernelX, InputArray?kernelY, Point?anchor=Point(-1,-1), doubledelta=0, int?borderType=BORDER_DEFAULT?)

?	src?– Source image. dst?– Destination image of the same size and the same number of channels as?`src`?. ddepth?– Destination image depth. The following combination of?`src.depth()`?and?`ddepth`?are supported: `src.depth()`?=?`CV_8U`,?`ddepth`?= -1/`CV_16S`/`CV_32F`/`CV_64F` `src.depth()`?=?`CV_16U`/`CV_16S`,?`ddepth`?= -1/`CV_32F`/`CV_64F` `src.depth()`?=?`CV_32F`,?`ddepth`?= -1/`CV_32F`/`CV_64F` `src.depth()`?=?`CV_64F`,?`ddepth`?= -1/`CV_64F` when?`ddepth=-1`, the destination image will have the same depth as the source. kernelX?– Coefficients for filtering each row. kernelY?– Coefficients for filtering each column. anchor?– Anchor position within the kernel. The default value? $技术图片$ ?means that the anchor is at the kernel center. delta?– Value added to the filtered results before storing them. borderType?– Pixel extrapolation method. See?`borderInterpolate()`?for details.

src?– Source image.
dst?– Destination image of the same size and the same number of channels as?src?.
ddepth?–
Destination image depth. The following combination of?src.depth()?and?ddepth?are supported:
- src.depth()?=?CV_8U,?ddepth?= -1/CV_16S/CV_32F/CV_64F
- src.depth()?=?CV_16U/CV_16S,?ddepth?= -1/CV_32F/CV_64F
- src.depth()?=?CV_32F,?ddepth?= -1/CV_32F/CV_64F
- src.depth()?=?CV_64F,?ddepth?= -1/CV_64F
when?ddepth=-1, the destination image will have the same depth as the source.
kernelX?– Coefficients for filtering each row.
kernelY?– Coefficients for filtering each column.
anchor?– Anchor position within the kernel. The default value? $技术图片$ ?means that the anchor is at the kernel center.
delta?– Value added to the filtered results before storing them.
borderType?– Pixel extrapolation method. See?borderInterpolate()?for details.

參数基本没什么好讲，都是一样的，以下我们用这个函数来进行高斯卷积（滤波）

由于效果和之前高斯滤波是一样的。就不贴图了，可是要注意尽管效果一样。可是速度可是大大提升。！

#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
using namespace cv;

Mat src,dst,kernelX,kernelY;

int main( int, char** argv )
{
   	src = imread( argv[1] );
   	namedWindow("srcImage", 1);
   	namedWindow("dstImage", 1);

	kernelX = (Mat_<double>(1,5) << 1,4,6,4,1)/16;
	kernelY = (Mat_<double>(1,5) << 1,4,6,4,1)/16;

    sepFilter2D(src, dst, -1, kernelX, kernelY);
    imshow("dstImage", dst);
	
	imshow("srcImage", src);
	waitKey();
	return 0;
}

计算机视觉讨论群162501053

转载请注明：http://blog.csdn.net/abcd1992719g

OpenCV2马拉松第5圈——线性滤波

标签：return util 原理 efficient justify 一个 middle files ret

原文地址：https://www.cnblogs.com/mqxnongmin/p/10628655.html

踩

(0)

评论一句话评论（0）