前边提到的均值滤波、中值滤波和高斯滤波,都属于各向同性滤波,它们对待噪声和图像的边缘信息都采取一样的态度,结果,噪声被磨平的同时,图像中具有重要地位的边缘、纹理和细节也同时被抹平了,这是我们所不希望看到的。为了解决这个问题,人们陆续提出了一些算法来把图像边缘和噪声区别对待,比如双边滤波和导向滤波,本文介绍如何使用opencv做图像的导向滤波。
先来说下导向滤波的大致思路。在导向滤波中,要对图像p进行滤波而得到图像q,需要一个引导图像I,类似的原理有点像直方图匹配,直方图匹配详见博文https://blog.csdn.net/lehuoziyuan/article/details/84066102,其实就是根据引导图像I的特征去设置滤波器。导向滤波在图像增强、HDR压缩、图像抠图及图像去雾等场景中都有应用。
具体的导向滤波的原理大家可参见博文http://blog.csdn.net/baimafujinji/article/details/74750283,我这里就不多叙述了。
导向滤波的代码如下:
图像处理开发资料、图像处理开发需求、图像处理接私活挣零花钱,可以搜索公众号"qxsf321",并关注!
代码中用到的图像下载链接:http://pan.baidu.com/s/1c2IrDZy 密码:dqbl
//opencv版本:OpenCV3.0
//VS版本:VS2013
//Author:qxsf321.net
#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 <time.h>
#include <iostream>
using namespace cv;
using namespace std;
//导向滤波器
Mat guidedfilter(Mat &srcImage, Mat &srcClone, int r, double eps);
int main()
{
Mat srcImage = imread("Gauss_noise.jpg");
if (srcImage.empty())
{
cout << "读入图片错误!" << endl;
system("pause");
return -1;
}
//进行通道分离
vector<Mat>vSrcImage, vResultImage;
split(srcImage, vSrcImage);
Mat resultMat;
for (int i = 0; i < 3; i++)
{
//分通道转换成浮点型数据
Mat tempImage;
vSrcImage[i].convertTo(tempImage, CV_64FC1, 1.0 / 255.0);
Mat p = tempImage.clone();
//分别进行导向滤波
Mat resultImage = guidedfilter(tempImage, p, 4, 0.01);
vResultImage.push_back(resultImage);
}
//通道结果合并
merge(vResultImage, resultMat);
imshow("原图像", srcImage);
imshow("导向滤波后图像", resultMat);
waitKey(0);
return 0;
}
Mat guidedfilter(Mat &srcImage, Mat &srcClone, int r, double eps)
{
//转换源图像信息
srcImage.convertTo(srcImage, CV_64FC1);
srcClone.convertTo(srcClone, CV_64FC1);
int NumRows = srcImage.rows;
int NumCols = srcImage.cols;
Mat boxResult;
//下面按照步骤进行导向滤波操作
/////////////////////////////////////////////////////////////
//步骤一:计算均值
boxFilter(Mat::ones(NumRows, NumCols, srcImage.type()),
boxResult, CV_64FC1, Size(r, r));
//生成导向均值mean_I
Mat mean_I;
boxFilter(srcImage, mean_I, CV_64FC1, Size(r, r));
//生成原始均值mean_P
Mat mean_P;
boxFilter(srcClone, mean_P, CV_64FC1, Size(r, r));
//生成互相关均值mean_IP
Mat mean_IP;
boxFilter(srcImage.mul(srcClone), mean_IP,
CV_64FC1, Size(r, r));
Mat cov_IP = mean_IP - mean_I.mul(mean_P);
//生成自相关均值mean_II
Mat mean_II;
//应用盒滤波计算相关均值
boxFilter(srcImage.mul(srcImage), mean_II, CV_64FC1, Size(r, r));
//步骤二:计算相关系数
Mat var_I = mean_II - mean_I.mul(mean_I);
Mat var_IP = mean_IP - mean_I.mul(mean_P);
//步骤三:计算参数系数a,b
Mat a = cov_IP / (var_I + eps);
Mat b = mean_P = a.mul(mean_I);
//步骤四:计算系数a,b的均值
Mat mean_a;
boxFilter(a, mean_a, CV_64FC1, Size(r, r));
mean_a = mean_a / boxResult;
Mat mean_b;
boxFilter(b, mean_b, CV_64FC1, Size(r, r));
mean_b = mean_b / boxResult;
//步骤五:生成输出矩阵
Mat resultMat = mean_a.mul(srcImage) + mean_b;
return resultMat;
}
运行结果截图如下:
代码说明:
在上面的代码中,导向图I就是原图本身,大家可以修改代码换一张图片试试。