一、常用的基础滤波操作
在图像处理中，尽可能消除图片中的噪声，消除噪声就需要用到滤波，在本次opencv学习中，学习了三个滤波方式。
（1）平均滤波，就是将一个区域内的像素值求和取平均值，然后用这个平均值替换区域中心的像素值。
blur(源Mat对象,目标Mat对象,Size对象,Point对象)//Size对象用来确定区域大小，Point对象如果x,y都是-1则表示更新区域中心的像素。
（2）高斯滤波，也是将一个区域的像素值求取平均值替换区域中心的像素值，但是是加权平均，权重按照二维正态分布。
GaussianBlur(源Mat对象,目标Mat对象,Size对象,x方向正太分布参数,y方向正太分布参数)
（3）中值滤波，之前的两个滤波都有个问题，如果区域中有极端值，很可能影响滤波效果，中值滤波采用区域中的中值来替换，有利于克服椒盐噪声。
medianBlur(源Mat对象,目标Mat对象,int size)//这里的size表示正方形区域的边长
（4）双边滤波，之前的滤波还有个问题，他们都会把轮廓给模糊了，有一些区域之间相差较大的像素，这往往能看出轮廓，所以如果我们给个限制范围，如果两点间的像素值差距大于这个范围就不滤波了，保留图像轮廓
bilateralFilter(源Mat对象,目标Mat对象,int 区域半径,int 限制范围,int space)//space是当区域半径给的是0时，用来计算区域范围的，一般情况下没用，随便给个数就行。
Mat dst,dst1;
blur(src, dst, Size(3, 3), Point(-1, -1));//均值滤波
GaussianBlur(src, dst, Size(5, 5), 5, 5);//高斯滤波
medianBlur(src, dst, 5);//中值滤波
bilateralFilter(src, dst, 5, 100, 3);//双边滤波二、OpenCV 非局部均值去噪函数：
NL-Means算法的复杂度跟图像的大小、颜色通道数、相似块的大小和搜索框的大小密切相关，设图像的大小为N×N，颜色通道数为Nc，块的大小为k×k，搜索框的大小为n×n，那么算法复杂度为：
（看着都可怕）。对512×512的彩色图像而言，设置k=7，n=21，OpenCV在使用了多线程的情况下，处理一幅图像所需要的时间需要几十秒。虽然有人不断基于这个算法进行改进、提速，但离实时处理还是比较远。
1、OpenCV 4.1.0 中提供了以下几种非局部均值去噪调用方式：
fastNlMeansDenoising() ：用于 1 通道、2 通道或 3 通道 8 位图像。（单个灰度图像）
fastNlMeansDenoisingColored() ：用于 1 通道、2 通道、3 通道或 4 通道的 8 位或 16 位图像（16位下仅NORM_L1）。（彩色图像）
fastNlMeansDenoisingMulti() ：用于 8 位 3 通道图像。（灰度图像序列）
fastNlMeansDenoisingColoredMulti()：用于 8 位 3 通道图像序列。（彩色图像序列）
2、函数声明：
void fastNlMeansDenoising( InputArray src,
OutputArray dst,
float h = 3,
int templateWindowSize = 7,
int searchWindowSize = 21
);
void fastNlMeansDenoising( InputArray src,
OutputArray dst,
const std::vector<float>& h,
int templateWindowSize = 7,
int searchWindowSize = 21,
int normType = NORM_L2
);
void fastNlMeansDenoisingColored( InputArray src,
OutputArray dst,
float h = 3,
float hColor = 3,
int templateWindowSize = 7,
int searchWindowSize = 21
);
void fastNlMeansDenoisingMulti( InputArrayOfArrays srcImgs,
OutputArray dst,
int imgToDenoiseIndex,
int temporalWindowSize,
float h = 3,
int templateWindowSize = 7,
int searchWindowSize = 21
);
void fastNlMeansDenoisingMulti( InputArrayOfArrays srcImgs,
OutputArray dst,
int imgToDenoiseIndex,
int temporalWindowSize,
const std::vector<float>& h,
int templateWindowSize = 7,
int searchWindowSize = 21,
int normType = NORM_L2
);
void fastNlMeansDenoisingColoredMulti( InputArrayOfArrays srcImgs,
OutputArray dst,
int imgToDenoiseIndex,
int temporalWindowSize,
float h = 3,
float hColor = 3,
int templateWindowSize = 7,
int searchWindowSize = 21
);
- src：输入一张图像
- dst：输出图像要求与输入通信有相同的尺寸和大小
- h：亮度元件参数调节滤波器强度。较大的h值可以很好地去除噪声，但也可能去除图像细节；较小的h值可以保留细节，但也可能保留一些噪声；
- hColor：hColor 与 h 相同，但适用于颜色组件。对于大多数图像，值等于10就足以消除彩色噪声，而不会扭曲颜色；
- templateWindowSize：用于计算权重的模板补丁的像素大小。应该是奇数。推荐值7像素；
- searchWindowSize：用于计算给定像素加权平均值的窗口的像素大小。应该是奇数。线性影响性能:更大的搜索窗口大小-更大的去噪时间。推荐值21像素。
3、示例代码：
#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;
int main(int argc, char** argv) {
Mat src = imread("../images/test.jpg");
if (src.empty()) {
printf("不能打开图像！\n");
return -1;
}
namedWindow("1--原图", WINDOW_AUTOSIZE);
imshow("1--原图", src);
Mat result1;
// 图像去噪
fastNlMeansDenoisingColored(src, result1, 5, 5, 7, 21);
imshow("2--fastNlMeansDenoisingColored", result1);
waitKey(0);
return 0;
}三、OpenCV 双边滤波：
1、直观理解
双边滤波算法本质是基于高斯滤波，目的是解决高斯滤波造成的边缘模糊。那么算法的做法就是想办法去“推断”出当前像素是否是边缘点或者接近边缘的点。
双边滤波（Bilateral filter）是一种非线性的滤波方法，是结合图像的空间邻近度和像素值相似度的一种折衷处理，同时考虑空域信息和灰度相似性，达到保边去噪的目的
2、函数声明：
void cv::bilateralFilter(InputArray src,
OutputArray dst,
int d,
double sigmaColor,
double sigmaSpace,
int borderType = BORDER_DEFAULT
)1、InputArray src: 输入图像，可以是Mat类型，图像必须是8位或浮点型单通道、三通道的图像。
2、OutputArray dst: 输出图像，和原图像有相同的尺寸和类型。
3、int d: 表示在过滤过程中每个像素邻域的直径范围。如果这个值是非正数，则函数会从第五个参数sigmaSpace计算该值。
4、double sigmaColor: 颜色空间过滤器的sigma值，这个参数的值月大，表明该像素邻域内有越宽广的颜色会被混合到一起，产生较大的半相等颜色区域。 （这个参数可以理解为值域核的）
5、double sigmaSpace: 坐标空间中滤波器的sigma值，如果该值较大，则意味着越远的像素将相互影响，从而使更大的区域中足够相似的颜色获取相同的颜色。当d>0时，d指定了邻域大小且与sigmaSpace无关，否则d正比于sigmaSpace. （这个参数可以理解为空间域核的）
6、int borderType=BORDER_DEFAULT: 用于推断图像外部像素的某种边界模式，有默认值BORDER_DEFAULT.
3、示例代码：
Mat srcImage = imread("../data/1.png", 0);
Mat blurImage;
bilateralFilter(srcImage, blurImage, 10, 80, 50);四、OpenCV 各向异性滤波：
#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;
float k = 15;
float lambda = 0.25;
int N = 20;
void anisotropy_demo(Mat &image, Mat &result);
int main(int argc, char** argv) {
Mat src = imread("D:/vcprojects/images/example.png");
if (src.empty()) {
printf("could not load image...\n");
return -1;
}
namedWindow("input image", CV_WINDOW_AUTOSIZE);
imshow("input image", src);
vector<Mat> mv;
vector<Mat> results;
split(src, mv);
for (int n = 0; n < mv.size(); n++) {
Mat m = Mat::zeros(src.size(), CV_32FC1);
mv[n].convertTo(m, CV_32FC1);
results.push_back(m);
}
int w = src.cols;
int h = src.rows;
Mat copy = Mat::zeros(src.size(), CV_32FC1);
for (int i = 0; i < N; i++) {
anisotropy_demo(results[0], copy);
copy.copyTo(results[0]);
anisotropy_demo(results[1], copy);
copy.copyTo(results[1]);
anisotropy_demo(results[2], copy);
copy.copyTo(results[2]);
}
Mat output;
normalize(results[0], results[0], 0, 255, NORM_MINMAX);
normalize(results[1], results[1], 0, 255, NORM_MINMAX);
normalize(results[2], results[2], 0, 255, NORM_MINMAX);
results[0].convertTo(mv[0], CV_8UC1);
results[1].convertTo(mv[1], CV_8UC1);
results[2].convertTo(mv[2], CV_8UC1);
Mat dst;
merge(mv, dst);
imshow("result", dst);
imwrite("D:/result.png", dst);
waitKey(0);
return 0;
}
void anisotropy_demo(Mat &image, Mat &result) {
int width = image.cols;
int height = image.rows;
// 四邻域梯度
float n = 0, s = 0, e = 0, w = 0;
// 四邻域系数
float nc = 0, sc = 0, ec = 0, wc = 0;
float k2 = k*k;
for (int row = 1; row < height -1; row++) {
for (int col = 1; col < width -1; col++) {
// gradient
n = image.at<float>(row - 1, col) - image.at<float>(row, col);
s = image.at<float>(row + 1, col) - image.at<float>(row, col);
e = image.at<float>(row, col - 1) - image.at<float>(row, col);
w = image.at<float>(row, col + 1) - image.at<float>(row, col);
nc = exp(-n*n / k2);
sc = exp(-s*s / k2);
ec = exp(-e*e / k2);
wc = exp(-w*w / k2);
result.at<float>(row, col) = image.at<float>(row, col) + lambda*(n*nc + s*sc + e*ec + w*wc);
}
}
}综合的代码：
Mat srcImage1, grayImage, grayImage1, grayImage2, grayImage3, grayImage4;
Mat srcImage = imread("../data/grey.png");
srcImage.copyTo(srcImage1);
applyColorMap(srcImage1, grayImage, COLORMAP_JET);
imshow("原始图像", grayImage);
// //
bilateralFilter(srcImage1, grayImage1, 10, 80, 80);
applyColorMap(grayImage1, grayImage1, COLORMAP_JET);
imshow("双边滤波", grayImage1);
// adaptive(srcImage1, grayImage2);
// applyColorMap(grayImage2, grayImage2, COLORMAP_JET);
// imshow("自适应中值滤波", grayImage2);
// cv::fastNlMeansDenoising(srcImage1, grayImage3, 30.0, 7, 21);
// applyColorMap(grayImage3, grayImage3, COLORMAP_JET);
// imshow("非局部均值滤波", grayImage3);
// //
// unsigned char *strData;
// strData = srcImage.data;
// AnisotropicFilter(strData, srcImage.cols, srcImage.rows, srcImage.channels(), 20, 19, 0.23, 3);
// grayImage4 = Mat(srcImage.rows, srcImage.cols, srcImage.type(), strData, 0);
// applyColorMap(grayImage4, grayImage4, COLORMAP_JET);
// imshow("各向异性滤波滤波", grayImage4);
