opencv图像滤波——高斯滤波与中值滤波

本文通过两个实例展示了如何使用OpenCV进行图像处理,包括图像读取、显示、高斯模糊和中值滤波等操作,并提供了完整的代码实现。
#include<opencv2/opencv.hpp>
#include<iostream>
#include<vector>
using namespace std;
using namespace cv;
int main()
{
	
	 const char* imagename = "C://Users//huashuo111//Desktop//路飞.jpg";
     //从文件中读入图像
     Mat img = imread(imagename);
     //如果读入图像失败
     if(img.empty())
     {
         fprintf(stderr, "Can not load image %s\n", imagename);
         return-1;
     }
	 resize(img,img,Size(),0.5,0.5);
	//Mat imggray;
	//cvtColor(img,imggray,COLOR_BGR2GRAY);
	imshow("原图",img);
	Mat dst;
	Mat dst1;
	GaussianBlur(img,dst,Size(5,5),0,0);
	//medianBlur(imggray,dst1,9);
	imshow("高斯模糊",dst);
	//imshow("中值滤波",dst1);

	imwrite( "C://Users//huashuo111//Desktop//路飞.bmp",img);
	imwrite( "C://Users//huashuo111//Desktop//高斯模糊.bmp",dst1);
	
     //此函数等待按键,按键盘任意键就返回
     waitKey();
     return 0;
}


原图:



高斯滤波:



中值滤波代码:

#include<opencv2/opencv.hpp>
#include<iostream>
#include<vector>
using namespace std;
using namespace cv;
int main()
{
	
	 const char* imagename = "C://Users//huashuo111//Desktop//lena.jpg";
     //从文件中读入图像
     Mat img = imread(imagename);
     //如果读入图像失败
     if(img.empty())
     {
         fprintf(stderr, "Can not load image %s\n", imagename);
         return-1;
     }
	 resize(img,img,Size(),2,2);
	//Mat imggray;
	//cvtColor(img,imggray,COLOR_BGR2GRAY);
	imshow("原图",img);
	//Mat dst;
	Mat dst1;
	//GaussianBlur(img,dst,Size(5,5),0,0);
	medianBlur(img,dst1,9);
	//imshow("高斯模糊",dst);
	imshow("中值滤波",dst1);

	imwrite( "C://Users//huashuo111//Desktop//路飞.bmp",img);
	imwrite( "C://Users//huashuo111//Desktop//中值模糊.bmp",dst1);
	
     //此函数等待按键,按键盘任意键就返回
     waitKey();
     return 0;
}

原图:



中值滤波:





OpenCV 中,均值滤波高斯滤波中值滤波是三种常用的图像平滑处理方法,它们各自有不同的原理适用场景。 ### 均值滤波 均值滤波是一种线性滤波方法,通过将图像中每个像素的值替换为其邻域内所有像素的平均值来实现平滑效果。这种方法可以有效地去除图像中的高斯噪声。然而,由于其均匀的加权方式,均值滤波在平滑噪声的同时也会模糊图像中的边缘其他重要特征。 **适用场景:** - 当图像中的噪声分布较为均匀且不需要保留精细的边缘细节时,可以使用均值滤波。 - 适用于去除高斯噪声的情况[^1]。 ### 高斯滤波 高斯滤波也是一种线性滤波方法,但它使用的是一个二维高斯函数来计算邻域内像素的加权平均值。高斯滤波器的权重分布使得中心像素附近的像素具有更高的权重,从而在平滑噪声的同时更好地保留了图像的边缘信息。 **适用场景:** - 当需要在平滑噪声的同时尽可能保留图像的边缘细节时,高斯滤波是一个更好的选择。 - 适用于去除高斯噪声,并且希望保持图像结构的情况下[^2]。 ### 中值滤波 中值滤波是一种非线性滤波方法,它通过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来实现平滑效果。这种方法对于去除椒盐噪声特别有效,因为它能够很好地抑制孤立的噪声点而不明显模糊图像的边缘。 **适用场景:** - 当图像受到椒盐噪声污染时,中值滤波特别有用。 - 适用于需要去除脉冲噪声并保留图像边缘细节的情况[^3]。 ### 代码示例 以下是使用 OpenCV 实现这三种滤波方法的 Python 示例代码: ```python import numpy as np import cv2 import matplotlib.pyplot as plt # 读取图像 img = cv2.imread('cat.jpg') # 均值滤波 img_mean = cv2.blur(img, (5,5)) # 高斯滤波 img_gaussian = cv2.GaussianBlur(img, (5,5), 0) # 中值滤波 img_median = cv2.medianBlur(img, 5) # 显示不同的图片 titles = ['Original Image', 'Mean Filter', 'Gaussian Filter', 'Median Filter'] imgs = [img, img_mean, img_gaussian, img_median] for i in range(4): plt.subplot(2, 2, i+1) plt.imshow(imgs[i]) plt.title(titles[i]) plt.xticks([]), plt.yticks([]) plt.show() ``` ### 总结 - **均值滤波**适用于去除高斯噪声,但会模糊边缘。 - **高斯滤波**在平滑噪声的同时更好地保留了边缘。 - **中值滤波**适用于去除椒盐噪声,并保留边缘细节。 根据具体的图像处理需求选择合适的滤波方法是非常重要的。如果目标是在去除噪声的同时尽可能保留图像的细节,那么高斯滤波中值滤波可能是更好的选择。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值