OpenCV 高斯模糊-白红宇的个人博客

OpenCV 高斯模糊

发布日期：2021-11-07 18:53:33 浏览次数：2 分类：技术文章

本文共 8765 字，大约阅读时间需要 29 分钟。

高斯滤波器能够有效的抑制噪声，平滑图像。高斯滤波器相比于均值滤波器对图像个模糊程度较小。

高斯公式

matlab代码

clear;a=0;sigma=0.8; x=-10:0.0001:10;figure(1)y=(1/((sqrt(2*pi))*sigma))*exp(-((x-a).^2)/(2*sigma.^2));plot(x,y,'b','LineWidth',1.5);hold on;sigma=1.1y=(1/((sqrt(2*pi))*sigma))*exp(-((x-a).^2)/(2*sigma.^2));plot(x,y,'r','LineWidth',1.5);legend('sigma = 0.8','sigma = 1.1')

从函数的结果来看，sigma值越大，曲线越“胖”；sigma值越小，曲线越“瘦”；对图像过滤来说，sigma值越大，滤波器中心点的权重也就越大，图像也就没有那么模糊。看一下代码原型和实例

OpenCV高斯函数原型即部分源码解析

函数原型为

//_src _IN_ 输入的源影像//_dst _OUT_ 输出的目标影像//kSize 核大小 如果大小为负数的话，那么根据输入的sigma进行计算//ksize 大小可以为1，3，5，7，最大值为7//计算的公式为 sigma = 0.3\*((ksize - 1)\*0.5 - 1) + 0.8//sigmal1 X方向上的sigma值//sigmal2 Y方向上的sigma值//如果sigmal值为负数的话，那么使用默认的滤波过滤器void cv::GaussianBlur( InputArray _src, OutputArray _dst, Size ksize,                   double sigma1, double sigma2,                   int borderType )

部分函数解析

void cv::GaussianBlur( InputArray _src, OutputArray _dst, Size ksize,                   double sigma1, double sigma2,                   int borderType ){    int type = _src.type();//获取通道类型 CV_8UC3 CV_8UC1...    Size size = _src.size();//获取影像的大小 宽度和高度    _dst.create( size, type );//创建目标影像，和源影像的大小和类型是相同的	//borderType 边界类型参照的博客	//https://blog.csdn.net/zhanggusheng/article/details/70197051    if( borderType != BORDER_CONSTANT && (borderType & BORDER_ISOLATED) != 0 )    {        if( size.height == 1 )            ksize.height = 1;        if( size.width == 1 )            ksize.width = 1;    }	//如果内核的宽度和高度都是1的话，那么源影像和目标影像是相同的    if( ksize.width == 1 && ksize.height == 1 )    {        _src.copyTo(_dst);        return;    }#ifdef HAVE_TEGRA_OPTIMIZATION    Mat src = _src.getMat();    Mat dst = _dst.getMat();    if(sigma1 == 0 && sigma2 == 0 && tegra::useTegra() && tegra::gaussian(src, dst, ksize, borderType))        return;#endif#if IPP_VERSION_X100 >= 801 && 0 // these functions are slower in IPP 8.1    CV_IPP_CHECK()    {        int depth = CV_MAT_DEPTH(type), cn = CV_MAT_CN(type);        if ((depth == CV_8U || depth == CV_16U || depth == CV_16S || depth == CV_32F) && (cn == 1 || cn == 3) &&                sigma1 == sigma2 && ksize.width == ksize.height && sigma1 != 0.0 )        {            IppiBorderType ippBorder = ippiGetBorderType(borderType);            if (ippBorderConst == ippBorder || ippBorderRepl == ippBorder)            {                Mat src = _src.getMat(), dst = _dst.getMat();                IppiSize roiSize = { src.cols, src.rows };                IppDataType dataType = ippiGetDataType(depth);                Ipp32s specSize = 0, bufferSize = 0;                if (ippiFilterGaussianGetBufferSize(roiSize, (Ipp32u)ksize.width, dataType, cn, &specSize, &bufferSize) >= 0)                {                    IppFilterGaussianSpec * pSpec = (IppFilterGaussianSpec *)ippMalloc(specSize);                    Ipp8u * pBuffer = (Ipp8u*)ippMalloc(bufferSize);                    if (ippiFilterGaussianInit(roiSize, (Ipp32u)ksize.width, (Ipp32f)sigma1, ippBorder, dataType, 1, pSpec, pBuffer) >= 0)                    {#define IPP_FILTER_GAUSS(ippfavor, ippcn) \        do \        { \            typedef Ipp##ippfavor ippType; \            ippType borderValues[] = { 0, 0, 0 }; \            IppStatus status = ippcn == 1 ? \                ippiFilterGaussianBorder_##ippfavor##_C1R(src.ptr
   
    (), (int)src.step, \                    dst.ptr
    
     (), (int)dst.step, roiSize, borderValues[0], pSpec, pBuffer) : \                ippiFilterGaussianBorder_##ippfavor##_C3R(src.ptr
     
      (), (int)src.step, \                    dst.ptr
      
       (), (int)dst.step, roiSize, borderValues, pSpec, pBuffer); \            ippFree(pBuffer); \            ippFree(pSpec); \            if (status >= 0) \            { \                CV_IMPL_ADD(CV_IMPL_IPP); \                return; \            } \        } while ((void)0, 0)                        if (type == CV_8UC1)                            IPP_FILTER_GAUSS(8u, 1);                        else if (type == CV_8UC3)                            IPP_FILTER_GAUSS(8u, 3);                        else if (type == CV_16UC1)                            IPP_FILTER_GAUSS(16u, 1);                        else if (type == CV_16UC3)                            IPP_FILTER_GAUSS(16u, 3);                        else if (type == CV_16SC1)                            IPP_FILTER_GAUSS(16s, 1);                        else if (type == CV_16SC3)                            IPP_FILTER_GAUSS(16s, 3);                        else if (type == CV_32FC1)                            IPP_FILTER_GAUSS(32f, 1);                        else if (type == CV_32FC3)                            IPP_FILTER_GAUSS(32f, 3);#undef IPP_FILTER_GAUSS                    }                }                setIppErrorStatus();            }        }    }#endif	//创建高斯内核函数    Mat kx, ky;	//创建高斯内核函数    createGaussianKernels(kx, ky, type, ksize, sigma1, sigma2);	//_src是源影像	//_dst是目标影像	//CV_MAT_DEPTH(type) 是CV_8U或者CV_16U	//kx是滤波内核	//ky是滤波内核	//    sepFilter2D(_src, _dst, CV_MAT_DEPTH(type), kx, ky, Point(-1,-1), 0, borderType );}

static void createGaussianKernels( Mat & kx, Mat & ky, int type, Size ksize,                                   double sigma1, double sigma2 ){    int depth = CV_MAT_DEPTH(type);//获取影像的深度 CV_8U、CV_16U...    if( sigma2 <= 0 )        sigma2 = sigma1;//如果sigma2小于0的话，那么sigma2和sigma相同    // automatic detection of kernel size from sigma	//自动决定sigma的大小    if( ksize.width <= 0 && sigma1 > 0 )//如果内核的宽度小于0并且sigma1大于的0的话		//如果数据类型为CV_8U的话 那么宽度大小为		//(sigmal*3*2+1)|1 		//'|'的操作原因是内核的宽度必须是奇数        ksize.width = cvRound(sigma1*(depth == CV_8U ? 3 : 4)*2 + 1)|1;    if( ksize.height <= 0 && sigma2 > 0 )//和内核的宽度获取是相同的        ksize.height = cvRound(sigma2*(depth == CV_8U ? 3 : 4)*2 + 1)|1;	//内核的宽度必须大于0，并且是奇数的。	//内核的高度也是相同的    CV_Assert( ksize.width > 0 && ksize.width % 2 == 1 &&        ksize.height > 0 && ksize.height % 2 == 1 );	//sigma值是大于等于0的    sigma1 = std::max( sigma1, 0. );    sigma2 = std::max( sigma2, 0. );	//获取x方向的高斯内核    kx = getGaussianKernel( ksize.width, sigma1, std::max(depth, CV_32F) );	//如果内核的宽度和高度相同，并且sigma1和sigma2几乎相同的话，那么就是使用x方向的内核    if( ksize.height == ksize.width && std::abs(sigma1 - sigma2) < DBL_EPSILON )        ky = kx;    else        ky = getGaussianKernel( ksize.height, sigma2, std::max(depth, CV_32F) );}

cv::Mat cv::getGaussianKernel( int n, double sigma, int ktype ){    const int SMALL_GAUSSIAN_SIZE = 7;    static const float small_gaussian_tab[][SMALL_GAUSSIAN_SIZE] =    {        {1.f},//内核大小为1        {0.25f, 0.5f, 0.25f},//内核大小为3        {0.0625f, 0.25f, 0.375f, 0.25f, 0.0625f},//内核大小为5        {0.03125f, 0.109375f, 0.21875f, 0.28125f, 0.21875f, 0.109375f, 0.03125f}//内核大小为7    };	//如果sigma小于0的话，那么内核数组规则为	//1、奇数	//2、小于等于7	//3、sigma 小于等于0	//n>>1 就是n/2    const float* fixed_kernel = n % 2 == 1 && n <= SMALL_GAUSSIAN_SIZE && sigma <= 0 ?        small_gaussian_tab[n>>1] : 0;	//断言，数据类型必须为CV_32F 或者CV_64F,也就是float或者double类型    CV_Assert( ktype == CV_32F || ktype == CV_64F );	//内核矩阵为n行1列    Mat kernel(n, 1, ktype);	//获取内核数据的指针，分别指向float或者double类型    float* cf = kernel.ptr
   
    ();    double* cd = kernel.ptr
    
     ();	//如果sigma是大于0的话，就是sigma的大小	//如果sigma小于等于0的话，就是默认的大小    double sigmaX = sigma > 0 ? sigma : ((n-1)*0.5 - 1)*0.3 + 0.8;	//-sigma *sigmma/2    double scale2X = -0.5/(sigmaX*sigmaX);	//求和，是为了进行归一化处理    double sum = 0;    int i;    for( i = 0; i < n; i++ )    {        double x = i - (n-1)*0.5;//例子如果n为3的话，那么x的值分别为-1、0、1。如果是5的话，那么x的值为-2，-1，0，1，2        double t = fixed_kernel ? (double)fixed_kernel[i] : std::exp(scale2X*x*x);        if( ktype == CV_32F )        {            cf[i] = (float)t;            sum += cf[i];        }        else        {            cd[i] = t;            sum += cd[i];        }    }    sum = 1./sum;    for( i = 0; i < n; i++ )    {        if( ktype == CV_32F )            cf[i] = (float)(cf[i]*sum);        else            cd[i] *= sum;    }    return kernel;}

//包含OpenCV的头文件//参照github https://github.com/yoyoyo-yo/Gasyori100knock #include 
   
    #include 
    
     using namespace  std;//使用OpenCV的命名空间using namespace cv;////频道改变int main(){	//读取源影像	Mat Src = imread("C:/Users/GuSheng/Desktop/标准测试图片/Fig0638(a)(lenna_RGB).tif", IMREAD_COLOR);	if (Src.empty())	{		return 0;	}	//创建目标影像,影像格式、大小和源影像相同	//sigma = 0.8	Mat Dst1 = Mat(Src.size(), Src.type());	//sigma = 1.5	Mat Dst2 = Mat(Src.size(), Src.type());	//创建目标影像失败	if (Dst1.empty() || Dst2.empty())	{		return 0;	}	GaussianBlur(Src, Dst1, cv::Size(5, 5), 0.8,0.8);	GaussianBlur(Src, Dst2, cv::Size(5, 5), 1.5, 1.5);	namedWindow("Src", WINDOW_AUTOSIZE);	namedWindow("Dst sigma = 0.8", WINDOW_AUTOSIZE);	namedWindow("Dst sigma = 1.5", WINDOW_AUTOSIZE);	imshow("Src", Src);	imshow("Dst sigma = 0.8", Dst1);	imshow("Dst sigma = 1.5", Dst2);	waitKey(0);	return 0;}