图像滤波
对图像进行单个像素操作，主要是进行对比度和阈值处理
而图像滤波在像素邻域间进行，一来达到我们希望的效果，二来进一步进行图像特征提取
滤波分为空间域和频域滤波，空间域滤波又分线性、非线性滤波
常用的线性滤波有，均值滤波，高斯滤波；非线性滤波有中值滤波，双边滤波
线性滤波
均值模糊：blur()
void blur( InputArray src, OutputArray dst,
Size ksize, Point anchor = Point(-1,-1),
int borderType = BORDER_DEFAULT );
- src 源图像
- dst 输出图像
- ksize 卷积核
- anchor 锚点在核中心
- borderType 图像边界处理方式
卷积核如下图所示
高斯模糊：GaussianBlur()
void GaussianBlur( InputArray src, OutputArray dst, Size ksize,
double sigmaX, double sigmaY = 0,
int borderType = BORDER_DEFAULT );
- src 源图像
- dst 目的图像
- ksize 高斯核，ksize.width与ksize.height可以不同，但必须为正的奇数.可以为0，通过simga计算得到
- sigmaX 高斯核在x方向的标准差
- sigmaY 高斯核在y方向的标准差
- borderType 边界像素处理方式
均值与高斯模糊代码：
1 #include <opencv2/opencv.hpp>
2 #include <iostream>
3
4 using namespace std;
5 using namespace cv;
6
7 int main() {
8
9 Mat srcImage = imread("D:/lena.png");
10 if (!srcImage.data) {
11 cout << "could not load image" << endl;
12 return -1;
13 }
14 imshow("src Image", srcImage);
15
16 Mat bImage, gImage;
17 blur(srcImage, bImage, Size(3, 3));
18 GaussianBlur(srcImage, gImage, Size(3, 3), 11, 11);
19
20 imshow("blur", bImage);
21 imshow("Gaussblur", bImage);
22 waitKey(0);
23 return 0;
24 }
效果图：
非线性滤波
统计排序滤波器是一种非线性滤波器，最知名的便是中值滤波。它将滤波器所包含的图像区域进行排序，选取中间值代替该点像素值，
其对椒盐噪声处理十分有效
中值滤波
void medianBlur( InputArray src, OutputArray dst, int ksize );
- src 源图像
- dst 目的图像
- ksize 孔径尺寸，必须为大于1的奇数
1 #include <opencv2/opencv.hpp>
2 #include <iostream>
3
4 using namespace std;
5 using namespace cv;
6
7
8 //加入椒盐噪声
9 void salt(Mat image, int n)
10 {
11 int i, j;
12 for (int k = 0; k<n; k++)
13 {
14 // rand()是随机数生成器
15 i = rand() % image.cols;
16 j = rand() % image.rows;
17 if (image.type() == CV_8UC1)
18 { // 灰度图像
19 if(rand()% 2 == 0)
20 image.at<uchar>(j, i) = 255;
21 else
22 image.at<uchar>(j, i) = 0;
23 }
24 else if (image.type() == CV_8UC3)
25 { // 彩色图像
26 if (rand()%2==0) {
27 image.at<cv::Vec3b>(j, i)[0] = 255;
28 image.at<cv::Vec3b>(j, i)[1] = 255;
29 image.at<cv::Vec3b>(j, i)[2] = 255;
30 }
31 else{
32 image.at<cv::Vec3b>(j, i)[0] = 0;
33 image.at<cv::Vec3b>(j, i)[1] = 0;
34 image.at<cv::Vec3b>(j, i)[2] = 0;
35 }
36 }
37 }
38 }
39
40 int main() {
41
42 Mat srcImage = imread("D:/lena.png");
43 if (!srcImage.data) {
44 cout << "could not load image" << endl;
45 return -1;
46 }
47 salt(srcImage, 1500); //加入椒盐噪声
48 imshow("src Image", srcImage);
49
50 Mat mImage;
51 medianBlur(srcImage, mImage, 3); //中值滤波
52 imshow("medianblur", mImage);
53
54 waitKey(0);
55 return 0;
56
效果图：
双边滤波
1.介绍 双边滤波（Bilateral Filtering）是一种简单，非迭代的保边去噪算法。
在最广泛的意义上“滤波”这一词，滤波图像在给定位置的值是输入图像在相同位置小邻域中的函数。
例如，高斯低通滤波（Gaussian low-pass fitering）计算像素邻域中得加权平均值，权重随着远离邻域中心减少。
虽然可以给出这种权重下降的正式和定量解释，但直觉是图像通常在空间上缓慢变化，
因此邻近像素可能具有相似的值，因此将它们平均在一起是合适的。
破坏这些邻近像素的噪声值与信号值相互关联较少，因此，当信号被保留时，噪声平均消失。
然而在边缘处，假设的缓慢空间变化失效了，因此会被线性低通滤波器模糊。
如何在平滑图像的同时，防止边缘被平均呢？下面介绍双边滤波的基本思路。
2.思路
双边滤波的基本思想是在传统空域滤波中引入值域滤波。两个像素可以彼此接近，即占据附近的空间位置，或者它们可以彼此相似，即具有邻近的值。
考虑应用于图像的平移不变低通域滤波器：
归一化常数
类似的定义值滤波器：
在这种情况下归一化常数：
解决方案是结合空域和值滤波，组合滤波可以描述如下：
归一化常数是，
结合空域与值域滤波被定义为双边滤波。在光滑的区域，邻域中像素的值差异不大，双边滤波的效果与标准空间滤波等同，
平均的消除噪声引起的像素值之间的小的、弱相关的差异。
在边缘处，滤波器用其附近的明亮像素的平均值代替中心处的明亮像素，并且基本上忽略了暗像素，
反之，当滤波器以暗像素为中心时，则忽略了明亮像素。
至此，由于滤波器的空域成分，边界得以保存；由于滤波器的值域成分，清晰的边缘也得以保存
void bilateralFilter( InputArray src, OutputArray dst, int d,
double sigmaColor, double sigmaSpace,
int borderType = BORDER_DEFAULT );
- src 单通道，浮点类型，源图像
- dst 输出图像，与src类型一致
- d 用于滤波的每个像素邻域的直径。如果它是非正的，
它是从sigmaSpace计算出来的 - sigmaColor 较大的参数值意味着像素邻域内的较远颜色(参见sigmaSpace)将混合在一起
- sigmaSpace 坐标空间中的sigmaSpace滤波器。参数值越大意味着越远处的像素（若像素足够接近）会影响该点像素
1 #include <opencv2/opencv.hpp>
2 #include <iostream>
3
4 using namespace std;
5 using namespace cv;
6
7 int main() {
8 Mat src, dst;
9 src = imread("D:/kitten-orig.png");
10 if (src.empty()) {
11 cout << "could not load image..." << endl;
12 return -1;
13 }
14 bilateralFilter(src, dst, 9, 75, 75);
15 namedWindow("input", CV_WINDOW_AUTOSIZE);
16 imshow("input", src);
17 namedWindow("output", CV_WINDOW_AUTOSIZE);
18 imshow("output", dst);
19 imwrite("kitten-outp.png", dst);
20 waitKey(0);
21 }
效果对比：
原文地址：https://www.cnblogs.com/zmm1996/p/10664401.html