OpenCV(二十二)：均值滤波、方框滤波和高斯滤波

╰+攻爆jí腚メ 2024-03-08 08:23 139阅读 0赞

**目录**

1.均值滤波

2.方框滤波

3.高斯滤波

--------------------

#### 1.均值滤波 ####

OpenCV中的均值滤波（Mean Filter）是一种简单的滤波技术，用于平滑图像并减少噪声。它的原理非常简单：对于每个像素，将其与其周围邻域内像素的平均值作为新的像素值。

**具体的均值滤波原理如下：**

1.  定义滤波器大小：均值滤波器是一个正方形的卷积核，具有固定大小。该大小决定了每个像素使用多少邻域像素进行平均计算。
2.  遍历图像像素：对于图像中的每个像素，将其与滤波器大小内的邻域像素进行平均计算。
3.  计算新的像素值：将邻域像素的值相加，然后除以邻域内像素的数量，即可得到新的像素值。
4.  更新图像：将每个像素的值更新为其对应的新像素值。

![32d42a22ccf74db68624bb42afbe7336.png][]

**均值滤波函数blur()**

> void cv::blur ( InputArray src,
> 
> OutputArray dst,
> 
> Size ksize,
> 
> Point anchor = Point(-1,-1),
> 
> int borderType = BORDER\_DEFAULT
> 
> )

*  src:待均值滤波的图像，图像的数据类型必须是CV 8U、CV 16U、CV 16S、CV 32F和CV 64F这五种数据类型之一。
 *  dst: 均值滤波后的图像，与输入图像具有相同的尺寸和数据类型。
 *  ksize:卷积核尺寸。
 *  anchor:内核的基准点(锚点)，其默认值为(-l,-1)代表内核基准点位于kernel的中心位置。
 *  borderType:像素外推法选择标志。

![cfe473aa2cbd42259ce303f56c2b8aa9.png][]

**以下是使用OpenCV进行均值滤波的示例代码：**

//均值滤波
        blur(image,image,Size(5,5));

在这个示例代码中，我们加载一张图像image，并定义了一个5x5的滤波器大小。然后，我们调用`cv::blur`函数对图像进行均值滤波。

`cv::blur`函数将输入图像作为第一个参数，并使用指定的滤波器大小对其进行平滑处理，然后将结果保存在输出图像中。在这个例子中，我们将图像本身作为输出参数，所以原始图像将会被修改。

**结论**：均值滤波的卷积核越大，图片的失真越明显，图片会更模糊，如果设置核的大小为（1，1），则结果是原始图像。

#### 2.方框滤波 ####

方框滤波和均值滤波核基本上是一致的，主要的区别是要不要归一化处理，如果使用归一化处理，方框滤波就是均值滤波。

**方框滤波函数boxFilter()**

> void cv::boxFilter ( InputArray src,
> 
> OutputArray dst,
> 
> int ddepth，
> 
> Size ksize,
> 
> Point anchor = Point(-1,-1),
> 
> bool normalize = true，
> 
> int borderType = BORDER\_DEFAULT
> 
> ）

*  src:输入图像。
 *  dst: 输出图像，与输入图像具有相同的尺寸和通道数。
 *  ddepth: 输出图像的数据类型(深度)，根据输入图像的数据类型不同拥有不同的取值范围。
 *  ksize:卷积核尺寸。
 *  anchor:内核的基准点(锚点)，其默认值为(-1-1)代表内核基准点位于kernel的中心位置。
 *  normalize:是否将卷积核进行归一化的标志，默认参数为true，表示进行归一化。
 *  borderType:像素外推法选择标志。

**示例代码：**

//方框滤波boxFilter（）
        Mat result;
       boxFilter(image,result,-1,Size(3,3),Point(-1,-1),false);//不进行归一化

#### 3.高斯滤波 ####

高斯滤波通过使用高斯函数计算像素点的权重，对周围邻域像素进行加权平均，以达到图像平滑的效果。由于高斯函数在中心点附近权重较大，而在离中心点越远的像素权重越小，它能够保留图像的整体结构，并且相对于其他平滑滤波器，它对细节的保留更好。

高斯函数是一个连续的概率分布函数，它的形状是一个钟形曲线，中心点最高，两边逐渐变低。

![68aa4b9fa84d4a369fafaba1ceac2ef5.png][]

高斯滤波的**原理**如下：

1.  定义滤波器大小和标准差：在使用高斯滤波之前，需要确定滤波器的大小（窗口大小）和标准差。窗口大小决定了滤波器覆盖的像素范围，标准差决定了高斯函数的形状。
2.  构建高斯滤波器：根据定义的窗口大小和标准差，构建一个高斯函数或者高斯核矩阵。高斯函数是一个二维正态分布曲线，用于计算滤波器中每个像素的权重。
3.  遍历图像像素：对于图像中的每个像素，高斯滤波器会考虑其周围邻域像素的值。
4.  计算加权平均：对于每个像素，在滤波器邻域内，根据高斯函数计算相应像素的权重。权重越大表示该像素对平均值的贡献越大。然后将邻域内像素值与相应权重相乘，得到加权和。
5.  更新图像：将每个像素的值更新为加权和，得到平滑后的图像。

**例如**

一个3X3的卷积核是：

![9f149d65c0864b36abd42d61e25012a6.png][]

计算相应像素的权重

![ca9b6ee5587e45099fcbd5610b5458f7.png][]

将邻域内像素值与相应权重相乘，得到加权和，将像素的值更新为加权和。

![01160c28d8b947feb891e3a4faba22a9.png][]

OpenCV中提供了**高斯滤波函数`cv2.GaussianBlur()`**来实现高斯滤波。

> void cv::GaussianBlur (InputArray src,
> 
> OutputArray dst,
> 
> Size ksize,
> 
> double sigmaX，
> 
> double sigmaY = 0,
> 
> int borderType = BORDER DEFAULT
> 
> )

*  src:待高斯滤波图像，数据类型必须为CV 8U，CV 16U，CV 16S，CV 32F或CV 64F。
 *  dst:输出图像，与输入图像src具有相同的尺寸、通道数和数据类型。
 *  ksize: 高斯滤波器的尺寸，滤波器可以不为正方形，但是必须是正奇数。如果尺寸为0，则由标准偏差计算尺寸。
 *  sigmaX:X方向的高斯滤波器标准偏差。
 *  sigmayY:Y方向的高斯滤波器标准偏差: 如果输入量为0，则将其设置为等于sigmax，如果两个轴的标差均为0，则根据输入的高斯滤波器尺寸计算标准偏差。
 *  borderType:像素外推法选择标志。

**示例代码：**

//调用高斯滤波函数GaussianBlur（）进行滤波
        GaussianBlur(image,image,Size(5,5),10,20);

注意：在高斯滤波当中，核的宽度和高度可以不相同，但都要是奇数。

[32d42a22ccf74db68624bb42afbe7336.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/08/4d7240df015e42ad8eb9b599ed5aad98.png
[cfe473aa2cbd42259ce303f56c2b8aa9.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/08/0972ec11e46944f7b6fefd236cc02eb8.png
[68aa4b9fa84d4a369fafaba1ceac2ef5.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/08/5274e97c949b4677b06a225310504ea9.png
[9f149d65c0864b36abd42d61e25012a6.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/08/b43f3e70f17149c5a2e87971dc23e04d.png
[ca9b6ee5587e45099fcbd5610b5458f7.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/08/d2d1ec3d4e8b4d84ad7090bde493c4f9.png
[01160c28d8b947feb891e3a4faba22a9.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/08/cc855e51c8ce4e47babdc0aba35c4627.png