OpenCV 之ios 图像平滑处理
目标
本教程教您怎样使用各种线性滤波器对图像进行平滑处理，相关OpenCV函数如下:
原理
-
平滑也称模糊, 是一项简单且使用频率很高的图像处理方法。 -
平滑处理的用途有很多， 但是在
本教程中我们仅仅关注它减少噪声的功用 (其他用途在以后的教程中会接触到)。 -
平滑处理时需要用到一个
滤波器。 最常用的滤波器是线性滤波器，线性滤波处理的输出像素值 (i.e. g(i,j))是输入像素值 (i.e. f(i+k,j+l))的加权和 :
h(k,l)称为 核, 它仅仅是一个加权系数。
不妨把滤波器想象成一个包含加权系数的窗口，当使用这个滤波器平滑处理图像时，就把这个窗口滑过图像。 -
滤波器的种类有很多， 这里仅仅提及最常用的:
归一化块滤波器 (Normalized Box Filter)
最简单的滤波器， 输出像素值是核窗口内像素值的 均值 ( 所有像素加权系数相等)
核如下:
掩码矩阵（也称作核）
高斯滤波器 (Gaussian Filter)
最有用的滤波器 (尽管不是最快的)。 高斯滤波是将输入数组的每一个像素点与 高斯内核 卷积将卷积和当作输出像素值。
还记得1维高斯函数的样子吗?
假设图像是1维的,那么观察上图，不难发现中间像素的加权系数是最大的， 周边像素的加权系数随着它们远离中间像素的距离增大而逐渐减小。
Note 2维高斯函数可以表达为 :
其中 μ 为均值 (峰值对应位置)， σ代表标准差 (变量x和 变量 y 各有一个均值，也各有一个标准差)
中值滤波器 (Median Filter)
中值滤波将图像的每个像素用邻域 (以当前像素为中心的正方形区域)像素的 中值 代替 。
双边滤波 (Bilateral Filter)
- 目前我们了解的滤波器都是为了 平滑 图像， 问题是有些时候这些滤波器不仅仅削弱了噪声， 连带着把边缘也给磨掉了。 为避免这样的情形 (至少在一定程度上 ), 我们可以使用双边滤波。
- 类似于高斯滤波器，双边滤波器也给每一个邻域像素分配一个加权系数。 这些加权系数包含两个部分, 第一部分加权方式与高斯滤波一样，第二部分的权重则取决于该邻域像素与当前像素的灰度差值。
- 详细的解释可以查看 链接
源码
- 本程序做什么?
装载一张图像
使用4种不同滤波器 (见原理部分) 并显示平滑图像
#ifdef __cplusplus
#import <opencv2/opencv.hpp>
#import <opencv2/imgcodecs/ios.h>
#import <opencv2/imgproc.hpp>
#import <opencv2/highgui.hpp>
#import <opencv2/core/operations.hpp>
#import <opencv2/core/core_c.h>
using namespace cv;
using namespace std;
#endif
#import "DealImageViewController.h"
@interface DealImageViewController ()
@end
@implementation DealImageViewController
int DELAY_CAPTION = 1500;
int DELAY_BLUR = 100;
int MAX_KERNEL_LENGTH = 31;
- (void)viewDidLoad {
[super viewDidLoad];
UIImage * src1Image = [UIImage imageNamed:@"lena.jpg"];
Mat src1 = [self cvMatFromUIImage:src1Image];
Mat src;
cvtColor(src1, src, COLOR_BGRA2BGR);
UIImageView *imageView;
imageView = [self createImageViewInRect:CGRectMake(0, 100, 150, 150)];
[self.view addSubview:imageView];
imageView.image = [self UIImageFromCVMat:src];
///均值平滑
Mat dst;
{
for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 ){
blur( src, dst, cv::Size( i, i ), cv::Point(-1,-1));
}
imageView = [self createImageViewInRect:CGRectMake(0, 250, 150, 150)];
[self.view addSubview:imageView];
imageView.image = [self UIImageFromCVMat:dst];
}
/// 高斯平滑
{
for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 ){
GaussianBlur( src, dst, cv::Size( i, i ), 0, 0 );
}
imageView = [self createImageViewInRect:CGRectMake(0, 400, 150, 150)];
[self.view addSubview:imageView];
imageView.image = [self UIImageFromCVMat:dst];
}
///中值平滑
{
for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 ) {
medianBlur ( src, dst, I );
}
imageView = [self createImageViewInRect:CGRectMake(150, 250, 150, 150)];
[self.view addSubview:imageView];
imageView.image = [self UIImageFromCVMat:dst];
}
///双边平滑
{
for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 ){
bilateralFilter ( src, dst, i, i*2, i/2 );
}
imageView = [self createImageViewInRect:CGRectMake(150, 100, 150, 150)];
[self.view addSubview:imageView];
imageView.image = [self UIImageFromCVMat:dst];
}
}
#pragma mark - private
//brgx
- (cv::Mat)cvMatFromUIImage:(UIImage *)image
{
CGColorSpaceRef colorSpace =CGColorSpaceCreateDeviceRGB();
CGFloat cols = image.size.width;
CGFloat rows = image.size.height;
Mat cvMat(rows, cols, CV_8UC4); // 8 bits per component, 4 channels (color channels + alpha)
CGContextRef contextRef = CGBitmapContextCreate(cvMat.data, // Pointer to data
cols, // Width of bitmap
rows, // Height of bitmap
8, // Bits per component
cvMat.step[0], // Bytes per row
colorSpace, // Colorspace
kCGImageAlphaNoneSkipLast |
kCGBitmapByteOrderDefault); // Bitmap info flags
CGContextDrawImage(contextRef, CGRectMake(0, 0, cols, rows), image.CGImage);
CGContextRelease(contextRef);
Mat dst;
cvtColor(cvMat, dst, COLOR_RGBA2BGRA);
return dst;
}
-(UIImage *)UIImageFromCVMat:(cv::Mat)cvMat
{
// mat 是brg 而 rgb
Mat src;
NSData *data=nil;
CGBitmapInfo info =kCGImageAlphaNone|kCGBitmapByteOrderDefault;
CGColorSpaceRef colorSpace;
if (cvMat.depth()!=CV_8U) {
Mat result;
cvMat.convertTo(result, CV_8U,255.0);
cvMat = result;
}
if (cvMat.elemSize() == 1) {
colorSpace = CGColorSpaceCreateDeviceGray();
data= [NSData dataWithBytes:cvMat.data length:cvMat.elemSize()*cvMat.total()];
} else if(cvMat.elemSize() == 3){
cvtColor(cvMat, src, COLOR_BGR2RGB);
data= [NSData dataWithBytes:src.data length:src.elemSize()*src.total()];
colorSpace = CGColorSpaceCreateDeviceRGB();
}else if(cvMat.elemSize() == 4){
colorSpace = CGColorSpaceCreateDeviceRGB();
cvtColor(cvMat, src, COLOR_BGRA2RGBA);
data= [NSData dataWithBytes:src.data length:src.elemSize()*src.total()];
info =kCGImageAlphaNoneSkipLast | kCGBitmapByteOrderDefault;
}else{
NSLog(@"[error:] 错误的颜色通道");
return nil;
}
CGDataProviderRef provider = CGDataProviderCreateWithCFData((__bridge CFDataRef)data);
// Creating CGImage from cv::Mat
CGImageRef imageRef = CGImageCreate(cvMat.cols, //width
cvMat.rows, //height
8, //bits per component
8 * cvMat.elemSize(), //bits per pixel
cvMat.step[0], //bytesPerRow
colorSpace, //colorspace
kCGImageAlphaNone|kCGBitmapByteOrderDefault,// bitmap info
provider, //CGDataProviderRef
NULL, //decode
false, //should interpolate
kCGRenderingIntentAbsoluteColorimetric //intent
);
// Getting UIImage from CGImage
UIImage *finalImage = [UIImage imageWithCGImage:imageRef];
CGImageRelease(imageRef);
CGDataProviderRelease(provider);
CGColorSpaceRelease(colorSpace);
return finalImage;
}
@end
解释
1.归一化块滤波器:
OpenCV函数 blur 执行了归一化块平滑操作。
for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 ){
blur( src, dst, cv::Size( i, i ), cv::Point(-1,-1));
}
我们输入4个实参 (详细的解释请参考 Reference):
- src: 输入图像
- dst: 输出图像
- Size( w,h ): 定义内核大小( w 像素宽度， h 像素高度)
- Point(-1, -1): 指定锚点位置(被平滑点)，
如果是负值，取核的中心为锚点。
2.高斯滤波器:
OpenCV函数 GaussianBlur 执行高斯平滑 :
for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 ){
GaussianBlur( src, dst, cv::Size( i, i ), 0, 0 );
}
我们输入4个实参 (详细的解释请参考 Reference):
- src: 输入图像
- dst: 输出图像
- Size(w, h): 定义内核的大小(需要考虑的邻域范围)。 w 和h必须是正奇数，否则将使用 σx和 σy参数来计算内核大小。
- σx: x 方向标准方差， 如果是0 则 σx使用内核大小计算得到。
- σy:y 方向标准方差， 如果是0 则 σy使用内核大小计算得到。.
3.中值滤波器:
OpenCV函数 medianBlur 执行中值滤波操作:
for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 ) {
medianBlur ( src, dst, I );
}
我们用了3个参数:
src: 输入图像
dst: 输出图像, 必须与 src 相同类型
i: 内核大小 (只需一个值，因为我们使用正方形窗口)，必须为奇数。
4.双边滤波器
OpenCV函数 bilateralFilter 执行双边滤波操作:
for ( int i = 1; i < MAX_KERNEL_LENGTH; i = i + 2 ){
bilateralFilter ( src, dst, i, i*2, i/2 );
}
- 我们使用了5个参数:
-
src: 输入图像 -
dst: 输出图像 -
d: 像素的邻域直径 -
σColor: 颜色空间的标准方差 -
σSpace: 坐标空间的标准方差(像素单位)
-
结果
- 第一行是原始图
- 第二行第一张图片是
归一化块滤波器处理结果 - 第二行第二张图片是
高斯滤波器处理结果 - 第三行第一张图片是
中值滤波器处理结果 - 第三行第二张图片是
双边滤波器处理结果
网友评论