opencv(22) 线性滤波核心API函数+线性滤波综合实例

阳光穿透心脏的1/2处 2023-06-14 11:55 86阅读 0赞

本文为毛星云《OpenCV3编程入门》学习记录。

1.  方框滤波：boxFilter函数  
    boxFilter的函数作用是使用方框滤波(boxfilter)来模糊一张图片，由src输入，dst输出。  
    函数原型如下。  
    C++：
    
        void boxFiLter(InputArray src,OutputArray dst,int ddepth,Size ksize,Point anchor=Point(-1,-1),bool normalize=true,int borderType=BORDER_DEFAULT)
    
    参数详解如下。

*  第一个参数，InputArray类型的src,输入图像，即源图像，填Mat类的对象即可。该函数对通道是独立处理的，且可以处理任意通道数的图片。但需要注意，待处理的图片深度应该为CV8U、CV16U、CV\_16S、CV\_32F以及CV64F之一。
 *  第二个参数，OutputArray类型的dst,即目标图像，需要和源图片有一样的尺寸和类型。
 *  第三个参数，int\*型的ddepth,输出图像的深度，-1代表使用原图深度，即src.depth()。
 *  第四个参数，Size类型（对Size类型稍后有讲解）的ksize，内核的大小。一般用Size（w，h）来表示内核的大小，其中w为像素宽度，h为像素高度。Size（3，3）就表示33的核大小，Size(5，5）就表示55的核大小。
 *  第五个参数，Point类型的anchor，表示锚点（即被平滑的那个点）。注意它有默认值Point(-1,-1),如果这个点坐标是负值的话，就表示取核的中心为锚点，所以默认值Point（-1,-1)表示这个锚点在核的中心。
 *  第六个参数，bool类型的normalize,默认值为true,一个标识符，表示内核是否被其区域归一化（normalized)了。
 *  第七个参数，类型的borderType，用于推断图像外部像素的某种边界模式。有默认值BORDER\_DEFAULT,我们一般不去管它。
    
    代码范例：
    
        #include<opencv2\core\core.hpp>
        #include<opencv2\highgui\highgui.hpp>
        #include<opencv2\imgproc\imgproc.hpp>
        
        using namespace cv;
        
        int main(){ 
        	//载入图片
        	Mat image = imread("xiaozhan.jpg");
        
        	//创建窗口
        	namedWindow("方框滤波【原图】");
        	namedWindow("方框滤波【效果图】");
        
        	//显示原图
        	imshow("方框滤波【原图】", image);
        
        	//进行滤波操作
        	Mat out;
        	boxFilter(image, out, -1, Size(5, 5));
        
        	//显示效果图
        	imshow("方框滤波【效果图】", out);
        
        	waitKey(0);
        }
    
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI2MDEwMg_size_16_color_FFFFFF_t_70]

1.  均值滤波：blur函数  
    blur的作用是对输入的图像src进行均值滤波后用dst输出。  
    函数原型如下：  
    C++:
    
        void blur(InputArray rc,OutputArray dst,Size ksize,Point anchor=Point(-1,-1),int borderType = BORDER_DEFAULT);

*  第一个参数，InputArray类型的src，输入图像，即源图像，填Mat类的对象即可。该函数对通道是独立处理的，且可以处理任意通道数的图片。但需要注意的是，待处理的图片深度应该为CV\_8U、CV\_6U、CV\_16S、CV\_32F以及CV\_64F之一。
 *  第二个参数，OutputArray类型的dst,即目标图像，需要和源图片有一样的尺寸和类型。比如可以用Mat::Clone，以源图片为模板，来初始化得到如假包换的目标图。
 *  第三个参数，Size类型（对Size类型相后有讲解）的ksize，内核的大小。一般写作Size(w,h)来表示内核的大小（其中，w为像素宽度，h为像素高度)。Size（3，3）就表示3×3的核大小，Size（5，5）就表示5×5的核大小。
 *  第四个参数，Point类型的anchor,表示锚点（即被平滑的那个点），注意它有默认值Point(-1,-1)。如果这个点坐标是负值，就表示取核的中心为锚点，所以默认值Point(-1,-1)表示这个锚点在核的中心。
 *  第五个参数，int类型的borderType，用于推断图像外部像素的某种边界模式。有默认值BORDER\_DEFAULT,我们一般不去管它。
    
    调用代码如下。
    
        #include<opencv2\core\core.hpp>
        #include<opencv2\highgui\highgui.hpp>
        #include<opencv2\imgproc\imgproc.hpp>
        
        using namespace cv;
        
        int main(){ 
        	//载入图片
        	Mat image = imread("xiaozhan.jpg");
        
        	//创建窗口
        	namedWindow("均值滤波【原图】");
        	namedWindow("均值滤波【效果图】");
        
        	//显示原图
        	imshow("均值滤波【原图】", image);
        
        	//进行滤波操作
        	Mat out;
        	blur(image, out, Size(7, 7));
        
        	//显示效果图
        	imshow("均值滤波【效果图】", out);
        
        	waitKey(0);
        }
    
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI2MDEwMg_size_16_color_FFFFFF_t_70 1]

1.  高斯滤波：GaussianBlur函数  
    GaussianBlur函数的作用是用高斯滤波器来模糊一张图片，对输入的图像src进行高斯滤波后用dst输出。  
    函数原型如下。  
    C++：
    
        void GaussianBlur(lnputArray src,OutputArray dst,Size ksize,double sigmaX,double sigmaY=0,int borderType=BORDER_DEFAULT)

*  第一个参数，InputArray类型的src，输入图像，即源图像，填Mat类的对象即可。它可以是单独的任意通道数的图片，但需要注意的是，其图片深度应该为CV8U、CV\_16U、CV\_16S、CV32F以及CV64F之一。
 *  第二个参数，OutputArray类型的dst，即目标图像，需要和源图片有一样的尺寸和类型。比如可以用Mat::Clone，以源图片为模板，来初始化得到如假包换的目标图。
 *  第三个参数，Size类型的ksize高斯内核的大小。其中ksize.width和ksize.height可以不同，但它们都必须为正数和奇数，或者是零，这都由sigma计算而来。
 *  第四个参数，double类型的sigmaX，表示高斯核函数在X方向的的标准偏差。  
    第五个参数，double类型的sigmaY,表示高斯核函数在Y方向的的标准偏差。若sigmaY为零，就将它设为sigmaX；如果sigmax和sigmaY都是0，那么就由ksize.width和ksize.height计算出来。
    
    调用示例如下。
    
        #include<opencv2\core\core.hpp>
        #include<opencv2\highgui\highgui.hpp>
        #include<opencv2\imgproc\imgproc.hpp>
        
        using namespace cv;
        
        int main(){ 
        	//载入图片
        	Mat image = imread("xiaozhan.jpg");
        
        	//创建窗口
        	namedWindow("高斯滤波【原图】");
        	namedWindow("高斯滤波【效果图】");
        
        	//显示原图
        	imshow("高斯滤波【原图】", image);
        
        	//进行滤波操作
        	Mat out;
        	GaussianBlur(image, out, Size(3, 3), 0, 0);
        
        	//显示效果图
        	imshow("高斯滤波【效果图】", out);
        
        	waitKey(0);
        }
    
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI2MDEwMg_size_16_color_FFFFFF_t_70 2]

### 12. 图像线性滤波综合示例 ###

#include<opencv2\core\core.hpp>
    #include<opencv2\highgui\highgui.hpp>
    #include<opencv2\imgproc\imgproc.hpp>
    #include<iostream>
    using namespace std;
    using namespace cv;
    
    //全局变量声明部分
    Mat g_srcImage, g_dstImage1, g_dstImage2, g_dstImage3;
    //方框滤波参数
    int g_nBoxFilterValue = 3;
    //均值滤波参数
    int g_nMeanBlurValue = 3;
    //高斯滤波参数
    int g_nGaussianBlurVlaue = 3;
    
    //全局函数声明部分
    //轨迹条回调函数
    //方框滤波
    static void on_BoxFilter(int, void*);
    static void on_MeanBlur(int, void*);
    static void on_GaussianBlur(int, void*);
    
    //main函数
    int main(){ 
    	//改变控制台字体颜色
    	system("color5E");
    
    	//载入图像
    	g_srcImage = imread("xiaozhan.jpg", 1);
    	if (!g_srcImage.data)
    	{ 
    		printf("读取srcImage失败！\n");
    		return false;
    	}
    
    	//复制原图
    	g_dstImage1 = g_srcImage.clone();
    	g_dstImage2 = g_srcImage.clone();
    	g_dstImage3 = g_srcImage.clone();
    
    	//显示原图
    	namedWindow("【<0>原图窗口】", 1);
    	imshow("【<0>原图窗口】", g_srcImage);
    
    	//方框滤波
    	//创建窗口
    	namedWindow("【<1>方框滤波】", 1);
    	createTrackbar("内核值：","【<1>方框滤波】", &g_nBoxFilterValue, 40, on_BoxFilter);
    	on_BoxFilter(g_nBoxFilterValue, 0);
    	//imshow("【<1>方框滤波】", g_dstImage1);
    
    	//均值滤波
    	//创建窗口
    	namedWindow("【<2>均值滤波】");
    	createTrackbar("内核值：", "【<2>均值滤波】", &g_nMeanBlurValue, 40, on_MeanBlur);
    	on_MeanBlur(g_nMeanBlurValue, 0);
    
    	//高斯滤波
    	//创建窗口
    	namedWindow("【<3>高斯滤波】");
    	createTrackbar("内核值：", "【<3>高斯滤波】", &g_nGaussianBlurVlaue, 40, on_GaussianBlur);
    	on_GaussianBlur(g_nGaussianBlurVlaue, 0);
    	
    	//输出一些帮助信息
    	cout << "\t,请调整滚动条观察图像效果~\n\n" << "\t按下‘q’键时，程序退出~\n";
    	while (char(waitKey(1))!='q')
    	{ 
    
    	}
    
    	return 0;
    }
    
    //on_boxFilter函数
    static void on_BoxFilter(int, void*){ 
    	//方框滤波操作
    	boxFilter(g_srcImage, g_dstImage1, -1, Size(g_nBoxFilterValue + 1, g_nBoxFilterValue + 1));
    	//显示窗口
    	imshow("【<1>方框滤波】", g_dstImage1);
    }
    
    //on_MeanBlur函数
    static void on_MeanBlur(int, void*){ 
    	//均值滤波操作
    	blur(g_srcImage, g_dstImage2, Size(g_nMeanBlurValue + 1, g_nMeanBlurValue + 1), Point(-1, -1));
    	//显示窗口
    	imshow("【<2>均值滤波】", g_dstImage2);
    }
    
    //on_GaussianBlue函数
    static void on_GaussianBlur(int, void*){ 
    	//高斯滤波函数
    	GaussianBlur(g_srcImage, g_dstImage3,Size(g_nGaussianBlurVlaue*2+1,g_nGaussianBlurVlaue*2+1),0,0);
    	//显示窗口
    	imshow("【<3>高斯滤波】", g_dstImage3);
    
    }

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI2MDEwMg_size_16_color_FFFFFF_t_70 3]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI2MDEwMg_size_16_color_FFFFFF_t_70 4]  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI2MDEwMg_size_16_color_FFFFFF_t_70 5]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI2MDEwMg_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20191119183654171.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI2MDEwMg==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI2MDEwMg_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20191119184236498.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI2MDEwMg==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI2MDEwMg_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20191119184944312.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI2MDEwMg==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI2MDEwMg_size_16_color_FFFFFF_t_70 3]: https://img-blog.csdnimg.cn/20191119194723604.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI2MDEwMg==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI2MDEwMg_size_16_color_FFFFFF_t_70 4]: https://img-blog.csdnimg.cn/20191119194800671.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI2MDEwMg==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI2MDEwMg_size_16_color_FFFFFF_t_70 5]: https://img-blog.csdnimg.cn/20191119195035556.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI2MDEwMg==,size_16,color_FFFFFF,t_70