from：http://www.07net01.com/2015/12/1003192.html

圖像濾波

什么是圖像濾波

圖像濾波，即在盡量保留圖像細節特征的條件下對目標圖像的噪聲進行抑制，是圖像預處理中不可缺少的操作，其處理效果的好壞將直接影響到后續圖像處理和分析的有效性和可靠性。（摘自網絡）

圖像濾波的目的

1，消除圖像中混入的噪聲?
2，為圖像識別抽取出圖像特征

圖像濾波的要求

1，不能損壞圖像輪廓及邊緣?
2，圖像視覺效果應當更好

濾波器的定義

濾波器，顧名思義，是對波進行過濾的器件。（摘自網絡）?
以上的定義是針對物理器件的，但對于圖像濾波而言顯然也是適用的。

大家都用過放大鏡，這里就以此舉一個例子：你將放大鏡移動的過程中可以看到放大的物體，濾波器就是一個承載著加權系數的鏡片，這里就是透過鏡片可以看到經過平滑處理過的圖像，透過鏡片以及伴隨著鏡片的移動你可以逐漸所有的圖像部分。

濾波器的種類

3種線性濾波：方框濾波、均值濾波、高斯濾波?
2種非線性濾波：中值濾波、雙邊濾波

方框濾波

方框濾波所用到的核：

當normalize為true時，方框濾波也就成了均值濾波。也就是說均值濾波是方框濾波歸一化后的特殊情況。

歸一化就是將要處理的量縮放到一定范圍，比如（0，1）。

（函數解析均在后文中統一提供）

均值濾波

如上所說，均值濾波就是normalize為true的情況，此時就是在平均值。均值濾波在去噪的同時破壞了圖像的細節部分，也使得圖像變得更加模糊。

高斯濾波

高斯濾波則不同，其能夠很好的消除噪聲。高斯濾波過程中，每個像素點都是由本身和鄰域內的其他像素值經過加權平均后得到的。

從數學的角度來看，圖像的高斯模糊過程就是圖像與正態分布做卷積，由于正態分布也被稱為高斯分布，因此這項技術被稱為高斯模糊。

由于高斯函數的傅里葉變換是另外一個高斯函數，所以高斯模糊對圖像來說就是一個低通濾波器。

N維空間正態分布方程和二維空間正態分布分別為：

中值濾波

中值濾波的基本思想是用像素點鄰域灰度值的中值來代替該像素的灰度值，該方法在去除脈沖噪聲、椒鹽噪聲的同時還能保留圖像的細節部分。

中值濾波花費的時間比均值濾波更久，但其在噪聲的消除能力上更強。

雙邊濾波

雙邊濾波是結合圖像的空間鄰近度和像素值相似度的一種折中處理，同時考慮空域信息和灰度相似性，達到保留邊緣且去除噪聲的目的。

函數原型

方框濾波

void boxFilter(InputArray src, OutputArray dst, int ddepth, Size ksize, Point anchor = Point(-1,-1), bool normalize = true, int borderType = BORDER_DEFAULT)

均值濾波

void blur(Input src, OutputArray dst, Size ksize, Point anchor = Point(-1,-1), int borderType = BORDER_DEFAULT)

高斯濾波

void GaussianBlur(InputArray src, OutputArray dst, Size ksize, double sigmaX, double sigmaY = 0, int borderType = BORDER_DEFAULT)

中值濾波

void medianBlur(InputArray src, OutputArray dst, int ksize)

雙邊濾波

void bilateralFilter(InputArray src, OutputArray dst, int d, double sigmaColor, double sigmaSpace, int borderType = BORDER_DEFAULT)

具體參數解析

InputArray src:輸入圖像（源圖像），Mat類型對象，圖像深度應該是CV_8U、CV_16U、CV_16S、CV_32F、CV_64F之一。而對于中值濾波而言，如果ksize為3或者5時，圖像深度必須是CV_8U、CV_16U、CV_32F之一，如果孔徑較大，則只能是CV_8U。 OutputArray dst:輸出圖像（目標圖像），和源圖像的尺寸和類型均一樣。 int ddepth:輸出圖像的深度，-1表示原圖像深度（即src.depth()）。 Size ksize:內核大小，用Size(w,h)來表示，w和h分別表示寬和高。 Point anchor:錨點，也就是被平滑的點，如果該點坐標為負值表示取核的中心，因此默認的（-1，-1）就表示錨點在核中心。 bool normalize:標識符，為true時表示內核被其余區域歸一化（normalized）了。 int borderType:推斷圖像外部像素的某種邊界模式。 double sigmaX:表示高斯核函數在X方向的標準偏差。 double sigmaY:表示高斯核函數在Y方向的標準偏差。當sigmaY為0時，就將其設為sigmaX；如果兩者均為0，則由ksize.with和ksize.height計算出來，因此在高斯濾波函數中，ksize的w和h均必須是正數和奇數，或0，兩者可以不同。 int ksize:孔徑的線性空間，必須是大于1的奇數。 int d:過濾過程中每個像素鄰域的直徑，如果其值為非正數，則該值由sigmaSpace計算出來。 double sigmaColor:顏色空間濾波器的sigma值，這個參數的值越大，就表明該像素鄰域內有越寬廣的顏色會被混合到一起，產生較大的半相等顏色區域。 double sigmaSpace:坐標空間中濾波器的sigma值，坐標空間的標注方差。它的數值越大，意味著越遠的像素會相互影響，從而使更大的區域中足夠相似的顏色獲取相同的顏色。當d>0時，d制定了鄰域大小與sigmaSpace無關。否則，d正比于sigmaSpace。

示例

示例代碼

#include <iostream> #include <opencv2\core\core.hpp> #include <opencv2\highgui\highgui.hpp> #include <opencv2\imgproc\imgproc.hpp>using namespace std; using namespace cv;Mat g_srcImage; // 全局的源圖像 // 分別對應全局的方框濾波、均值濾波、高斯濾波、中值濾波、雙邊濾波的輸出圖像以及內核值/參數值 Mat g_dstImgBox, g_dstImgBlur, g_dstImgGaussian, g_dstImgMedian, g_dstImgBilateral; int g_BoxFilterVal = 5; int g_BlurVal = 12; int g_GaussianBlurVal = 5; int g_MedianBlurVal = 12; int g_BilateralFilterVal = 12;static void on_BoxFilter(int, void *); static void on_Blur(int, void *); static void on_GaussianBlur(int, void *); static void on_MedianBlur(int, void *); static void on_BilateralFilter(int, void*);int main() {// 讀取圖像到g_srcImageg_srcImage = imread("D:\\OpenCV\\ms2.png");if (!g_srcImage.data) {printf("讀取的圖片不存在…… \n");return false;}// 分別克隆原圖到5中濾波所需的圖像中，均為Mat類型g_dstImgBox = g_srcImage.clone();g_dstImgBlur = g_srcImage.clone();g_dstImgGaussian = g_srcImage.clone();g_dstImgMedian = g_srcImage.clone();g_dstImgBilateral = g_srcImage.clone();// 顯示原圖namedWindow("【原圖】", 1);imshow("【原圖】", g_srcImage);// 方框濾波namedWindow("【方框濾波】", 1);createTrackbar("內核值", "【方框濾波】", &g_BoxFilterVal, 30, on_BoxFilter);on_BoxFilter(g_BoxFilterVal, 0);namedWindow("【均值濾波】", 1);createTrackbar("內核值", "【均值濾波】", &g_BlurVal, 30, on_Blur);on_Blur(g_BlurVal, 0); namedWindow("【高斯濾波】", 1);createTrackbar("內核值", "【高斯濾波】", &g_GaussianBlurVal, 30, on_GaussianBlur);on_GaussianBlur(g_GaussianBlurVal, 0); namedWindow("【中值濾波】", 1);createTrackbar("內核值", "【中值濾波】", &g_MedianBlurVal, 30, on_MedianBlur);on_MedianBlur(g_MedianBlurVal, 0); namedWindow("【雙邊濾波】", 1);createTrackbar("內核值", "【雙邊濾波】", &g_BilateralFilterVal, 30, on_BilateralFilter);on_BilateralFilter(g_BilateralFilterVal, 0); cout << "按下“q”鍵時，程序退出……\n";while (char(waitKey(1)) != 'q') {} return 0; }static void on_BoxFilter(int, void *) {boxFilter(g_srcImage, g_dstImgBox, -1, Size(g_BoxFilterVal + 1, g_BoxFilterVal + 1));imshow("【方框濾波】", g_dstImgBox); }static void on_Blur(int, void *) {blur(g_srcImage, g_dstImgBlur, Size(g_BlurVal + 1, g_BlurVal + 1),Point(-1, -1));imshow("【均值濾波】", g_dstImgBlur); }static void on_GaussianBlur(int, void *) {GaussianBlur(g_srcImage, g_dstImgGaussian, Size(g_GaussianBlurVal * 2 + 1,g_GaussianBlurVal * 2 + 1), 0, 0);imshow("【高斯濾波】", g_dstImgGaussian); }static void on_MedianBlur(int, void *) {medianBlur(g_srcImage, g_dstImgMedian, g_MedianBlurVal * 2 + 1);imshow("【中值濾波】", g_dstImgMedian); }static void on_BilateralFilter(int, void*) {bilateralFilter(g_srcImage, g_dstImgBilateral, g_BilateralFilterVal,g_BilateralFilterVal * 2, g_BilateralFilterVal / 2);imshow("【雙邊濾波】", g_dstImgBilateral); }

圖像示例

原圖

方框濾波

均值濾波

高斯濾波

中值濾波

雙邊濾波

總結

通過上面各個圖片的觀察：方框和均值還是比較相似的；高斯的話對于用Windows?7和Windows 10的朋友應該都比較清楚了；中值看上去就是一種涂抹的感覺；而雙邊的話則和原圖很接近了，我是沒看出來有什么區別的。

總結

以上是生活随笔為你收集整理的【OpenCV】5种图像滤波辨析：方框、均值、高斯、中值、双边的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。