opencv二值化圖像去噪學(xué)習(xí)總結(jié)

　　OpenCV于1999年由Intel建立，如今由Willow Garage提供支持。OpenCV是一個基于BSD許可（開源）發(fā)行的跨平臺計算機(jī)視覺庫，可以運(yùn)行在Linux、Windows和Mac OS操作系統(tǒng)上。它輕量級而且高效——由一系列 C 函數(shù)和少量 C++ 類構(gòu)成，同時提供了Python、Ruby、MATLAB等語言的接口，實現(xiàn)了圖像處理和計算機(jī)視覺方面的很多通用算法。最新版本是3.3 ，2017年8月3日發(fā)布。

　　OpenCV 擁有包括 500 多個C函數(shù)的跨平臺的中、高層 API。它不依賴于其它的外部庫——盡管也可以使用某些外部庫。

　　OpenCV 為Intel? Integrated Performance Primitives （IPP） 提供了透明接口。 這意味著如果有為特定處理器優(yōu)化的 IPP 庫， OpenCV 將在運(yùn)行時自動加載這些庫。

　?。ㄗⅲ篛penCV 2.0版的代碼已顯著優(yōu)化，無需IPP來提升性能，故2.0版不再提供IPP接口）

　　二值化是圖像分割的一種方法。在二值化圖象的時候把大于某個臨界灰度值的像素灰度設(shè)為灰度極大值，把小于這個值的像素灰度設(shè)為灰度極小值，從而實現(xiàn)二值化。

　　根據(jù)閾值選取的不同，二值化的算法分為固定閾值和自適應(yīng)閾值。 比較常用的二值化方法則有：雙峰法、P參數(shù)法、迭代法和OTSU法等。

　　以下是opencv 圖像去噪學(xué)習(xí)總結(jié)

　　OpenCV圖像處理篇之圖像平滑

　　圖像平滑算法

　　程序分析及結(jié)果

　　圖像平滑算法

　　圖像平滑與圖像模糊是同一概念，主要用于圖像的去噪。平滑要使用濾波器，為不改變圖像的相位信息，一般使用線性濾波器，其統(tǒng)一形式如下：

　　其中h稱為濾波器的核函數(shù)，說白了就是權(quán)值。不同的核函數(shù)代表不同的濾波器，有不同的用途。

　　在圖像處理中，常見的濾波器包括：

　　歸一化濾波器（Homogeneous blur）

　　也是均值濾波器，用輸出像素點(diǎn)核窗口內(nèi)的像素均值代替輸出點(diǎn)像素值。

　　高斯濾波器（Guassian blur）是實際中最常用的濾波器，高斯濾波是將輸入數(shù)組的每一個像素點(diǎn)與 高斯內(nèi)核 卷積將卷積和當(dāng)作輸出像素值。高斯核相當(dāng)于對輸出像素的鄰域賦予不同的權(quán)值，輸出像素點(diǎn)所在位置的權(quán)值最大（對應(yīng)高斯函數(shù)的均值位置）。二維高斯函數(shù)為，

　　中值濾波器（median blur）

　　中值濾波將圖像的每個像素用鄰域（以當(dāng)前像素為中心的正方形區(qū)域）像素的中值代替。對椒鹽噪聲最有效的濾波器，去除跳變點(diǎn)非常有效。

　　雙邊濾波器（Bilatrial blur）

　　為避免濾波器平滑圖像去噪的同時使邊緣也模糊，這種情況下使用雙邊濾波器。

　　下面的程序?qū)⑾冉o標(biāo)準(zhǔn)Lena圖像添加椒鹽噪聲，分別使用4種不同的濾波器進(jìn)行平滑操作，請注意觀察不

　　同濾波器對椒鹽噪聲的去噪效果！

　　程序分析及結(jié)果

　　/*

　　* FileName ： image_smoothing.cpp

　　* Author ： xiahouzuoxin @163.com

　　* Version ： v1.0

　　* Date ： Wed 17 Sep 2014 08:30:25 PM CST

　　* Brief ：

　　*

　　* Copyright （C） MICL，USTB

　　*/

　　#include “cv.h”

　　#include “imgproc/imgproc.hpp”

　　#include “highgui/highgui.hpp”

　　using namespace std;

　　using namespace cv;

　　const int MAX_KERNEL_LENGTH = 10;

　　const char *wn_name = “Smoothing”;

　　static void salt（Mat &I， int n）;

　　static void disp_caption（const char *wn_name， Mat src， const char *caption）;

　　static void disp_image（const char *wn_name， Mat I）;

　　/*

　　* @brief

　　* @inputs

　　* @outputs

　　* @retval

　　*/

　　int main（int argc， char *argv［］）

　　{

　　if （argc《2） {

　　cout《《“Usage： 。/image_smoothing ［file name］”《《endl;

　　return -1;

　　}

　　Mat I = imread（argv［1］， CV_LOAD_IMAGE_GRAYSCALE）;

　　salt（I， 6000）;

　　imshow（wn_name， I）;

　　waitKey（0）;

　　Mat dst; // Result

　　/* Homogeneous blur */

　　disp_caption（wn_name， I， “Homogeneous blur”）;

　　for （int i=1; i《MAX_KERNEL_LENGTH; i+=2） {

　　blur（I， dst， Size（i， i）， Point（-1，-1））;

　　disp_image（wn_name， dst）;

　　}

　　/* Guassian blur */

　　disp_caption（wn_name， I， “Gaussian blur”）;

　　for （int i=1; i《MAX_KERNEL_LENGTH; i+=2） {

　　GaussianBlur（I， dst， Size（i， i）， 0， 0）;

　　disp_image（wn_name， dst）;

　　}

　　/* Median blur */

　　disp_caption（wn_name， I， “Median blur”）;

　　for （int i=1; i《MAX_KERNEL_LENGTH; i+=2） {

　　medianBlur（I， dst， i）;

　　disp_image（wn_name， dst）;

　　}

　　/* Bilatrial blur */

　　disp_caption（wn_name， I， “Bilatrial blur”）;

　　for （int i=1; i《MAX_KERNEL_LENGTH; i+=2） {

　　bilateralFilter（I， dst， i， i*2， i/2）;

　　disp_image（wn_name， dst）;

　　}

　　waitKey（0）;

　　return 0;

　　}

　　/*

　　* @brief 顯示提示文字（濾波方法）

　　* @inputs

　　* @outputs

　　* @retval

　　*/

　　static void disp_caption（const char *wn_name， Mat src， const char *caption）

　　{

　　Mat dst = Mat：：zeros（src.size（）， src.type（））;

　　putText（dst， caption， Point（src.cols/4， src.rows/2）， CV_FONT_HERSHEY_COMPLEX， 1， Scalar

　?。?55，255，255））;

　　imshow（wn_name， dst）;

　　waitKey（0）;

　　}

　　/*

　　* @brief 顯示圖像

　　* @inputs

　　* @outputs

　　* @retval

　　*/

　　static void disp_image（const char *wn_name， Mat I）

　　{

　　imshow（wn_name， I）;

　　waitKey（1000）;

　　}

　　/*

　　* @brief 添加椒鹽噪聲

　　* @inputs

　　* @outputs

　　* @retval

　　*/

　　static void salt（Mat &I， int n=3000）

　　{

　　for （int k=0; k《n; k++） {

　　int i = rand（） % I.cols;

　　int j = rand（） % I.rows;

　　if （I.channels（）） {

　　I.at《uchar》（j，i） = 255;

　　} else {

　　I.at《Vec3b》（j，i）［0］ = 255;

　　I.at《Vec3b》（j，i）［1］ = 255;

　　I.at《Vec3b》（j，i）［2］ = 255;

　　}

　　}

　　}

　　上面程序的邏輯非常清晰：

　　讀入灰度圖，并添加椒鹽噪聲（6000個噪聲點(diǎn)）：

　　Mat I = imread（argv［1］， CV_LOAD_IMAGE_GRAYSCALE）;

　　salt（I， 6000）;

　　LenaNoise

　　disp_caption和disp_image函數(shù)分別是用于顯示提示文字和平滑過程中的變化圖像的，平滑過程中圖像的

　　變化如下圖：

　　blur

　　注意觀察上面的圖，中值濾波（Median Blur）對椒鹽噪聲的效果最好！

　　四種濾波方法分別使用到4個OpenCV函數(shù)，這些函數(shù)的聲明都在imgproc.hpp中，這些函數(shù)的前2個參數(shù)都

　　是原圖像和濾波后圖像。

　　歸一化濾波器blur的第3個參數(shù)為濾波核窗口的大小，Size（i，i）表示ixi大小的窗口。

　　高斯濾波器GaussianBlur第3個參數(shù)也是濾波核窗口的大小，第4、第5個參數(shù)分辨表示x方向和y方向的δ。

　　中值濾波器medianBlur第3個參數(shù)是濾波器的長度，該濾波器的窗口為正方形。

　　雙邊濾波器的函數(shù)原型如下：

　　//！ smooths the image using bilateral filter

　　CV_EXPORTS_W void bilateralFilter（ InputArray src， OutputArray dst， int d，

　　double sigmaColor， double sigmaSpace，

　　int borderType=BORDER_DEFAULT ）;

　　本程序使用的Makefile文件為：

　　TARG=image_smoothing

　　SRC=image_smoothing.cpp

　　LIB=-L/usr/local/lib/

　　INC=-I/usr/local/include/opencv/ -I/usr/local/include/opencv2

　　CFLAGS=

　　$（TARG）：$（SRC）

　　g++ -g -o $@ ${CFLAGS} $（LIB） $（INC） \

　　-lopencv_core -lopencv_highgui -lopencv_imgproc \

　　$^

　　.PHONY:clean

　　clean：

　　-rm $（TARG） tags -f

　　========