图像各种滤波_rgb分离滤波-优快云博客

本文链接：https://blog.youkuaiyun.com/A121649982/article/details/126133271

本文详细探讨了图像处理中的滤波技术，主要关注C++和OpenCV库的应用。通过实例，解释了如何使用不同的滤波器，如高斯滤波、中值滤波和双边滤波，来消除噪声，平滑图像，并保持图像边缘清晰。内容包括滤波器的原理，实现代码示例，以及效果对比。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

#include <iostream>

#include <opencv2/opencv.hpp>
#include <opencv2/core/core.hpp>
#include <opencv2/imgproc/imgproc.hpp>    
#include <opencv2/imgproc/types_c.h>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/highgui/highgui_c.h>
#include<chrono>
using namespace cv;
using namespace std;
#include<string>
//
 additional functions/
add Salt-and-pepper noise
//void addNoiseSoltPepperMono(Mat& src, Mat& dest, double per) {//per控制椒盐噪点的含量
//	cv::RNG rng;//随机数产生器
//#pragma omp parallel for
//	for (int j = 0; j < src.rows; j++) {
//		uchar* s = src.ptr(j);
//		uchar* d = dest.ptr(j);
//		for (int i = 0; i < src.cols; i++) {
//			//产生0~1均匀分布的随机数为 a1，用于控制是否在该像素点添加椒盐噪点
//			double a1 = rng.uniform((double)0, (double)1);
//			//如果随机数a1大于给定的值per，该点为原值，否则为椒盐噪点
//			if (a1 > per)d[i] = s[i];
//			else {
//				//产生0~1均匀分布的随机数为 a2，用于控制该噪点为椒噪点还是盐噪点
//				double a2 = rng.uniform((double)0, (double)1);
//				if (a2 > 0.5)d[i] = 0;
//				else d[i] = 255;
//			}
//		}
//	}
//}
添加高斯噪声
//void addNoiseMono(Mat& src, Mat& dest, double sigma) {
//	Mat s;
//	src.convertTo(s, CV_16S);
//	Mat n(s.size(), CV_16S);
//	//randn()将n填充为高斯分布均值为0，标准差为sigma的随机数
//	randn(n, 0, sigma);
//	Mat temp = s + n;//将原图与高斯噪声叠加在一起输出
//	temp.convertTo(dest, CV_8U);
//	/*
//	 CV_8U   8位无符号整型(0-255)
//	 CV_8S   8位有符号整型(-128-127)
//	 CV_16U  16位无符号整型(0-65535)
//	 CV_16S  16位有符号整型(-32768-32767)
//	 CV_32S  32位有符号整型(-2147483648-2147483647)
//	 CV_32F  32为浮点型
//	 CV_64F  64位浮点型
//	 */
//}
//
//void addNoise(Mat&src, Mat& dest, double sigma, double sprate = 0.0) {
//	//如果是单通道图片，调用一次增噪函数即可，否则拆分通道分别增噪然后合并
//	if (src.channels() == 1) {
//		addNoiseMono(src, dest, sigma);//先添加高斯噪点
//		if (sprate != 0)addNoiseSoltPepperMono(dest, dest, sprate);//然后添加椒盐噪点
//		return;
//	}
//	else {
//		Mat s[3];
//		Mat d[3];
//		split(src, s);
//		for (int i = 0; i < src.channels(); i++) {
//			addNoiseMono(s[i], d[i], sigma);
//			if (sprate != 0)addNoiseSoltPepperMono(d[i], d[i], sprate);
//		}
//		cv::merge(d, 3, dest);
//	}
//}
//
计算一个通道的PSNR值，计算公式参考wiki
https://zh.wikipedia.org/wiki/峰值信噪比
https://zhuanlan.zhihu.com/p/40746930
static double getPSNR(Mat& src, Mat& dest) {
	int i, j;
	double sse, mse, psnr;
	sse = 0.0;
	for (j = 0; j < src.rows; j++) {
		uchar* d = dest.ptr(j);
		uchar* s = src.ptr(j);
		for (i = 0; i < src.cols; i++) {
			sse += ((d[i] - s[i])*(d[i] - s[i]));
		}
	}
	if (sse == 0.0) {
		return 0;
	}
	else {
		mse = sse / (double)(src.cols*src.rows);
		psnr = 10.0*log10((255 * 255) / mse);
		return psnr;
	}
}
计算图片的PSNR
///*
// 对于单通道图片