總結學習下圖像處理方面基礎知識(shi)。

這是(shi)第(di)一篇，簡單(dan)的(de)介紹下使用OpenCV的(de)三個基本功能：

• 圖像的讀取
• 圖像的顯示
• 訪問圖像的像素值

然后概述下圖像噪聲的類型，并為圖像添加兩種常見的噪聲：高斯噪聲和椒鹽噪聲。
最后，使(shi)用中值(zhi)濾波(bo)(bo)和(he)均值(zhi)濾波(bo)(bo)來(lai)處理(li)帶有噪(zao)聲的圖像。

OpenCV基礎

在(zai)OpenCV中，完成圖像的輸(shu)入輸(shu)出(chu)以(yi)及顯示(shi)，只需要以(yi)下(xia)幾個函數：

namedWindow
創建一(yi)個(ge)可以(yi)(yi)通過其名字引(yin)用(yong)的窗(chuang)口(kou)(kou)。第(di)一(yi)個(ge)參(can)數，設(she)置窗(chuang)口(kou)(kou)的name，可以(yi)(yi)通過name引(yin)用(yong)該窗(chuang)口(kou)(kou)；第(di)二個(ge)參(can)數，設(she)置窗(chuang)口(kou)(kou)的大小。有以(yi)(yi)下幾(ji)個(ge)選(xuan)擇：

• WINDOW_NORMAL or WINDOW_AUTOSIZE 調整窗口的大小以適應圖像，不同的是，使用WINDOW_NORMAL可以手動調整窗口的大小；WINDOW_AUTOSIZE不能調整窗口的大小。
• WINDOW_FREERATIO or WINDOW_KEEPRATIO 改變窗口時是否會保持圖像的ratio不變，沒發現這倆有什么區別。

imshow顯示圖像

imread 讀取圖像數據到Mat中,第(di)(di)一個參數(shu)(shu)是圖像(xiang)的(de)文件名；第(di)(di)二(er)個參數(shu)(shu)是標(biao)志，標(biao)識(shi)怎么處(chu)理(li)圖像(xiang)的(de)色(se)彩(cai)。常用的(de)幾個選項：

• IMREAD_UNCHANGED 和原圖像保持一直不變
• IMREAD_GRAYSCALE 將圖像轉換為單通道的灰度圖
• IMREAD_COLOR 將圖像轉換為3通道的BGR，默認選項
• IMREAD_REDUCED_GRAYSCALE_2 IMREAD_REDUCED_GRAYSCALE_4 IMREAD_REDUCED_GRAYSCALE_8 單通道灰度圖讀入圖像，并減小圖像的大小。減小的值為1/2,1/4,1/8
• IMREAD_REDUCED_COLOR_2 IMREAD_REDUCED_COLOR_4 IMREAD_REDUCED_COLOR_2 3通道BGR讀入圖像，并減小圖像的大小。減小的值為1/2,1/4,1/8

Mat是OpenCV中最重要的數據結構，在做圖像處理時基本都是對該結構體的操作。Mat由兩部分構成：矩(ju)陣(zhen)頭(tou)和矩陣數據，矩陣頭較小，創建的每個Mat實例都擁有一個矩陣頭，而矩陣數據通常占有較大的空間，OpenCV中通過引(yin)用計數來管理這部分內存空(kong)間，當(dang)調(diao)用賦值運算符(fu)和拷貝(bei)構造函數時，并不會只復制(zhi)矩陣頭，并不會復制(zhi)矩陣數據，只是將其的引用計數加1.例如：

Mat m = imread("img.jpg");
Mat a = m; // 賦值運(yun)算符
Mat b(m); // 拷貝(bei)構造函(han)數

上面代碼中的a,b和m各自擁有自己(ji)的(de)矩陣頭，其(qi)(qi)引用(yong)的(de)數據卻(que)指向同一(yi)份(fen)。也就(jiu)是說，修改(gai)了其(qi)(qi)中任意一(yi)個，都會影響到其(qi)(qi)余的(de)兩個。

要想復制矩陣數據，可以調用clone和copyTo這兩個函數

Mat m = imread("img.jpg");
Mat f = m.clone();
Mat g ;
m.copyTo(g);

將圖像讀入到Mat后，有三種方式訪問Mat中的數據：

• 通過指針
• 使用迭代器
• 調用at

圖像噪聲

圖(tu)像(xiang)噪聲是圖(tu)像(xiang)在(zai)獲取或(huo)傳(chuan)輸的(de)(de)(de)過(guo)程中受到隨(sui)機信號的(de)(de)(de)干擾，在(zai)圖(tu)像(xiang)上(shang)出現的(de)(de)(de)一(yi)些隨(sui)機的(de)(de)(de)、離散的(de)(de)(de)、孤(gu)立的(de)(de)(de)像(xiang)素點(dian)，這些點(dian)會干擾人(ren)眼對圖(tu)像(xiang)信息(xi)的(de)(de)(de)分析。圖(tu)像(xiang)的(de)(de)(de)噪聲通常是比較復雜的(de)(de)(de)，很多(duo)時(shi)候將(jiang)其看成是多(duo)維(wei)隨(sui)機過(guo)程，因(yin)而可(ke)以借助于隨(sui)即(ji)過(guo)程描(miao)述噪聲，即(ji)使用概(gai)率(lv)分布(bu)函數和概(gai)率(lv)密(mi)度函數。

圖像的噪聲很多，性質也千差萬別， 可以通過不同的方法給噪聲分類。
按照產生的原因：

• 外部噪聲
• 內部噪聲
  這種分類方法，有助于理解噪聲產生的源頭，但對于降噪算法只能起到原理上的幫組。

噪聲和圖像(xiang)信號(hao)的關系，可(ke)以分為(wei)：

• 加性噪聲，加性噪聲和圖像信號強度不相關，這類噪聲可以看著理想無噪聲圖像f和噪聲的和。
• 乘性噪聲，乘性噪聲和圖像信號是相關的，往往隨圖像信號的變化而變化。
  而為了分析處理的方便，常常將乘性噪聲近似認為是加性噪聲，而且總是假定信號和噪聲是互相獨立的。

最重要的來(lai)了，按照概率密度函數（PDF）分類：

• 高斯噪聲，高斯噪聲模型經常被用于實踐中。
• 脈沖噪聲（椒鹽噪聲），圖像上一個個點，也可稱為散粒和尖峰噪聲。
• 伽馬噪聲
• 瑞利噪聲
• 指數分布噪聲
• 均勻分布噪聲
  這種分類方法，引入了數學模型，對設計過濾算法比較有幫助。

給圖像添加噪聲

按(an)照指(zhi)定的噪聲類型，生(sheng)成一個隨(sui)機數，然后將這(zhe)個隨(sui)機數加(jia)到(dao)(dao)源像素值上，并將得(de)到(dao)(dao)的值所放(fang)到(dao)(dao)[0,255]區(qu)間即(ji)可(ke)。

C++11 隨機數發生器

新的隨機數生成器被抽象成了兩個部分：隨機數生成引擎和要生成的隨機數符合的分布。
隨機數引擎有三種：

• linear_congruential_engine 線性同余算法
• mersenne_twister_engine 梅森旋轉算法
• subtract_with_carry_engine 帶進位的線性同余算法

第一種(zhong)最常用，而且速度比(bi)較快(kuai)；第二種(zhong)號稱最好的偽隨機數生成(cheng)器(qi)

#include 

std::random_device rd; // 隨機(ji)數種(zhong)子
std::mt19937 mt(rd()); // 隨機(ji)數(shu)引擎
std::normal_distribution<> d(5,20); // 高斯分布

std::map<int,int> hist;
for(int n = 0; n < 10000; n ++)
    ++hist[std::round(d(mt))]; // 生成符合高斯分布的(de)隨機數(shu)

添加圖像噪聲

使用C++的隨機數發生器為圖像添加兩種噪聲：椒鹽噪聲和高斯噪聲。
椒鹽噪聲是(shi)圖(tu)像(xiang)中(zhong)離散(san)分(fen)布的白點或者黑(hei)點，其(qi)代碼如下：

// 添(tian)加椒鹽噪聲(sheng)
void addSaltNoise(Mat &m, int num)
{
	// 隨機數產生器
	std::random_device rd; //種(zhong)子
	std::mt19937 gen(rd()); // 隨機數引擎

	auto cols = m.cols * m.channels();

	for (int i = 0; i < num; i++)
	{
		auto row = static_cast<int>(gen() % m.rows);
		auto col = static_cast<int>(gen() % cols);

		auto p = m.ptr(row);
		p[col++] = 255;
		p[col++] = 255;
		p[col] = 255;
	}
}

上述代碼中使用ptr()獲取圖像(xiang)某一(yi)行的行首(shou)指針，得到行首(shou)指針后就可以任意的訪問改行的像(xiang)素值。

高斯噪聲是一種(zhong)加性噪聲，為圖像添加高斯噪聲的(de)代(dai)碼如(ru)下(xia)：

// 添加Gussia噪聲
// 使用指針訪問
void addGaussianNoise(Mat &m, int mu, int sigma)
{
	// 產生高斯(si)分布隨機數發(fa)生器
	std::random_device rd;
	std::mt19937 gen(rd());

	std::normal_distribution<> d(mu, sigma);

	auto rows = m.rows; // 行數
	auto cols = m.cols * m.channels(); // 列數

	for (int i = 0; i < rows; i++)
	{
		auto p = m.ptr(i); // 取(qu)得(de)行首指(zhi)針
		for (int j = 0; j < cols; j++)
		{
			auto tmp = p[j] + d(gen);
			tmp = tmp > 255 ? 255 : tmp;
			tmp = tmp < 0 ? 0 : tmp;
			p[j] = tmp;
		}
	}
}

隨(sui)機產生符合高斯分布的(de)隨(sui)機數，然后將(jiang)該值和(he)圖像原有的(de)像素值相加，并將(jiang)得到(dao)的(de)和(he)壓縮到(dao)[0,255]區(qu)間內。

左邊是原圖，中間(jian)的(de)是添加高斯噪聲(sheng)后的(de)圖像，最(zui)右邊的(de)是添加椒鹽(yan)噪聲(sheng)后的(de)圖像。

使用濾波器去除噪聲

根據噪聲類型的不同，選擇不同的濾波器過濾掉噪聲。通常，對于椒鹽噪聲，選擇中值濾波器（Median Filter），在去掉噪聲的同時，不會模糊圖像；對于高斯噪聲，選擇均值濾波器（Mean Filter），能夠去掉噪聲，但會對圖像造成一定的模糊。
在OpenCV中，對應于均值濾波器的函數是blur，該函數需要5個參數，通常只設置前3個后兩個使用默認值即可。
blur(m, m2, Size(5, 5));第一個參數是輸入的圖像，第二個參數是輸出的圖像，第三個參數是濾波器的大小，這里使用的是5×55×5的矩形。

對應于中值濾波器的函數是medianBlur(m1, m3, 5);前(qian)兩個(ge)參數是(shi)輸入輸出(chu)的(de)圖像，第三個(ge)參數是(shi)濾(lv)波器(qi)的(de)大(da)小，由于是(shi)選(xuan)取的(de)是(shi)中(zhong)值，濾(lv)波器(qi)的(de)大(da)小通(tong)常是(shi)一個(ge)奇數。

下圖是對有噪聲圖像使用濾波器后的結果，中間的是原始圖像，左邊的是使用均值濾波器過濾高斯噪聲后的結果；右邊的是使用中值濾波器過濾椒鹽噪聲后的結果。可以明顯的看出，這兩種濾波器都能夠很好的去掉圖像的噪聲，但會對圖像造成一定的模糊，尤其是均值濾波器造成的模糊比較明顯。

總結

本文算是第一篇文章，簡單的介紹下OpenCV的基本使(shi)用；接著訪問圖(tu)像(xiang)(xiang)中(zhong)的像(xiang)(xiang)素，并借助于C++11的隨機數庫，為(wei)圖(tu)像(xiang)(xiang)添加高(gao)斯噪聲和椒鹽噪聲；最(zui)后使(shi)用中(zhong)值濾波器(qi)和均值濾波器(qi)除去(qu)圖(tu)像(xiang)(xiang)，并對結(jie)果進(jin)行了對比。

以后堅持每日對(dui)圖像處理的一些知識進(jin)行(xing)整(zheng)理。

文章轉自Brook_icv   //www.cnblogs.com/wangguchangqing/p/6372025.html