图像滤波
图像滤波是图像处理中的一种基本操作，主要用于去除图像中的噪声或增强图像的某些特征。常见的滤波方法包括均值滤波、高斯滤波、中值滤波以及自定义滤波器。
均值滤波
均值滤波是一种简单的线性滤波方法，它将图像中每个像素的值替换为其邻域内所有像素值的平均值。这种方法可以有效去除噪声，但也会使图像变得模糊。
cv::Mat src = cv::imread("image.jpg", cv::IMREAD_GRAYSCALE);
cv::Mat dst;
cv::blur(src, dst, cv::Size(3, 3)); // 3x3的均值滤波 |
高斯滤波
高斯滤波是一种非线性滤波方法，它使用高斯函数来计算邻域内像素的权重，从而对图像进行平滑处理。高斯滤波在去除噪声的同时，能够更好地保留图像的边缘信息。
cv::GaussianBlur(src, dst, cv::Size(5, 5), 0); // 5x5的高斯滤波 |
中值滤波
中值滤波是一种非线性滤波方法，它将图像中每个像素的值替换为其邻域内所有像素值的中值。这种方法在去除椒盐噪声时效果非常好。
cv::medianBlur(src, dst, 5); // 5x5的中值滤波 |
自定义滤波器
OpenCV允许用户自定义滤波器核，通过cv::filter2D函数可以实现自定义滤波操作。
cv::Mat kernel = (cv::Mat_<float>(3, 3) << 1, 0, -1, 0, 0, 0, -1, 0, 1);
cv::filter2D(src, dst, -1, kernel); |
图像边缘检测
边缘检测是图像处理中的一个重要任务，用于识别图像中物体的边界。常用的边缘检测方法包括Sobel算子和Canny边缘检测。
Sobel算子
Sobel算子是一种基于梯度的边缘检测方法，它可以检测图像中的水平和垂直边缘。
cv::Mat grad_x, grad_y;
cv::Sobel(src, grad_x, CV_16S, 1, 0); // 水平方向
cv::Sobel(src, grad_y, CV_16S, 0, 1); // 垂直方向
cv::convertScaleAbs(grad_x, grad_x);
cv::convertScaleAbs(grad_y, grad_y);
cv::addWeighted(grad_x, 0.5, grad_y, 0.5, 0, dst); // 合并结果 |
Canny 边缘检测
Canny 边缘检测是一种多阶段的边缘检测算法，它能够有效地检测出图像中的边缘，并且对噪声具有较强的鲁棒性。
cv::Canny(src, dst, 100, 200); // 阈值1=100，阈值2=200 |
图像形态学操作
形态学操作是基于图像形状的一系列操作，常用于图像的前景和背景分离、噪声去除等任务。常见的形态学操作包括腐蚀、膨胀、开运算、闭运算和形态学梯度。
腐蚀
腐蚀操作可以消除图像中的小物体或细节，使得前景物体变小。
cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(3, 3));
cv::erode(src, dst, kernel); |
膨胀
膨胀操作可以扩大图像中的前景物体，常用于填补前景物体中的空洞。
cv::dilate(src, dst, kernel); |
开运算
开运算是先腐蚀后膨胀的操作，常用于去除小物体或噪声。
cv::morphologyEx(src, dst, cv::MORPH_OPEN, kernel); |
闭运算
闭运算是先膨胀后腐蚀的操作，常用于填补前景物体中的小孔。
cv::morphologyEx(src, dst, cv::MORPH_CLOSE, kernel); |
形态学梯度
形态学梯度是膨胀和腐蚀的差值，可以用于提取物体的边缘。
cv::morphologyEx(src, dst, cv::MORPH_GRADIENT, kernel); |
图像阈值化
图像阈值化是将图像转换为二值图像的过程，常用于图像分割。常见的阈值化方法包括二值化、自适应阈值和Otsu阈值法。
二值化
二值化是将图像中的像素值根据设定的阈值分为两类，通常用于简单的图像分割。
cv::threshold(src, dst, 127, 255, cv::THRESH_BINARY); |
自适应阈值
自适应阈值根据图像的局部区域动态计算阈值，适用于光照不均匀的图像。
cv::adaptiveThreshold(src, dst, 255, cv::ADAPTIVE_THRESH_MEAN_C, cv::THRESH_BINARY, 11, 2); |
Otsu阈值法
Otsu阈值法是一种自动确定阈值的方法，适用于双峰直方图的图像。
cv::threshold(src, dst, 0, 255, cv::THRESH_BINARY | cv::THRESH_OTSU); |
图像直方图
直方图是图像处理中用于分析图像亮度分布的工具。常见的直方图操作包括计算直方图、直方图均衡化和直方图对比。
计算直方图
直方图可以反映图像中像素值的分布情况。
cv::Mat hist;
int histSize = 256;
float range[] = {0, 256};
const float* histRange = {range};
cv::calcHist(&src, 1, 0, cv::Mat(), hist, 1, &histSize, &histRange); |
直方图均衡化
直方图均衡化可以增强图像的对比度，使得图像的亮度分布更加均匀。
cv::equalizeHist(src, dst); |
直方图对比
直方图对比可以用于比较两幅图像的相似性。
cv::equalizeHist(src, dst); |
实例
OpenCV 中常见的图像处理操作，包括滤波、边缘检测、阈值化、形态学操作和轮廓检测。通过这些技术，你可以实现更复杂的图像处理任务。
以下是 C++ OpenCV 中常见的图像处理操作及其代码示例：
1. 图像滤波
图像滤波用于去除噪声或增强图像特征。
1.1 均值滤波
实例
#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;
int main() {
Mat image = imread("test.jpg");
if (image.empty()) {
cout << "错误：无法加载图像，请检查路径是否正确。" << endl;
return -1;
}
// 均值滤波
Mat blurredImage;
blur(image, blurredImage, Size(5, 5)); // 5x5 的核
imshow("Original Image", image);
imshow("Blurred Image", blurredImage);
waitKey(0);
destroyAllWindows();
return 0;
}
|
1.2 高斯滤波
实例
#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;
int main() {
Mat image = imread("test.jpg");
if (image.empty()) {
cout << "错误：无法加载图像，请检查路径是否正确。" << endl;
return -1;
}
// 高斯滤波
Mat gaussianBlurredImage;
GaussianBlur(image, gaussianBlurredImage, Size(5, 5), 0); // 5x5 的核
imshow("Original Image", image);
imshow("Gaussian Blurred Image", gaussianBlurredImage);
waitKey(0);
destroyAllWindows();
return 0;
}
|
1.3 中值滤波
实例
#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;
int main() {
Mat image = imread("test.jpg");
if (image.empty()) {
cout << "错误：无法加载图像，请检查路径是否正确。" << endl;
return -1;
}
// 中值滤波
Mat medianBlurredImage;
medianBlur(image, medianBlurredImage, 5); // 核大小为 5
imshow("Original Image", image);
imshow("Median Blurred Image", medianBlurredImage);
waitKey(0);
destroyAllWindows();
return 0;
}
|
2. 边缘检测
边缘检测用于提取图像中的边缘信息。
2.1 Canny 边缘检测
实例
#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;
int main() {
Mat image = imread("test.jpg");
if (image.empty()) {
cout << "错误：无法加载图像，请检查路径是否正确。" << endl;
return -1;
}
// 转换为灰度图像
Mat grayImage;
cvtColor(image, grayImage, COLOR_BGR2GRAY);
// Canny 边缘检测
Mat edges;
Canny(grayImage, edges, 100, 200); // 阈值1和阈值2
imshow("Original Image", image);
imshow("Canny Edges", edges);
waitKey(0);
destroyAllWindows();
return 0;
}
|
3. 图像阈值化
阈值化用于将图像转换为二值图像。
3.1 简单阈值化
实例
#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;
int main() {
Mat image = imread("test.jpg");
if (image.empty()) {
cout << "错误：无法加载图像，请检查路径是否正确。" << endl;
return -1;
}
// 转换为灰度图像
Mat grayImage;
cvtColor(image, grayImage, COLOR_BGR2GRAY);
// 简单阈值化
Mat binaryImage;
threshold(grayImage, binaryImage, 127, 255, THRESH_BINARY);
imshow("Original Image", image);
imshow("Binary Image", binaryImage);
waitKey(0);
destroyAllWindows();
return 0;
}
|
3.2 自适应阈值化
实例
#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;
int main() {
Mat image = imread("test.jpg");
if (image.empty()) {
cout << "错误：无法加载图像，请检查路径是否正确。" << endl;
return -1;
}
// 转换为灰度图像
Mat grayImage;
cvtColor(image, grayImage, COLOR_BGR2GRAY);
// 自适应阈值化
Mat adaptiveBinaryImage;
adaptiveThreshold(grayImage, adaptiveBinaryImage, 255, ADAPTIVE_THRESH_MEAN_C, THRESH_BINARY, 11, 2);
imshow("Original Image", image);
imshow("Adaptive Binary Image", adaptiveBinaryImage);
waitKey(0);
destroyAllWindows();
return 0;
}
| 4. 形态学操作
形态学操作用于处理图像的形状和结构。
4.1 腐蚀与膨胀
实例
#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;
int main() {
Mat image = imread("test.jpg");
if (image.empty()) {
cout << "错误：无法加载图像，请检查路径是否正确。" << endl;
return -1;
}
// 转换为灰度图像
Mat grayImage;
cvtColor(image, grayImage, COLOR_BGR2GRAY);
// 二值化
Mat binaryImage;
threshold(grayImage, binaryImage, 127, 255, THRESH_BINARY);
// 腐蚀操作
Mat erodedImage;
Mat kernel = getStructuringElement(MORPH_RECT, Size(5, 5));
erode(binaryImage, erodedImage, kernel);
// 膨胀操作
Mat dilatedImage;
dilate(binaryImage, dilatedImage, kernel);
imshow("Original Image", image);
imshow("Eroded Image", erodedImage);
imshow("Dilated Image", dilatedImage);
waitKey(0);
destroyAllWindows();
return 0;
}
|
5. 轮廓检测
轮廓检测用于提取图像中的对象轮廓。
实例
#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;
int main() {
Mat image = imread("test.jpg");
if (image.empty()) {
cout << "错误：无法加载图像，请检查路径是否正确。" << endl;
return -1;
}
// 转换为灰度图像
Mat grayImage;
cvtColor(image, grayImage, COLOR_BGR2GRAY);
// 二值化
Mat binaryImage;
threshold(grayImage, binaryImage, 127, 255, THRESH_BINARY);
// 腐蚀操作
Mat erodedImage;
Mat kernel = getStructuringElement(MORPH_RECT, Size(5, 5));
erode(binaryImage, erodedImage, kernel);
// 膨胀操作
Mat dilatedImage;
dilate(binaryImage, dilatedImage, kernel);
imshow("Original Image", image);
imshow("Eroded Image", erodedImage);
imshow("Dilated Image", dilatedImage);
waitKey(0);
destroyAllWindows();
return 0;
}
| |
