6.8方框滤波

news2024/9/28 4:57:20

基本概念

方框滤波（Box Filter）是一种基本的图像处理技术，用于对图像进行平滑处理或模糊效果。它通过在图像上应用一个固定大小的方框核（通常是矩形），计算该区域内像素值的平均值来替换中心像素的值。这种方式简单且计算效率高，但在处理边界时需要特别注意。

方框滤波（Box Filter）是一种简单的线性滤波器，它可以用于平滑图像或降低噪声。方框滤波器使用一个均匀加权的矩形核来对图像进行卷积，从而实现图像的平滑处理。在OpenCV中，方框滤波可以使用 boxFilter 函数来实现。

函数原型
在OpenCV中，方框滤波可以通过boxFilter函数实现。函数原型如下：

void boxFilter(InputArray src, OutputArray dst, int ddepth, Size ksize, 
               Point anchor=Point(-1,-1), bool normalize=true, 
               int borderType=BORDER_DEFAULT);
参数说明
src: 输入图像，可以是单通道或多通道图像。
dst: 输出图像，将具有与输入图像相同的尺寸，但深度取决于ddepth参数。
ddepth: 输出图像的深度。常见的选择有：
    -1: 输出图像深度与输入图像相同。
    CV_8U: 8位无符号整数。
    CV_16S: 16位有符号整数。
    CV_32F: 32位浮点数。
    CV_64F: 64位浮点数。
ksize: 方框核的大小，指定为一个Size对象，例如Size(3, 3)。
anchor: 核的锚点位置，默认为Point(-1,-1)，表示锚点在核的中心。
normalize: 是否归一化。如果设置为true（默认值），则输出的每个像素将是核内所有像素值的平均值；如果设置为false，则输出的每个像素将是核内所有像素值的总和。
borderType: 边界处理类型。常见的边界处理方式有：
    BORDER_CONSTANT: 使用常数值填充边界外区域。
    BORDER_REPLICATE: 复制边界像素。
    BORDER_REFLECT: 镜像反射边界。
    BORDER_WRAP: 边界环绕（类似于纹理坐标）。
    BORDER_REFLECT_101 或 BORDER_DEFAULT: 默认的边界反射方式。

使用示例1

下面是一个详细的示例，展示如何使用boxFilter函数来进行图像平滑处理。

步骤一：包含必要的头文件
#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;

步骤二：加载图像
int main(int argc, char** argv)
{
    Mat src = imread("path_to_your_image.jpg", IMREAD_COLOR);
    if (src.empty())
    {
        cout << "Error: Image cannot be loaded!" << endl;
        return -1;
    }

步骤三：定义输出图像
    Mat dst;

步骤四：应用方框滤波
    // 设置方框核的大小
    Size ksize(5, 5);  // 5x5的核

    // 应用方框滤波
    boxFilter(src, dst, -1, ksize, Point(-1,-1), true);
在这里，-1表示输出图像的深度与输入图像相同。true表示启用归一化，即输出的每个像素值将是核内所有像素值的平均值。

步骤五：显示结果
    namedWindow("Original Image", WINDOW_AUTOSIZE);
    imshow("Original Image", src);

    namedWindow("Blurred Image", WINDOW_AUTOSIZE);
    imshow("Blurred Image", dst);

    waitKey(0);
    return 0;
}


注意事项
归一化: 如果normalize参数设置为true，则输出图像中的每个像素值将是核内所有像素值的平均值。如果设置为false，则输出图像中的每个像素值将是核内所有像素值的总和。在某些情况下，不归一化的结果可能会导致像素值溢出。
边界处理: 方框滤波在处理图像边界时可能会出现问题，特别是当核的大小超过边界时。选择适当的边界处理方式可以帮助解决这些问题。
性能: 方框滤波是一种简单快速的滤波方法，但由于它在每个像素上都执行了累加操作，因此在处理大尺寸核时可能会消耗较多资源。对于大型核，可以考虑使用积分图（integral image）来加速计算。


通过上述步骤，你可以使用OpenCV的boxFilter函数来对图像进行平滑处理或实现模糊效果。

#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;

int main(int argc, char** argv)
{
	Mat src = imread("880.jpeg", IMREAD_COLOR);
	if (src.empty())
	{
		cout << "Error: Image cannot be loaded!" << endl;
		return -1;
	}


	Mat dst;

	// 设置方框核的大小
	Size ksize(5, 5);  // 5x5的核

	// 应用方框滤波
	boxFilter(src, dst, -1, ksize, Point(-1, -1), true);

	namedWindow("Original Image", WINDOW_NORMAL);
	imshow("Original Image", src);

	namedWindow("Blurred Image", WINDOW_NORMAL);
	imshow("Blurred Image", dst);

	waitKey(0);
	return 0;
}


注意事项
归一化: 如果normalize参数设置为true，则输出图像中的每个像素值将是核内所有像素值的平均值。如果设置为false，则输出图像中的每个像素值将是核内所有像素值的总和。在某些情况下，不归一化的结果可能会导致像素值溢出。
边界处理: 方框滤波在处理图像边界时可能会出现问题，特别是当核的大小超过边界时。选择适当的边界处理方式可以帮助解决这些问题。
性能: 方框滤波是一种简单快速的滤波方法，但由于它在每个像素上都执行了累加操作，因此在处理大尺寸核时可能会消耗较多资源。对于大型核，可以考虑使用积分图（integral image）来加速计算。


通过上述步骤，你可以使用OpenCV的boxFilter函数来对图像进行平滑处理或实现模糊效果。

运行结果1

示例代码2

示例代码下面是一个使用OpenCV C++实现方框滤波的示例代码：

#include <iostream>
#include <opencv2/opencv.hpp>

using namespace std;
using namespace cv;

void applyBoxFilter(const Mat &src, Mat &dst, Size ksize, bool normalize) 
{
	boxFilter(src, dst, -1, ksize, Point(-1, -1), normalize);
}

int main(int argc, char** argv) 
{
	/*if (argc != 2) {
		cout << "Usage: ./BoxFilter <Image Path>" << endl;
		return -1;
	}*/

	// 加载图像
	Mat img = imread("559.jpg", IMREAD_GRAYSCALE);
	if (!img.data) 
	{
		cout << "Error opening image" << endl;
		return -1;
	}

	// 定义核大小
	Size ksize(5, 5);  // 核大小

	// 初始化输出矩阵
	Mat filtered;

	// 应用方框滤波
	applyBoxFilter(img, filtered, ksize, true);

	// 显示结果
	namedWindow("Original Image", WINDOW_NORMAL);
	imshow("Original Image", img);
	namedWindow("Filtered Image", WINDOW_NORMAL);
	imshow("Filtered Image", filtered);

	waitKey(0);
	destroyAllWindows();

	return 0;
}


代码解释
1. 加载图像：使用 imread 函数加载图像。
2. 定义核大小：设置方框滤波器的核大小。
3. 初始化输出矩阵：创建一个新的矩阵来存储滤波后的图像。
4. 应用方框滤波：使用 boxFilter 函数应用方框滤波。
5. 显示结果：使用 imshow 函数显示原始图像和滤波后的图像。

运行结果2

方框滤波的应用

方框滤波器常用于以下场景：

•图像平滑：通过平均相邻像素值来减少图像中的噪声。

•均值滤波：当 normalize 参数为 true 时，方框滤波器相当于均值滤波器。

•非归一化的方框滤波：当 normalize 参数为 false 时，可以用于特殊的图像处理任务，例如累积求和。

非归一化的方框滤波示例

非归一化的方框滤波不将权重归一化，这意味着每个像素的权重保持不变。这在某些特殊情况下是有用的，例如累积求和（Integral Images）。

#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;


void applyNonNormalizedBoxFilter(const Mat &src, Mat &dst, Size ksize)
{
	boxFilter(src, dst, -1, ksize, Point(-1, -1), false);
}

int main(int argc, char** argv)
{
	//if (argc != 2)
	//{
	//	cout << "Usage: ./NonNormalizedBoxFilter <Image Path>" << endl;
	//	return -1;
	//}

	// 加载图像
	Mat img = imread("559.jpg", IMREAD_GRAYSCALE);
	if (!img.data)
	{
		cout << "Error opening image" << endl;
		return -1;
	}

	// 定义核大小
	Size ksize(5, 5);  // 核大小

	// 初始化输出矩阵
	Mat filtered;

	// 应用非归一化的方框滤波
	applyNonNormalizedBoxFilter(img, filtered, ksize);

	// 显示结果
	namedWindow("Original Image", WINDOW_NORMAL);
	imshow("Original Image", img);
	namedWindow("Non-Normalized Filtered Image", WINDOW_NORMAL);
	imshow("Non-Normalized Filtered Image", filtered);

	waitKey(0);
	destroyAllWindows();

	return 0;
}

运行结果3

性能优化

方框滤波器的计算可以通过积分图像（Integral Images）来加速。积分图像是一种预先计算的数据结构，可以高效地计算任意矩形区域的和。OpenCV提供了 integral 函数来计算积分图像。

积分图像示例

积分图像可以用来高效地实现方框滤波。

#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;

void applyBoxFilterUsingIntegral(const Mat &src, Mat &dst, Size ksize) 
{
    Mat integralImg;
    integral(src, integralImg);

    int radius = ksize.width / 2;
    for (int y = radius; y < src.rows - radius; ++y) 
    {
        for (int x = radius; x < src.cols - radius; ++x) 
        {
            int top_left = integralImg.at<int>(y - radius, x - radius);
            int top_right = integralImg.at<int>(y - radius, x + radius);
            int bottom_left = integralImg.at<int>(y + radius, x - radius);
            int bottom_right = integralImg.at<int>(y + radius, x + radius);

            int sum = bottom_right + top_left - top_right - bottom_left;
            dst.at<uchar>(y, x) = static_cast<uchar>(sum / (ksize.width * ksize.height));
        }
    }
}

int main(int argc, char** argv) 
{
    if (argc != 2) 
    {
        cout << "Usage: ./BoxFilterUsingIntegral <Image Path>" << endl;
        return -1;
    }

    // 加载图像
    Mat img = imread(argv[1], IMREAD_GRAYSCALE);
    if (!img.data)
    {
        cout << "Error opening image" << endl;
        return -1;
    }

    // 定义核大小
    Size ksize(5, 5);  // 核大小

    // 初始化输出矩阵
    Mat filtered = Mat::zeros(img.size(), img.type());

    // 应用方框滤波
    applyBoxFilterUsingIntegral(img, filtered, ksize);

    // 显示结果
    imshow("Original Image", img);
    imshow("Filtered Image Using Integral", filtered);

    waitKey(0);
    destroyAllWindows();

    return 0;
}

运行结果4

总结

通过这些示例，你应该能够理解如何在OpenCV中使用C++实现方框滤波。方框滤波器是一个简单但有效的工具，可用于图像平滑和噪声减少。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/2172339.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

C# + SQLiteExpert 进行（cipher）加密数据库开发+Costura.Fody 清爽发布

C# + SQLiteExpert 进行（cipher）加密数据库开发+Costura.Fody 清爽发布

一&#xff1a;让 SQLiteExpert 支持&#xff08;cipher&#xff09;加密数据库 SQLiteExpert 作为SQlite 的管理工具&#xff0c;默认不支持加密数据库的&#xff0c;使其成为支持&#xff08;cipher&#xff09;加密数据库的管理工具&#xff0c;需要添加e_sqlcipher.dll &…
阅读更多...
服务器端请求伪造（SSRF）漏洞解析

服务器端请求伪造（SSRF）漏洞解析

免责申明 本文仅是用于学习检测自己搭建的靶场环境有关SSRF的原理和攻击实验，请勿用在非法途径上，若将其用于非法目的，所造成的一切后果由您自行承担，产生的一切风险和后果与笔者无关；本文开始前请认真详细学习《‌中华人民共和国网络安全法》‌及其所在国家地区相关法规内…
阅读更多...
828华为云征文｜华为云Flexus云服务器X实例搭建部署H5美妆护肤分销商城、前端uniapp

828华为云征文｜华为云Flexus云服务器X实例搭建部署H5美妆护肤分销商城、前端uniapp

准备国庆之际&#xff0c;客户要搭个 H5 商城系统&#xff0c;这系统好不容易开发好啦&#xff0c;就差选个合适的服务器上线。那可真是挑花了眼&#xff0c;不知道哪款性价比高呀&#xff01;就像在琳琅满目的选择前。最终慧眼识珠&#xff0c;选择了华为云 Flexus X。至于为什…
阅读更多...
嵌入式学习--数据结构+算法

嵌入式学习--数据结构+算法

嵌入式学习--数据结构算法 数据结构 1.1数据 1.2逻辑结构 1.3存储结构 1&#xff09;顺序存储结构 2&#xff09;链式存储结构 1.4操作&#xff08;数据的运算&#xff09; 算法 2.1算法与程序 2.2算法与数据结构 2.3算法的特性 2.4如何评价一个算法的好坏&#xff1f; 2.5时间…
阅读更多...
在IDEA中构建Jar包，安装Jar包到Maven仓库并在Maven项目中使用

在IDEA中构建Jar包，安装Jar包到Maven仓库并在Maven项目中使用

文章目录 0. 关于本文1. IDEA构建Jar包1.1 准备一份Java代码&#xff08;就是你要构建工件的代码&#xff09;1.2 进行如下步骤构建工件 2. 关于Maven3. 将Jar包安装到Maven仓库4. 使用安装的Jar包依赖 0. 关于本文 本文内容&#xff1a; 借助IDEA构建Jar包将Jar包安装到Mave…
阅读更多...
设计模式之门面（Facade）模式

设计模式之门面（Facade）模式

前言 在组建构建过程中&#xff0c;某些接口之间直接的依赖常常会带来很多问题、甚至跟本无法实现。采用添加一层&#xff08;间接&#xff09;稳定接口&#xff0c;来隔离本来互相紧密关联的接口是一种常见的解决方案 定义 “接口隔离” 模式。为子系统中的一组接口提供一个一…
阅读更多...
【北京二号卫星】

【北京二号卫星】

北京二号卫星 北京二号卫星是中国自主研制的高分辨率遥感卫星之一&#xff0c;具有多方面的特点和广泛的应用价值。以下是对北京二号卫星的详细介绍&#xff1a; 一、基本信息 名称&#xff1a;北京二号类型&#xff1a;民用商业遥感卫星星座组成&#xff1a;由三颗高分辨率卫…
阅读更多...
【PDCCH（一）】

【PDCCH（一）】

LTE/NR中&#xff0c;采用了OFDM正交频分复用方式&#xff0c;也就是在频域上使用多个子载波&#xff0c;这些子载波互相正交&#xff1b;在时域上采用帧结构的方式&#xff0c;用不同的帧结构去区分不同的用户&#xff0c;不同的资源&#xff0c;信道等等。 所以我们常常把时间…
阅读更多...
校园外卖系统SpringBoot免费分享

校园外卖系统SpringBoot免费分享

今天我们分享一个非常实用的校园外卖系统&#xff0c;基于 SpringBoot 和 Vue 的开发。这一系统源于黑马的瑞吉外卖案例项目&#xff0c;经过站长的进一步改进和优化&#xff0c;提供了更丰富的功能和更高的可用性。 这个项目的架构设计非常有趣。虽然它采用了SpringBoot和Vue…
阅读更多...
web前端-CSS引入方式

web前端-CSS引入方式

一、内部样式表 内部样式表(内嵌样式表)是写到html页面内部,是将所有的 CSS 代码抽取出来,单独放到一个<styie>标签中。 注意: ① <style>标签理论上可以放在 HTML文档的任何地方&#xff0c;但一般会放在文档的<head>标签中 ② 通过此种方式&#xff0c;可…
阅读更多...
【多样化的思想】基于执行档案的测试

【多样化的思想】基于执行档案的测试

下面我们讨论另一种关于多样性的观点。我们知道&#xff0c;对被测对象而言&#xff0c;测试输入空间代表的是各种可能的外部环境条件。如果两个测试输入点距离比较远&#xff0c;说明在这两个点上&#xff0c;被测对象所面对的外部环境条件很不一样&#xff0c;所以我们说&…
阅读更多...
RabbitMQ的高级特性-消息确认机制

RabbitMQ的高级特性-消息确认机制

对于RabbitMQ发送消息到消费端的可靠性保障 引入&#xff1a;发送者发送消息后&#xff0c;到达消费端之后会出现一下两种情况&#xff1a; ①消息处理成功 ②消息处理异常 RabbitMQ向消费者发送消息之后, 就会把这条消息删掉, 那么第两种情况, 就会造成消息丢失&#xff0…
阅读更多...
fmql之字符驱动设备(3)-并发与竞争

fmql之字符驱动设备(3)-并发与竞争

学会使用设备树后&#xff0c;要学习linux驱动编写中容易出现的”并发与竞争“。 代码是在之前代码的基础上进行修改。 并发与竞争 &#xff08;本部分来自于正点原子pdf&#xff09; 什么是并发与竞争&#xff0c;为什么会出现并发与竞争&#xff1a; 要保护的内容是&#…
阅读更多...
基于TSN的实时通信网络延迟评估技术

基于TSN的实时通信网络延迟评估技术

论文标题&#xff1a;A TSN-based Technique for Real-Time Latency Evaluation in Communication Networks 作者信息&#xff1a; Alberto Morato, Claudio Zunino, Manuel Cheminod, Stefano Vitturi&#xff0c;来自意大利国家研究委员会&#xff0c;CNR-IEIIT。电子邮件:…
阅读更多...
深度学习实战TT100K中国交通标志检测【数据集+YOLOv5模型+源码+PyQt5界面】

深度学习实战TT100K中国交通标志检测【数据集+YOLOv5模型+源码+PyQt5界面】

AI深度学习TT100k交通标志识别 文章目录 研究背景代码下载链接一、效果演示1.1 图像演示1.2 视频演示 二、技术原理2.1 整体流程2.2 TT100K中国交通标志数据集介绍2.3 YOLOV5 TT100K中国交通标志检测原理2.3.1 概述2.3.2 输入层2.3.3 Backbone层2.3.4 Backbone层2.3.5 Head层 2…
阅读更多...
【人人保-注册安全分析报告-无验证方式导致安全隐患】

【人人保-注册安全分析报告-无验证方式导致安全隐患】

前言 由于网站注册入口容易被黑客攻击&#xff0c;存在如下安全问题&#xff1a; 1. 暴力破解密码&#xff0c;造成用户信息泄露 2. 短信盗刷的安全问题&#xff0c;影响业务及导致用户投诉 3. 带来经济损失&#xff0c;尤其是后付费客户&#xff0c;风险巨大&#xff0c;造…
阅读更多...
【时时三省】(C语言基础)指针笔试题6

【时时三省】(C语言基础)指针笔试题6

山不在高&#xff0c;有仙则名。水不在深&#xff0c;有龙则灵。 ----CSDN 时时三省 笔试题6 首先aa&#xff3b;2&#xff3d;&#xff3b;5&#xff3d;是二维数组 也就是说它有两行第一行是1 2 3 4 5 第二行是6 7 8 9 10 然后&aa取出的数组的地址 &aa1就直接跳到第…
阅读更多...
第1章 C++初识

第1章 C++初识

1.1 编写第一个C程序 1.打开Visual Studio点击"创建新项目" 2.点击"空项目"&#xff0c;并点击"下一步" 3.设置"项目名称"并"设置地址" 4.打开项目后&#xff0c;右击"源文件"并选择"添加"的"新建…
阅读更多...
国产操作系统（统信UOS）网络安全等级保护基础安全加固

国产操作系统（统信UOS）网络安全等级保护基础安全加固

统一操作系统UOS是由多家企业共同打造的中文国产操作系统。 一、设置口令复杂度策略和有效期 首先安装libpam-pwquality依赖包 口令复杂度策略通过libpam-pwquality依赖包进行设置 依赖包的安装命令&#xff1a;sudo apt-get install libpam-pwquality。 依赖包的查看方式执…
阅读更多...
新茶饮卷出海，本土化成胜败关键

新茶饮卷出海，本土化成胜败关键

爱扬格说&#xff1a;“在那海水酣睡的宫殿里&#xff0c;铺满了多少奇珍异宝。”如今&#xff0c;新茶饮品牌正掀起出海狂潮&#xff0c;挖掘来自海外市场的财富机会。 近日&#xff0c;茶百道股价实现十连涨。消息面上&#xff0c;公司在韩国首尔建大站新店正式对外营业。根…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023