opencv：边缘保留滤波

EPF滤波概述

均值与滤波的缺点：并没有考虑中心像素点对整个输出像素的贡献，实际上锚定的那个点贡献应该是最大的

高斯滤波的缺点：当边缘值梯度很大的时候，应减少中心像素点的权重，而高斯滤波没有考虑

边缘保留滤波：

• 高斯双边
• 均值迁移
• 局部均方差

高斯双边滤波

非局部均值滤波

example

#include <opencv2/opencv.hpp>

#include <iostream>

using namespace cv;

using namespace std;

void add_salt_and_pepper_noise(Mat& image);

void add_gaussian_noise(Mat& image);

int main(int argc, char** argv)

{

    Mat src = imread("f:/images/lena.jpg");

    if (src.empty())

    {

        printf("Could not find the image!\n");

        return -1;

    }

    namedWindow("input", WINDOW_AUTOSIZE);

    imshow("input", src);

    //add_salt_and_pepper_noise(src);

    add_gaussian_noise(src);

    Mat dst;

    // 中值滤波

    medianBlur(src, dst, 3);

    imshow("median denoise demo", dst);

    // 高斯滤波  高斯滤波对椒盐噪声去噪效果不理想

    GaussianBlur(src, dst, Size(5, 5), 0);

    imshow("guassian denoise demo", dst);

    // 高斯双边

    bilateralFilter(src, dst, 0, 100, 10);

    imshow("bilateralF denoise demo", dst);

    // 如果不加噪声， 直接进行高斯双边，去掉微小细节，保留边缘

    src = imread("f:/images/lena.jpg");

    bilateralFilter(src, dst, 0, 100, 10);

    imshow("src - bilateralFilter", dst);

    // NLM 非局部均值去燥

    src = imread("f:/images/lena.jpg");

    add_gaussian_noise(src);

		// 除了彩色版本，还有灰度版本等一些其他版本

    fastNlMeansDenoisingColored(src, dst, 3., 3., 7, 21);

    imshow("NLM", dst);

    waitKey(0);

    destroyAllWindows();

    return 0;

}

void add_salt_and_pepper_noise(Mat& image) {

    RNG rng(12345);

    int h = image.rows;

    int w = image.cols;

    int nums = 10000;

    for (int i = 0; i < nums; i++) {

        int x = rng.uniform(0, w);

        int y = rng.uniform(0, h);

        if (i % 2 == 1) {

            image.at<Vec3b>(y, x) = Vec3b(255, 255, 255);

        }

        else {

            image.at<Vec3b>(y, x) = Vec3b(0, 0, 0);

        }

    }

    imshow("salt and pepper noise", image);

}

void add_gaussian_noise(Mat& image) {

    // 高斯噪声

    Mat noise = Mat::zeros(image.size(), image.type());

    // 图像，均值，方差，显示一幅随机图像

    randn(noise, Scalar(15, 25, 45), Scalar(30, 30, 30));

    Mat dst;

    add(image, noise, dst);

    dst.copyTo(image);

    imshow("gaussian noise", image);

}