總結(jié)學(xué)習(xí)下圖像處理方面基礎(chǔ)知識。

這是第一篇，簡單的介紹下使用OpenCV的三個基本功能：

• 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，使用中值濾波和均值濾波來處理帶有噪聲的圖像。

OpenCV基礎(chǔ)

在OpenCV中，完成圖像的輸入輸出以及顯示，只需要以下幾個函數(shù)：

namedWindow
創(chuàng)建一個可以通過其名字引用的窗口。第一個參數(shù)，設(shè)置窗口的name，可以通過name引用該窗口；第二個參數(shù)，設(shè)置窗口的大小。有以下幾個選擇：

• WINDOW_NORMAL or WINDOW_AUTOSIZE 調(diào)整窗口的大小以適應(yīng)圖像，不同的是，使用WINDOW_NORMAL可以手動調(diào)整窗口的大??；WINDOW_AUTOSIZE不能調(diào)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(fā)現(xiàn)這倆有什么區(qū)別。

imshow顯示圖像

imread 讀取圖像數(shù)據(jù)到Mat中,第一個參數(shù)是圖像的文件名；第二個參數(shù)是標(biāo)志，標(biāo)識怎么處理圖像的色彩。常用的幾個選項：

• IMREAD_UNCHANGED 和原圖像保持一直不變
• IMREAD_GRAYSCALE 將圖像轉(zhuǎn)換為單通道的灰度圖
• IMREAD_COLOR 將圖像轉(zhuǎn)換為3通道的BGR，默認(rèn)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(shù)據(jù)結(jié)構(gòu)，在做圖像處理時基本都是對該結(jié)構(gòu)體的操作。Mat由兩部分構(gòu)成：矩陣頭和矩陣數(shù)據(jù)，矩陣頭較小，創(chuàng)建的每個Mat實(shí)例都擁有一個矩陣頭，而矩陣數(shù)據(jù)通常占有較大的空間，OpenCV中通過引用計數(shù)來管理這部分內(nèi)存空間，當(dāng)調(diào)用賦值運(yùn)算符和拷貝構(gòu)造函數(shù)時，并不會只復(fù)制矩陣頭，并不會復(fù)制矩陣數(shù)據(jù)，只是將其的引用計數(shù)加1.例如：

Mat m = imread("img.jpg");
Mat a = m; // 賦值運(yùn)算符
Mat b(m); // 拷貝構(gòu)造函數(shù)

上面代碼中的a,b和m各自擁有自己的矩陣頭，其引用的數(shù)據(jù)卻指向同一份。也就是說，修改了其中任意一個，都會影響到其余的兩個。

要想復(fù)制矩陣數(shù)據(jù)，可以調(diào)用clone和copyTo這兩個函數(shù)

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(shù)據(jù)：

• 通過指針
• 使用迭代器
• 調(diào)用at

圖像噪聲

圖像噪聲是圖像在獲取或傳輸?shù)倪^程中受到隨機(jī)信號的干擾，在圖像上出現(xiàn)的一些隨機(jī)的、離散的、孤立的像素點(diǎn)，這些點(diǎn)會干擾人眼對圖像信息的分析。圖像的噪聲通常是比較復(fù)雜的，很多時候?qū)⑵淇闯墒嵌嗑S隨機(jī)過程，因而可以借助于隨即過程描述噪聲，即使用概率分布函數(shù)和概率密度函數(shù)。

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

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

噪聲和圖像信號的關(guān)系，可以分為：

• 加性噪聲，加性噪聲和圖像信號強(qiáng)度不相關(guān)，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(guān)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(rèn)為是加性噪聲，而且總是假定信號和噪聲是互相獨(dú)立的。

最重要的來了，按照概率密度函數(shù)（PDF）分類：

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

給圖像添加噪聲

按照指定的噪聲類型，生成一個隨機(jī)數(shù)，然后將這個隨機(jī)數(shù)加到源像素值上，并將得到的值所放到[0,255]區(qū)間即可。

C++11 隨機(jī)數(shù)發(fā)生器

新的隨機(jī)數(shù)生成器被抽象成了兩個部分：隨機(jī)數(shù)生成引擎和要生成的隨機(jī)數(shù)符合的分布。
隨機(jī)數(shù)引擎有三種：

• linear_congruential_engine 線性同余算法
• mersenne_twister_engine 梅森旋轉(zhuǎn)算法
• subtract_with_carry_engine 帶進(jìn)位的線性同余算法

第一種最常用，而且速度比較快；第二種號稱最好的偽隨機(jī)數(shù)生成器

#include 

std::random_device rd; // 隨機(jī)數(shù)種子
std::mt19937 mt(rd()); // 隨機(jī)數(shù)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隨機(jī)數(shù)

添加圖像噪聲

使用C++的隨機(jī)數(shù)發(fā)生器為圖像添加兩種噪聲：椒鹽噪聲和高斯噪聲。
椒鹽噪聲是圖像中離散分布的白點(diǎn)或者黑點(diǎn)，其代碼如下：

// 添加椒鹽噪聲
void addSaltNoise(Mat &m, int num)
{
	// 隨機(jī)數(shù)產(chǎn)生器
	std::random_device rd; //種子
	std::mt19937 gen(rd()); // 隨機(jī)數(shù)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()獲取圖像某一行的行首指針，得到行首指針后就可以任意的訪問改行的像素值。

高斯噪聲是一種加性噪聲，為圖像添加高斯噪聲的代碼如下：

// 添加Gussia噪聲
// 使用指針訪問
void addGaussianNoise(Mat &m, int mu, int sigma)
{
	// 產(chǎn)生高斯分布隨機(jī)數(shù)發(fā)生器
	std::random_device rd;
	std::mt19937 gen(rd());

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

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

	for (int i = 0; i < rows; i++)
	{
		auto p = m.ptr(i); // 取得行首指針
		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;
		}
	}
}

隨機(jī)產(chǎn)生符合高斯分布的隨機(jī)數(shù)，然后將該值和圖像原有的像素值相加，并將得到的和壓縮到[0,255]區(qū)間內(nèi)。

左邊是原圖，中間的是添加高斯噪聲后的圖像，最右邊的是添加椒鹽噪聲后的圖像。

使用濾波器去除噪聲

根據(jù)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(yīng)于均值濾波器的函數(shù)是blur，該函數(shù)需要5個參數(shù)，通常只設(shè)置前3個后兩個使用默認(rèn)值即可。
blur(m, m2, Size(5, 5));第一個參數(shù)是輸入的圖像，第二個參數(shù)是輸出的圖像，第三個參數(shù)是濾波器的大小，這里使用的是5×5$5\times 5$的矩形。

對應(yīng)于中值濾波器的函數(shù)是medianBlur(m1, m3, 5);前兩個參數(shù)是輸入輸出的圖像，第三個參數(shù)是濾波器的大小，由于是選取的是中值，濾波器的大小通常是一個奇數(shù)。

下圖是對有噪聲圖像使用濾波器后的結(jié)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(jié)果；右邊的是使用中值濾波器過濾椒鹽噪聲后的結(jié)果?？梢悦黠@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(jié)

本文算是第一篇文章，簡單的介紹下OpenCV的基本使用；接著訪問圖像中的像素，并借助于C++11的隨機(jī)數(shù)庫，為圖像添加高斯噪聲和椒鹽噪聲；最后使用中值濾波器和均值濾波器除去圖像，并對結(jié)果進(jìn)行了對比。

以后堅持每日對圖像處理的一些知識進(jìn)行整理。

文章轉(zhuǎn)自Brook_icv   https://www.cnblogs.com/wangguchangqing/p/6372025.html