opencv算法

OpenCV滤波算法详解

1. 线性滤波算法

1.1 均值滤波 (Blur/Average Filter)

cv::blur(image, result, cv::Size(3, 3));

参数说明:

image: 输入图像 (InputArray)
result: 输出图像 (OutputArray)
cv::Size(3, 3): 滤波核大小 (Size)，必须是奇数

作用: 用邻域像素的平均值替换中心像素

特点:

简单快速
能有效去除高斯噪声
会模糊边缘
所有权重相等

卷积核:

1/9 * [1 1 1]
      [1 1 1]
      [1 1 1]

1.2 高斯滤波 (Gaussian Filter)

cv::GaussianBlur(image, result, cv::Size(5, 5), 1.5);

参数说明:

image: 输入图像 (InputArray)
result: 输出图像 (OutputArray)
cv::Size(5, 5): 滤波核大小 (Size)，宽度和高度必须是奇数
1.5: 高斯核的标准差 (double sigmaX)，设为0时自动计算
可选参数: sigmaY (Y方向标准差，默认等于sigmaX)
可选参数: borderType (边界类型，默认为BORDER_DEFAULT)

作用: 使用高斯分布进行加权平均

特点:

中心像素权重最大，距离越远权重越小
去噪效果好，边缘保持较好
符合人眼视觉特性
可分离滤波器，计算效率高

5×5高斯核:

1/273 * [ 1  4  7  4  1]
        [ 4 16 26 16  4]
        [ 7 26 41 26  7]
        [ 4 16 26 16  4]
        [ 1  4  7  4  1]

1.3 方框滤波 (Box Filter)

cv::boxFilter(image, result, -1, cv::Size(3, 3));

参数说明:

image: 输入图像 (InputArray)
result: 输出图像 (OutputArray)
-1: 输出图像深度 (int ddepth)，-1表示与输入相同
cv::Size(3, 3): 滤波核大小 (Size)
可选参数: anchor (锚点位置，默认为Point(-1,-1)表示中心)
可选参数: normalize (是否归一化，默认为true)
可选参数: borderType (边界类型)

作用: 类似均值滤波，但不进行归一化

特点:

可以选择是否归一化
适合积分图计算

2. 非线性滤波算法

2.1 中值滤波 (Median Filter)

cv::medianBlur(image, result, 3);

参数说明:

image: 输入图像 (InputArray)，可以是1、3或4通道图像
result: 输出图像 (OutputArray)，与输入图像大小和类型相同
3: 滤波核大小 (int ksize)，必须是大于1的奇数，如3、5、7等

作用: 用邻域像素的中值替换中心像素

特点:

对椒盐噪声非常有效
能保持边缘清晰
不会产生新像素值
计算量较大

2.2 双边滤波 (Bilateral Filter)

cv::bilateralFilter(image, result, 9, 75, 75);

参数说明:

image: 输入图像 (InputArray)，必须是8位整数或浮点数
result: 输出图像 (OutputArray)，与输入图像大小和类型相同
9: 像素邻域直径 (int d)，建议值为9
75: 颜色空间标准差 (double sigmaColor)，值越大混合越多颜色
75: 坐标空间标准差 (double sigmaSpace)，值越大影响越远的像素

作用: 保边去噪滤波器

特点:

同时考虑空间距离和像素值相似性
能保持边缘锐利
计算复杂度高
美颜滤镜的基础

2.3 导向滤波 (Guided Filter)

cv::ximgproc::guidedFilter(guide, src, dst, radius, eps);

参数说明:

guide: 引导图像 (InputArray)，用于指导滤波过程
src: 待滤波图像 (InputArray)
dst: 输出图像 (OutputArray)
radius: 滤波半径 (int)，通常取值为2-8
eps: 正则化参数 (double)，控制滤波强度，值越大平滑效果越强
可选参数: dDepth (输出图像深度，默认为-1表示与输入相同)

作用: 使用引导图进行滤波

特点:

比双边滤波速度快
边缘保持效果好
可用于HDR、去雾等

3. 边缘检测和梯度算子

3.1 Sobel算子

cv::Sobel(image, sobel_x, CV_16S, 1, 0, 3); // 水平方向
cv::Sobel(image, sobel_y, CV_16S, 0, 1, 3); // 垂直方向

参数说明:

image: 输入图像 (InputArray)
sobel_x/sobel_y: 输出图像 (OutputArray)
CV_16S: 输出图像深度 (int ddepth)，常用CV_16S避免梯度溢出
1/0: X方向导数阶数 (int dx)，1表示计算X方向梯度，0表示不计算
0/1: Y方向导数阶数 (int dy)，1表示计算Y方向梯度，0表示不计算
3: 滤波核大小 (int ksize)，必须是1、3、5或7，推荐3
可选参数: scale (缩放因子，默认为1)
可选参数: delta (偏移值，默认为0)
可选参数: borderType (边界类型)

作用: 计算图像梯度

特点:

一阶导数算子
对噪声敏感
可检测水平和垂直边缘

3×3 Sobel核:

水平: [-1 0 1]  垂直: [-1 -2 -1]
       [-2 0 2]        [ 0  0  0]
       [-1 0 1]        [ 1  2  1]

3.2 Scharr算子

cv::Scharr(image, scharr_x, CV_16S, 1, 0);

参数说明:

image: 输入图像 (InputArray)
scharr_x: 输出图像 (OutputArray)
CV_16S: 输出图像深度 (int ddepth)，常用CV_16S
1: X方向导数阶数 (int dx)，必须是1
0: Y方向导数阶数 (int dy)，必须是0
可选参数: scale (缩放因子，默认为1)
可选参数: delta (偏移值，默认为0)
可选参数: borderType (边界类型)

注意: Scharr算子只能计算单个方向的梯度，需要分别调用计算X和Y方向

作用: Sobel算子的改进版本

特点:

梯度检测更准确
旋转不变性更好
适合小核

3.3 Laplacian算子

cv::Laplacian(image, laplacian, CV_16S, 3);

参数说明:

image: 输入图像 (InputArray)
laplacian: 输出图像 (OutputArray)
CV_16S: 输出图像深度 (int ddepth)，推荐CV_16S或CV_32F
3: 滤波核大小 (int ksize)，必须是1、3、5或7
可选参数: scale (缩放因子，默认为1)
可选参数: delta (偏移值，默认为0)
可选参数: borderType (边界类型)

作用: 二阶导数算子

特点:

对边缘更敏感
对噪声更敏感
各向同性

Laplacian核:

[ 0  1  0]  或  [ 1  1  1]
[ 1 -4  1]      [ 1 -8  1]
[ 0  1  0]      [ 1  1  1]

3.4 Canny边缘检测

cv::Canny(image, edges, 50, 150);

参数说明:

image: 输入图像 (InputArray)，必须是单通道8位图像
edges: 输出边缘图像 (OutputArray)，单通道二值图像
50: 低阈值 (double threshold1)，用于边缘连接
150: 高阈值 (double threshold2)，用于强边缘检测
可选参数: apertureSize (Sobel算子核大小，默认为3)
可选参数: L2gradient (是否使用L2梯度，默认为false使用L1梯度)

阈值说明:

像素梯度 > 高阈值 → 强边缘点
低阈值 < 像素梯度 ≤ 高阈值 → 弱边缘点
像素梯度 ≤ 低阈值 → 被抑制

作用: 多步骤边缘检测算法

特点:

使用高斯滤波去噪
双阈值检测
滞后阈值处理
边缘连接优化

4. 形态学操作

4.1 腐蚀 (Erosion)

cv::erode(image, result, kernel);

参数说明:

image: 输入图像 (InputArray)，可以是任意通道数
result: 输出图像 (OutputArray)，与输入图像大小和类型相同
kernel: 结构元素 (InputArray)，定义腐蚀的形状和大小
可选参数: anchor (锚点位置，默认为Point(-1,-1)表示中心)
可选参数: iterations (迭代次数，默认为1)
可选参数: borderType (边界类型)
可选参数: borderValue (边界值)

作用: 消除小的白色区域

特点:

使物体边界收缩
去除孤立点
断开连接区域

4.2 膨胀 (Dilation)

cv::dilate(image, result, kernel);

参数说明:

image: 输入图像 (InputArray)
result: 输出图像 (OutputArray)
kernel: 结构元素 (InputArray)
可选参数: anchor (锚点位置，默认为Point(-1,-1))
可选参数: iterations (迭代次数，默认为1)
可选参数: borderType (边界类型)
可选参数: borderValue (边界值)

作用: 扩大白色区域

特点:

使物体边界扩张
填充小空洞
连接断裂区域

4.3 开运算 (Opening)

cv::morphologyEx(image, result, cv::MORPH_OPEN, kernel);

参数说明:

image: 输入图像 (InputArray)
result: 输出图像 (OutputArray)
cv::MORPH_OPEN: 形态学操作类型 (int op)
kernel: 结构元素 (InputArray)
可选参数: anchor (锚点位置)
可选参数: iterations (迭代次数，默认为1)
可选参数: borderType (边界类型)

操作类型: MORPH_OPEN、MORPH_CLOSE、MORPH_GRADIENT、MORPH_TOPHAT、MORPH_BLACKHAT

公式: Result = Erode(Dilate(image))

作用: 去除噪声，保持形状

4.4 闭运算 (Closing)

cv::morphologyEx(image, result, cv::MORPH_CLOSE, kernel);

参数说明: 同开运算，只是操作类型为MORPH_CLOSE

公式: Result = Dilate(Erode(image))

作用: 填充小洞，连接邻近物体

4.5 梯度 (Gradient)

cv::morphologyEx(image, result, cv::MORPH_GRADIENT, kernel);

参数说明: 同开运算，操作类型为MORPH_GRADIENT

公式: Result = Dilate(image) - Erode(image)

作用: 提取物体轮廓

4.6 顶帽 (Top Hat)

cv::morphologyEx(image, result, cv::MORPH_TOPHAT, kernel);

参数说明: 同开运算，操作类型为MORPH_TOPHAT

公式: Result = image - Opening(image)

作用: 提取比结构元素小的亮区域

4.7 黑帽 (Black Hat)

cv::morphologyEx(image, result, cv::MORPH_BLACKHAT, kernel);

参数说明: 同开运算，操作类型为MORPH_BLACKHAT

公式: Result = Closing(image) - image

作用: 提取比结构元素小的暗区域

5. 实际应用示例

5.1 去噪应用

// 高斯噪声 - 使用高斯滤波
cv::GaussianBlur(noisy_image, denoised, cv::Size(5, 5), 1.5);

// 椒盐噪声 - 使用中值滤波
cv::medianBlur(noisy_image, denoised, 3);

// 保边去噪 - 使用双边滤波
cv::bilateralFilter(noisy_image, denoised, 9, 75, 75);

5.2 边缘检测流程

// 完整的边缘检测流程
cv::Mat gray, blurred, edges;
cv::cvtColor(image, gray, cv::COLOR_BGR2GRAY);
cv::GaussianBlur(gray, blurred, cv::Size(5, 5), 1.5);
cv::Canny(blurred, edges, 50, 150);

5.3 形态学应用

// 文字增强
cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(3, 3));
cv::morphologyEx(binary_image, result, cv::MORPH_CLOSE, kernel);

// 噪声去除
cv::morphologyEx(binary_image, result, cv::MORPH_OPEN, kernel);

5.4 自定义卷积核

// 锐化滤波器
cv::Mat sharpen_kernel = (cv::Mat_<float>(3, 3) <<
    -1, -1, -1,
    -1,  9, -1,
    -1, -1, -1);
cv::filter2D(image, result, -1, sharpen_kernel);

//浮雕效果
cv::Mat emboss_kernel = (cv::Mat_<float>(3, 3) <<
    -2, -1,  0,
    -1,  1,  1,
     0,  1,  2);
cv::filter2D(image, result, -1, emboss_kernel);

// 水平边缘检测
cv::Mat horizontal_kernel = (cv::Mat_<float>(1, 3) << -1, 0, 1);
cv::filter2D(image, result, CV_32F, horizontal_kernel);

filter2D参数说明:

cv::filter2D(src, dst, ddepth, kernel, anchor, delta, borderType);

src: 输入图像 (InputArray)
dst: 输出图像 (OutputArray)
ddepth: 输出图像深度 (int)，-1表示与输入相同
kernel: 卷积核 (InputArray)，单通道浮点矩阵
anchor: 锚点位置 (Point)，默认为Point(-1,-1)表示核中心
delta: 偏移值 (double)，默认为0
borderType: 边界类型 (int)，默认为BORDER_DEFAULT

5.5 convertScaleAbs的使用

// Sobel算子结果处理
cv::Mat sobel_x, sobel_x_abs;
cv::Sobel(image, sobel_x, CV_16S, 1, 0);           // 16位有符号
cv::convertScaleAbs(sobel_x, sobel_x_abs);          // 转为8位无符号用于显示

// 对比度和亮度调整
cv::Mat enhanced;
cv::convertScaleAbs(image, enhanced, 1.5, 50);      // alpha=1.5(对比度), beta=50(亮度)

// 等价于以下三步操作：
// cv::Mat temp = image * 1.5 + 50;
// temp = cv::abs(temp);
// temp.convertTo(enhanced, CV_8U);

convertScaleAbs参数说明:

cv::convertScaleAbs(src, dst, alpha, beta);

src: 输入数组 (InputArray)
dst: 输出数组 (OutputArray)，8位无符号整数
alpha: 缩放因子 (double)，默认为1.0
beta: 偏移值 (double)，默认为0

5.6 结构元素创建

// 矩形结构元素
cv::Mat rect_kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(3, 3));

// 椭圆结构元素
cv::Mat ellipse_kernel = cv::getStructuringElement(cv::MORPH_ELLIPSE, cv::Size(5, 5));

// 十字形结构元素
cv::Mat cross_kernel = cv::getStructuringElement(cv::MORPH_CROSS, cv::Size(3, 3));

getStructuringElement参数说明:

cv::getStructuringElement(shape, ksize, anchor);

shape: 结构元素形状 (int) - MORPH_RECT, MORPH_ELLIPSE, MORPH_CROSS
ksize: 结构元素大小 (Size)
anchor: 锚点位置 (Point)，默认为Point(-1,-1)表示中心

6. 选择指南

应用场景	推荐算法	原因
高斯噪声	GaussianBlur	效果好，速度快
椒盐噪声	medianBlur	保持边缘，去除斑点
保边去噪	bilateralFilter	保持边缘锐利
边缘检测	Canny	完整的边缘检测流程
文字处理	形态学操作	连接断笔，去除噪声
图像增强	filter2D+自定义核	灵活性高
梯度计算	Sobel/Scharr	一阶导数，方向敏感
轮廓提取	morphological gradient	提取物体边缘

核心概念理解

卷积的本质

通过卷积核在图像上滑动，对局部区域进行加权求和，实现不同的图像处理效果。

关键参数

核大小: 影响处理强度和计算量
核权重: 决定处理效果
边界处理: 常用补零或镜像

性能考虑

可分离核（如高斯）可优化计算
大核计算量成指数增长
GPU可加速卷积运算

convertScaleAbs函数

void convertScaleAbs(InputArray src, OutputArray dst, double alpha = 1, double beta = 0)

功能: 对输入数组进行缩放、绝对值、转换为8位无符号整数的组合操作

数学公式: dst = saturate_cast<uchar>(|src * alpha + beta|)

三个操作步骤:

缩放: src * alpha
偏移: + beta
取绝对值: |...|
类型转换: 转为8位无符号整数 (0-255)

这个函数在处理Sobel、Laplacian等算子结果时特别有用，因为这些算子输出的是有符号的16位整数，包含正值和负值，需要转换为0-255范围才能正常显示。

这些滤波器各有特点，选择时需要考虑噪声类型、处理目标、计算效率等因素。

posted @ 2025-12-22 11:43 lskyl 阅读(4) 评论(0) 收藏举报

刷新页面返回顶部

sky-note

opencv算法

OpenCV滤波算法详解

目录

1. 线性滤波算法

1.1 均值滤波 (Blur/Average Filter)

1.2 高斯滤波 (Gaussian Filter)

1.3 方框滤波 (Box Filter)

2. 非线性滤波算法

2.1 中值滤波 (Median Filter)

2.2 双边滤波 (Bilateral Filter)

2.3 导向滤波 (Guided Filter)

3. 边缘检测和梯度算子

3.1 Sobel算子

3.2 Scharr算子

3.3 Laplacian算子

3.4 Canny边缘检测

4. 形态学操作

4.1 腐蚀 (Erosion)

4.2 膨胀 (Dilation)

4.3 开运算 (Opening)

4.4 闭运算 (Closing)

4.5 梯度 (Gradient)

4.6 顶帽 (Top Hat)

4.7 黑帽 (Black Hat)

5. 实际应用示例

5.1 去噪应用

5.2 边缘检测流程

5.3 形态学应用

5.4 自定义卷积核

5.5 convertScaleAbs的使用

5.6 结构元素创建

6. 选择指南

核心概念理解

卷积的本质

关键参数

性能考虑

convertScaleAbs函数

公告