Android开发程序员Android技术知识

计算机视觉 OpenCV Android | 图像操作之 统计

2019-02-01  本文已影响16人  凌川江雪

1.统计排序滤波

上节笔记中提到的均值模糊、高斯模糊两种图像模糊操作都属于图像的线性滤波，
本文则首先将笔记OpenCV中存在的几种基于统计排序的滤波器，

  • 即中值滤波、
    最大值与最小值滤波，

  • 这几种滤波器在特定场合与应用场景下，也经常用来（划重点，对应滤波的作用！！！）
    消除图像噪声
    （中值滤波可以抑制椒盐噪声；
    最大值滤波可以填充小的闭合区域以及狭窄的间断；
    最小值滤波可以去除小的图像噪声或者图像元素对象的大小丝黏连）；
    或者抑制图像像素极小值与极大值（最大值与最小值滤波）。

1.1.中值滤波
  • 具体说明如图所示：
  • 线性滤波是一个自带有/设置有系数的“实”模板；
  • 中值滤波是有一个只有滤波特性，没有设置系数的“空”模板；
  • 运算逻辑顺序概况：
    “空”模板移动，套/捞与模板重合的N×N个像素值上来，
    对套上来的值排序，取中值；
    置回模板核中心格子下重合的像素块；

中值滤波的相关API函数处于Imgproc包中，完整的说明如下：

调用此函数实现中值滤波的相关代码如下：

Mat src = Imgcodecs.imread(fileUri.getPath());
if(src.empty()){
　　return;
}
Mat dst = new Mat();
Imgproc.medianBlur(src, dst, 5);

划重点！！！

！！！
1.2.最大值与最小值滤波
  • 具体说明如图所示（与上面中值滤波的解释类似）：

对于这两个函数的说明具体如下：

其中结构元素/卷积核的获取代码如下：

Mat kernel = Imgproc.getStructuringElement(Imgproc.MORPH_RECT, new Size(3, 3));

上述代码将会生成一个3×3大小的矩形结构元素。
使用该结构元素实现最大值或者最小值滤波的代码如下：

Mat src = Imgcodecs.imread(fileUri.getPath());
if(src.empty()){
return;
}
Mat dst = new Mat();
Mat kernel = Imgproc.getStructuringElement(
　　　　　　　　　　　　　Imgproc.MORPH_RECT, new Size(3, 3));
// Imgproc.dilate(src, dst, kernel);
Imgproc.erode(src, dst, kernel);


2. 边缘保留滤波

OpenCV中已经实现的边缘保留滤波有高斯双边滤波、金字塔均值迁移滤波，
它们无一例外都拥有类似于人脸美化或者图像美化的效果，是很好的图像边缘保留滤波（EPF）方法。

下面笔记这两种滤波方法的基本原理以及与它们对应的函数。

2.1. 高斯双边滤波

在开始读书笔记之前，这里先做一个总结，
概况一下高斯滤波以及高斯双边滤波，分析其区别：
（高斯滤波部分内容与上一篇笔记重复）

  • 正态分布与高斯分布？
    正态分布（Normal distribution），也称“常态分布”，又名高斯分布（Gaussian distribution），最早由A.棣莫弗在求二项分布的渐近公式中得到。C.F.高斯在研究测量误差时从另一个角度导出了它。P.S.拉普拉斯和高斯研究了它的性质。是一个在数学、物理及工程等领域都非常重要的概率分布，在统计学的许多方面有着重大的影响力。

  • 关于高斯分布的知乎参考

  • 高斯滤波（高斯模糊）
    高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。

    通俗的讲，
    高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。

    高斯滤波的具体操作是:用一个模板(或称卷积、掩模)扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。

    　- 好处
    高斯平滑滤波器对于抑制服从正态分布（高斯分布）的噪声非常有效。
    　- 缺憾
    对于高频细节的保护效果并不明显，没有做边缘保护。

  • 高斯双边滤波（百度百科解释）
    双边滤波(Bilateral filter)是一种非线性的滤波方法，
    是结合图像的空间邻近度和像素值相似度的一种折衷处理，
    同时考虑空域信息和灰度相似性，
    达到保边去噪的目的。
    具有简单、非迭代、局部的特点。

    　- 好处
    可以做边缘保存(edge preserving)，
    一般过去用的维纳滤波或者高斯滤波去降噪，都会较明显地模糊边缘，对于高频细节的保护效果并不明显。
    双边滤波器顾名思义比高斯滤波多了一个高斯方差sigma-d，
    它是基于空间分布的高斯滤波函数，
    所以在边缘附近，离的较远的像素不会太多影响到边缘上的像素值，这样就保证了边缘附近像素值的保存。
    　- 缺憾
    由于保存了过多的高频信息，
    对于彩色图像里的高频噪声，
    双边滤波器不能够干净的滤掉，只能够对于低频信息进行较好的滤波。

（下面切回读书笔记）

下图形象地解释了高斯双边滤波的原理：

高斯双边滤波的函数为：

Mat src = Imgcodecs.imread(fileUri.getPath());
if(src.empty()){
return;
}
Mat dst = new Mat();
Imgproc.bilateralFilter(src, dst, 0, 150, 15);
2.2 均值迁移滤波
一个更直观的图示如下所示：

上图中的虚线圆是前一个迭代的窗口位置与中心，
实线圆是当前的窗口与中心，
可以看出随着迭代计算中心的不断迁移，重心位置越来越趋近高密度区域，
直到稳定为止。

OpenCV中均值迁移滤波函数处于Imgproc模块中，
其还可以被用作图像自动分割方法之一，

解释具体如下：
pyrMeanShiftFiltering(Mat src, Mat dst, double sp, double sr, int maxLevel, TermCriteria termcrit)
src：输入图像。
dst：输出图像。
sp：图像色彩空间，也是窗口大小。
sr：图像色彩像素值范围，也是像素差值范围。
maxLevel：表示金字塔的层数，当maxLevel大于0的时候，金字塔层数为Level+1。
termcrit：表示循环或者迭代停止条件。

通常最后两个参数使用默认值即可，无须再次显式声明。

使用该函数的代码：

Imgproc.pyrMeanShiftFiltering(src, dst, 10, 50);
  • 补充：关于maxLevel的金字塔的层数的意义以及termcrit的解释等，
    可以 点击这里 去官网终究查个明白；
  • 下面是官网上对应的截图（先后是原版英文版以及谷歌翻译中文版）：
参考资料
上一篇下一篇

猜你喜欢

热点阅读