首页 > 其他分享 >OpenCV 自适应中值滤波及实现

OpenCV 自适应中值滤波及实现

时间:2023-06-29 16:14:20浏览次数:43  
标签:img int 噪声 滤波 kernelSize 适应 OpenCV cv

中值滤波器(Median Filter)
  中值滤波的思想就是比较一定领域内的像素值的大小,取出其中值作为这个领域的中心像素新的值。假设对一定领域内的所有像素从小到大进行排序,如果存在孤立的噪声点,比如椒盐噪声(椒噪声——较小的灰度值,呈现的效果是小黑点;盐噪声——较大的灰度值,呈现的效果是小白点),那么从小到大排序的这个数组中,那些孤立的噪声一定会分布在两边(要么很小,要么很大),这样子取出的中值点可以很好地保留像素信息,而滤除了噪声点的影响。
  中值滤波器受滤波窗口大小影响较大,用于消除噪声和保护图像细节,两者会存在冲突。如果窗口较小,则能较好地保护图像中的一些细节信息,但对噪声的过滤效果就会打折扣;反之,如果窗口尺寸较大则会有较好的噪声过滤效果,但也会对图像造成一定的模糊效果,从而丢失一部分细节信息。另外,如果在滤波窗口内的噪声点的个数大于整个窗口内像素的个数,则中值滤波就不能很好的过滤掉噪声。

自适应中值滤波器(Adaptive Median Filter)
  在噪声密度不是很大的情况下(根据经验,噪声的出现的概率小于0.2),使用中值滤波的效果不错。但是当噪声出现的概率比较高时,原来的中值滤波算法就不是很有效了。只有增大滤波器窗口尺寸,尽管会使图像变得模糊。
  使用自适应中值滤波器的目的就是,根据预设好的条件,动态地改变中值滤波器的窗口尺寸,以同时兼顾去噪声作用和保护细节的效果。
  下面是自适应中值滤波器算法的详细描述:
预先定义好以下符号:

直观解释
  在自适应中值滤波算法中,A步骤里面会先判断是否满足Zmin<Zmed<ZmaxZmin<Zmed<Zmax。这一步骤实质是判断当前区域的中值点是否是噪声点,通常来说是满足Zmin<Zmed<ZmaxZmin<Zmed<Zmax这个条件的,此时中值点不是噪声点,跳转到B;考虑一些特殊情况,如果Zmed=ZminZmed=Zmin或者Zmed=ZmaxZmed=Zmax,则认为是噪声点,应该扩大窗口尺寸,在一个更大的范围内寻找一个合适的非噪声点,随后再跳转到B,否则输出的中值点是噪声点;
  接下来考虑跳转到B之后的情况:判断中心点的像素值是否是噪声点,判断条件为Zmin<Zxy<ZmaxZmin<Zxy<Zmax,原理同上,因为如果Zxy=ZminZxy=Zmin或者Zxy=ZmaxZxy=Zmax,则认为是噪声点。如果不是噪声点,我们可以保留当前像素点的灰度值;如果是噪声点,则使用中值替代原始灰度值,滤去噪声。

程序实现
  程序中定义了产生椒噪声和盐噪声函数,以及中值滤波和自适应中值滤波的函数。
程序很基础,不做赘述。

  1 #include <stdio.h>
  2 #include <opencv2/opencv.hpp>
  3 #include <opencv2/highgui/highgui.hpp>
  4 #include <opencv2/imgproc/imgproc.hpp>
  5 
  6 //盐噪声  
  7 void saltNoise(cv::Mat img, int n)
  8 {
  9     int x, y;
 10     for (int i = 0;i < n / 2;i++)
 11     {
 12         x = std::rand() % img.cols;
 13         y = std::rand() % img.rows;
 14         if (img.type() == CV_8UC1)
 15         {
 16             img.at<uchar>(y, x) = 255;
 17         }
 18         else if (img.type() == CV_8UC3)
 19         {
 20             img.at<cv::Vec3b>(y, x)[0] = 255;
 21             img.at<cv::Vec3b>(y, x)[1] = 255;
 22             img.at<cv::Vec3b>(y, x)[2] = 255;
 23         }
 24     }
 25 }
 26 
 27 //椒噪声  
 28 void pepperNoise(cv::Mat img, int n)
 29 {
 30     int x, y;
 31     for (int i = 0;i < n / 2;i++)
 32     {
 33         x = std::rand() % img.cols;
 34         y = std::rand() % img.rows;
 35         if (img.type() == CV_8UC1)
 36         {
 37             img.at<uchar>(y, x) = 0;
 38         }
 39         else if (img.type() == CV_8UC3)
 40         {
 41             img.at<cv::Vec3b>(y, x)[0] = 0;
 42             img.at<cv::Vec3b>(y, x)[1] = 0;
 43             img.at<cv::Vec3b>(y, x)[2] = 0;
 44         }
 45     }
 46 }
 47 
 48 // 中值滤波器
 49 uchar medianFilter(cv::Mat img, int row, int col, int kernelSize)
 50 {
 51     std::vector<uchar> pixels;
 52     for (int y = -kernelSize / 2;y <= kernelSize / 2;y++)
 53     {
 54         for (int x = -kernelSize / 2;x <= kernelSize / 2;x++)
 55         {
 56             pixels.push_back(img.at<uchar>(row + y, col + x));
 57         }
 58     }
 59     sort(pixels.begin(), pixels.end());
 60     auto med = pixels[kernelSize*kernelSize / 2];
 61     return med;
 62 }
 63 
 64 // 自适应中值滤波器
 65 uchar adaptiveMedianFilter(cv::Mat &img, int row, int col, int kernelSize, int maxSize)
 66 {
 67     std::vector<uchar> pixels;
 68     for (int y = -kernelSize / 2;y <= kernelSize / 2;y++)
 69     {
 70         for (int x = -kernelSize / 2;x <= kernelSize / 2;x++)
 71         {
 72             pixels.push_back(img.at<uchar>(row + y, col + x));
 73         }
 74     }
 75 
 76     sort(pixels.begin(), pixels.end());
 77 
 78     auto min = pixels[0];
 79     auto max = pixels[kernelSize*kernelSize - 1];
 80     auto med = pixels[kernelSize*kernelSize / 2];
 81     auto zxy = img.at<uchar>(row, col);
 82     if (med > min && med < max)
 83     {
 84         // to B
 85         if (zxy > min && zxy < max)
 86             return zxy;
 87         else
 88             return med;
 89     }
 90     else
 91     {
 92         kernelSize += 2;
 93         if (kernelSize <= maxSize)
 94             return adaptiveMedianFilter(img, row, col, kernelSize, maxSize);// 增大窗口尺寸,继续A过程。
 95         else
 96             return med;
 97     }
 98 }
 99 
100 
101 int main()
102 {
103     int minSize = 3;
104     int maxSize = 7;
105     cv::Mat img;
106     img = cv::imread("lena.bmp");
107     cv::cvtColor(img, img, cv::COLOR_BGR2GRAY);
108     cv::imshow("src", img);
109     saltNoise(img, 40000);
110     pepperNoise(img, 40000);
111     cv::imshow("noise", img);
112     cv::Mat temp = img.clone();
113 
114     // 自适应中值滤波
115     cv::Mat img1;
116     // 扩展图像的边界
117     cv::copyMakeBorder(img, img1, maxSize / 2, maxSize / 2, maxSize / 2, maxSize / 2, cv::BorderTypes::BORDER_REFLECT);
118     // 图像循环
119     for (int j = maxSize / 2;j < img1.rows - maxSize / 2;j++)
120     {
121         for (int i = maxSize / 2;i < img1.cols - maxSize / 2;i++)
122         {
123             img1.at<uchar>(j, i) = adaptiveMedianFilter(img1, j, i, minSize, maxSize);
124         }
125     }
126     cv::imshow("adaptiveMedianFilter", img1);
127 
128     // 中值滤波
129     cv::Mat img2;
130     int kernelSize = 3;
131     cv::copyMakeBorder(temp, img2, kernelSize / 2, kernelSize / 2, kernelSize / 2, kernelSize / 2, cv::BorderTypes::BORDER_REFLECT);
132     for (int j = kernelSize / 2;j < img2.rows - kernelSize / 2;j++)
133     {
134         for (int i = kernelSize / 2;i < img2.cols - kernelSize / 2;i++)
135         {
136             img2.at<uchar>(j, i) = medianFilter(img2, j, i, kernelSize);
137         }
138     }
139     cv::imshow("medianFilter", img2);
140 
141     cv::waitKey();
142     cv::destroyAllWindows();
143 
144     return 0;
145 }

结果截图

原始图像和添加椒盐噪声后的图像。

   其实截图中看不出很明显的区别,在自己电脑上运行后看结果会清楚点。可以看到使用普通中值滤波的结果相比另一个会模糊一些,且局部仍然会有一小的噪声点。图像边缘多出来的区域不好做中值滤波处理保留了原始图像,所以边缘那一圈仍然有噪声。

 

标签:img,int,噪声,滤波,kernelSize,适应,OpenCV,cv
From: https://www.cnblogs.com/ybqjymy/p/17514444.html

相关文章

  • 青龙面板批量部署依赖库,以便适应各种脚本
    青龙面板批量部署依赖库,以便适应各种脚本服务器安装依赖库$dockerps查看青龙面板Docker是否正常运行,记下青龙Docker的容器名字输入一键安装命令:$dockerexec-itqinglongbash如果你的青龙容器不叫qinglong,那自己替换为相应的容器名字。安装依赖命令:$......
  • R语言从经济时间序列中用HP滤波器,小波滤波和经验模态分解等提取周期性成分分析|附代码
    全文下载链接:http://tecdat.cn/?p=9350最近我们被客户要求撰写关于经济时间序列的研究报告,包括一些图形和统计输出。经济时间序列的分析通常需要提取其周期性成分。这篇文章介绍了一些方法,可用于将时间序列分解为它们的不同部分 ( 点击文末“阅读原文”获取完整代码数据*******......
  • 前端自适应写法--媒体查询
    自适应一般什么rem,vw,vh这些单位注意一下。还有就是一些bootStrap什么的。在这里主要写一下媒体查询的方式。使用CSS中的媒体查询来根据不同的屏幕尺寸应用不同的样式。以下是如何使用媒体查询分别为320px-480px范围内、768px-1024px范围内和大于1024px的屏幕尺寸编写CSS样式:/*......
  • 基于滑膜控制smc的3辆协同自适应巡航控制,上层滑膜控制器产生期望加速度,下层通过油门和
    基于滑膜控制smc的3辆协同自适应巡航控制,上层滑膜控制器产生期望加速度,下层通过油门和刹车控制车速,实现自适应巡航控制。个人觉得从结果图中看出基于滑膜控制的效果非常好,不亚于模型预测控制mpc 并且在实车试验很方便。文件包含acc巡航建模资料和滑膜控制的资料,还有详细教你运......
  • 伺服系统基于陷波滤波器双惯量伺服系统机械谐振抑制matlab Simulink仿真
    伺服系统基于陷波滤波器双惯量伺服系统机械谐振抑制matlabSimulink仿真1.模型简介 模型为基于陷波滤波器的双惯量伺服系统机械谐振抑制仿真,采用MatlabR2018aSimulink搭建。仿真模型由传递函数形式搭建,主要包括转速环、电流环、低通滤波器、陷波滤波器、双惯量谐振模型。原......
  • 路面附着系数估计_无迹扩展卡尔曼滤波(UKF EKF)采用无迹 扩展卡尔曼滤波UKF进行路面附着
    路面附着系数估计_无迹扩展卡尔曼滤波(UKFEKF)软件使用:MatlabSimulink适用场景:采用无迹扩展卡尔曼滤波UKF进行路面附着系数估计,可实现“不变路面,对接路面和对开路面”等工况的路面附着系数估计。产品simulink源码包含如下模块:→整车模块:7自由度整车模型→估计模块:无迹卡尔曼......
  • 直驱永磁风机并网chopper低电压穿越 可调节电网,交流断路器,LCL 滤波器,网侧变换器,Choppe
    Matlabsimulink仿真,直驱永磁风机并网chopper低电压穿越,版本matlab2018a直驱风力发电系统MATLAB仿真说明原创文章,转载请说明出处,资料来源:http://imgcs.cn/5c/672811739737.html1MATLAB仿真模型直驱风力发电系统MATLAB仿真模型如图1所示,主电路从左到右包括:可调节电网,交......
  • 基于扩展卡尔曼滤波EKF的语音信号基音估计算法matlab仿真
    1.算法仿真效果matlab2022a仿真结果如下:   2.算法涉及理论知识概要      基音是语音信号的基本频率成分,它决定了语音的音调和声音的音高。在语音信号处理中,基音估计是一个重要的任务,它可以用于语音合成、语音识别、语音增强等应用。扩展卡尔曼滤波(ExtendedKalma......
  • opencv 表识别 工业表智能识别 数字式表盘识别,指针式表盘刻度识别,分为表检测,表盘纠正,
    在工业表智能识别中,OpenCV被用于数字式表盘和指针式表盘的识别。这个过程可以分为几个步骤:表的检测、表盘的纠正、刻度的分割、刻度的拉直识别,以及指针和时刻的分割。首先,通过表的检测,确定表在图像中的位置。然后,对表盘进行纠正,将圆形表盘拉直成一条线,以便后续处理。接下来,进行刻度......
  • opencv学习笔记(十二)
    harris角点检测:#角点检测importcv2importnumpyasnp"""cv2.cornerHarris()img:数据类型为float32bolckSize:角点检测中指定区域的大小ksize:Sobel求导中使用的窗口大小,一般为3K:取值参数为[0.04,0.06]"""img=cv2.imread('C:/Users/hellou/Deskt......