opencv3/C++图像滤波实现方式

2024-10-14 17:38:32

图像滤波在opencv中可以有多种实现形式

自定义滤波

如使用3×3的掩模：

对图像进行处理.

使用函数filter2D()实现

#include<opencv2/opencv.hpp>
using namespace cv;

int main()
{
 //函数调用filter2D功能
 Mat src,dst;
 src = imread("E:/image/image/daibola.jpg");
 if(!src.data)
 {
  printf("can not load image \n");
  return -1;
 }
 namedWindow("input", CV_WINDOW_AUTOSIZE);
 imshow("input", src);
 src.copyTo(dst);
 Mat kernel = (Mat_<int>(3,3)<<1,1,1,1,1,-1,-1,-1,-1);
 double t = (double)getTickCount();
 filter2D(src, dst, src.depth(), kernel);
 std::cout<<((double)getTickCount()-t)/getTickFrequency()<<std::endl;
 namedWindow("output", CV_WINDOW_AUTOSIZE);
 imshow("output", dst);
 printf("%d",src.channels());
 waitKey();
 return 0;
}

通过像素点操作实现

#include<opencv2/opencv.hpp>
using namespace cv;
int main()
{
 Mat src, dst;
 src = imread("E:/image/image/daibola.jpg");
 CV_Assert(src.depth() == CV_8U);
 if(!src.data)
 {
  printf("can not load image \n");
  return -1;
 }
 namedWindow("input", CV_WINDOW_AUTOSIZE);
 imshow("input",src);
 src.copyTo(dst);
 for(int row = 1; row<(src.rows - 1); row++)
 {
  const uchar* previous = src.ptr<uchar>(row - 1);
  const uchar* current = src.ptr<uchar>(row);
  const uchar* next = src.ptr<uchar>(row + 1);
  uchar* output = dst.ptr<uchar>(row);
  for(int col = src.channels(); col < (src.cols - 1)*src.channels(); col++)
  {
   *output = saturate_cast<uchar>(1 * current[col] + previous[col] - next[col] + current[col - src.channels()] - current[col + src.channels()]);
   output++;
  }
 }
 namedWindow("output", CV_WINDOW_AUTOSIZE);
 imshow("output",dst);
 waitKey();
 return 0;
}

特定形式滤波

常用的有：

blur(src,dst,Size(5,5));均值滤波

GaussianBlur(src,dst,Size(5,5),11,11);高斯滤波

medianBlur(src,dst,5);中值滤波（应对椒盐噪声）

bilateralFilter(src,dst,2,0.5,2,4);双边滤波（保留边缘）

#include<opencv2/opencv.hpp>
using namespace cv;

int main()
{
 Mat src, dst;
 src = imread("E:/image/image/daibola.jpg");
 CV_Assert(src.depth() == CV_8U);
 if(!src.data)
 {
  printf("can not load image \n");
  return -1;
 }
 namedWindow("input", CV_WINDOW_AUTOSIZE);
 imshow("input",src);
 src.copyTo(dst);
 //均值滤波
 blur(src,dst,Size(5,5));
 //中值滤波
 //medianBlur(src,dst,5);

 namedWindow("output", CV_WINDOW_AUTOSIZE);
 imshow("output",dst);

 waitKey();
 return 0;
}

以上这篇opencv3/C++图像滤波实现方式就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持我们。

opencv3/C++图像边缘提取方式

canny算子实现使用track bar 调整canny算子参数,提取到合适的图像边缘. #include<iostream> #include<opencv2/opencv.hpp> using namespace cv; void trackBar(int, void*); int s1=0,s2=0; Mat src, dst; int main() { src = imread("E:/image/image/daibola.jpg"); if(src
opencv3/C++图像像素操作详解

RGB图像转灰度图 RGB图像转换为灰度图时通常使用: 进行转换,以下尝试通过其他对图像像素操作的方式将RGB图像转换为灰度图像. #include<opencv2/opencv.hpp> #include<math.h> using namespace cv; int main() { //像素操作 Mat src,dst; src = imread("E:/image/image/daibola.jpg"); if(src.empty()) { printf
opencv3/C++绘制几何图形实例

在图像上绘制几何图形 #include<iostream> #include<opencv2/opencv.hpp> using namespace cv; Mat src1, dst; void drawRectangle(); void drawLine(); void drawEllipse(); void drawCircle(); void tsxt(); int main() { src1 = imread("E:/image/image/daibola.jp
opencv3/C++ 离散余弦变换DCT方式

离散余弦变换/Discrete cosine transform, 根据离散傅里叶变换的性质,实偶函数的傅里叶变换只含实的余弦项,而数字图像都是实数矩阵,因此构造了一种实数域的变换--离散余弦变换(DCT). 离散余弦变换具有很强的"能量集中"特性,左上方称为低频数据,右下方称为高频数据.而大多数的自然信号(包括声音和图像)的能量都集中在离散余弦变换后的低频部分.因此也可以在图像压缩算法中用来进行有损压缩.(如JPEG压缩编码) OpenCV中dct() 在OpenCV中有专门进行离散
opencv3/C++ PHash算法图像检索详解

PHash算法即感知哈希算法/Perceptual Hash algorithm,计算基于低频的均值哈希．对每张图像生成一个指纹字符串,通过对该字符串比较可以判断图像间的相似度． PHash算法原理将图像转为灰度图,然后将图片大小调整为32*32像素并通过DCT变换,取左上角的8*8像素区域.然后计算这64个像素的灰度值的均值.将每个像素的灰度值与均值对比,大于均值记为1,小于均值记为0,得到64位哈希值. PHash算法实现将图片转为灰度值将图片尺寸缩小为32*32 resize(src
opencv3/C++图像滤波实现方式

图像滤波在opencv中可以有多种实现形式自定义滤波如使用3×3的掩模: 对图像进行处理. 使用函数filter2D()实现 #include<opencv2/opencv.hpp> using namespace cv; int main() { //函数调用filter2D功能 Mat src,dst; src = imread("E:/image/image/daibola.jpg"); if(!src.data) { printf("can not l
opencv3/C++ FLANN特征匹配方式

使用函数detectAndCompute()检测关键点并计算描述符函数detectAndCompute()参数说明: void detectAndCompute( InputArray image, //图像 InputArray mask, //掩模 CV_OUT std::vector<KeyPoint>& keypoints,//输出关键点的集合 OutputArray descriptors,//计算描述符(descriptors[i]是为keypoints[i]的计算描述符
Python实现中值滤波去噪方式

中值滤波器去噪: 中值滤波的主要原理是将数字图像中的某点用该点的邻域中各个像素值的中值所来代替,这样就能让目标像素周围能够更好的接近真实值,比如一张白纸上有一个黑点时,黑点的像素值比较大,经过中值滤波过后,黑点附近的像素值可能就会变小.经过中值滤波后一些相对孤立的噪声点就容易被清除掉,这样就能提高图像的质量. 所以中值滤波器去噪的一个优点就是对椒盐噪声的去除具有很好的效果,具体操作是选取一个中心邻域,然后给邻域类各个像素的灰度值按大小进行排序,选取排序序列中的中值作为该邻域中心点的像素值的灰度值
Python图像滤波处理操作示例【基于ImageFilter类】

本文实例讲述了Python图像滤波处理操作.分享给大家供大家参考,具体如下: 在图像处理中,经常需要对图像进行平滑.锐化.边界增强等滤波处理.在使用PIL图像处理库时,我们通过Image类中的成员函数filter()来调用滤波函数对图像进行滤波,而滤波函数则通过ImageFilter类来定义的. 下面先直接看一个样例: #-*- coding: UTF-8 -*- from PIL import Image from PIL import ImageFilter def image_filter
opencv 图像滤波(均值,方框,高斯,中值)

为什么要使用滤波消除图像中的噪声成分叫作图像的平滑化或滤波操作.信号或图像的能量大部分集中在幅度谱的低频和中频段是很常见的,而在较高频段,感兴趣的信息经常被噪声淹没.因此一个能降低高频成分幅度的滤波器就能够减弱噪声的影响. 如下图,左图带有椒盐噪声,右图为使用中值滤波处理后的图片. 图像滤波的目的有两个:一是抽出对象的特征作为图像识别的特征模式;另一个是为适应图像处理的要求,消除图像数字化时所混入的噪声. python +opencv讲解均值滤波含义如图:如果我们想对红色点进行处理,则它
Python实现计算图像RGB均值方式

要求存在一个文件夹内有若干张图像,需要计算每张图片的RGB均值,并计算全部图像的RGB均值. 代码 # -*- coding: utf-8 -*- """ Created on Thu Nov 1 10:43:29 2018 @author: Administrator """ import os import cv2 import numpy as np path = 'C:/Users/Administrator/Desktop/rgb'
Python OpenCV学习之图像滤波详解

目录背景一.卷积相关概念二.卷积实战三.均值滤波四.高斯滤波五.中值滤波六.双边滤波七.Sobel算子八.Scharr算子九.拉普拉斯算子十.Canny算法背景图像滤波的作用简单来说就是将一副图像通过滤波器得到另一幅图像:明确一个概念,滤波器又被称为卷积核,滤波的过程又被称为卷积:实际上深度学习就是训练许多适应任务的滤波器,本质上就是得到最佳的参数:当然在深度学习之前,也有一些常见的滤波器,本篇主要介绍这些常见的滤波器: 一.卷积相关概念卷积核大小一般为奇数的原因:
Java OpenCV图像处理之自定义图像滤波算子

目录示例代码效果图示例代码 package com.xu.image; import java.io.File; import org.opencv.core.Core; import org.opencv.core.Mat; import org.opencv.core.Point; import org.opencv.highgui.HighGui; import org.opencv.imgcodecs.Imgcodecs; import org.opencv.imgproc.Img

opencv3/C++图像滤波实现方式

相关推荐

随机推荐