2. 程式人生 > >雙邊濾波

雙邊濾波

阿新 • • 發佈：2017-06-03
ble log 單純 int cast 算法 else font sso

Qt 平臺，雙邊濾波原理代碼例如以下：

#include <QCoreApplication>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <iostream>
#include <cmath>

using namespace cv;
using namespace std;

double Gaussian( double x, double sigma )//高斯核參數計算函數
{
    return exp(-x/(2*sigma*sigma));
}

Mat GaussiCore( int d, double sigma )//高斯核計算
{
    int dHalf = (d-1)/2;
    Mat core( d, d, CV_64FC1, Scalar(0));
    for ( int i = -dHalf; i < dHalf; i ++ )
    {
        double *corePtr = core.ptr<double>(i+dHalf);
        for ( int j = -dHalf; j < dHalf; j ++ )
        {
            corePtr[j+dHalf] = Gaussian((i*i+j*j), sigma);
        }
    }
    return core;
}

int main()
{
    double duration;
    int d = 11;//濾波核直徑
    int dHalf = (d-1)/2;//濾波核半徑
    double sigma_d = 22;//雙邊濾波核高斯系數標準差
    double sigma_r = 11;//雙邊濾波核空間域系數標準差
    double temp1 = 0.0;
    double temp2 = 0.0;
    Mat src = imread("lena.jpg", 0);
    Mat srcBorder( src.rows+d-1, src.cols+d-1, CV_8UC1, Scalar(128));
    int srcRow = src.rows;
    int srcCol = src.cols;
    Mat dst( srcRow, srcCol, CV_8UC1, Scalar(0));
    Mat gaussiCore;
duration = static_cast<double>(getTickCount());
    for ( int i = 0; i < srcRow; i ++ )
    {
        uchar *srcPtr = src.ptr<uchar>(i);
        uchar *srcBorderPtr = srcBorder.ptr<uchar>(i+dHalf);
        for ( int j = 0; j < srcCol; j ++ )
        {
            srcBorderPtr[j+dHalf] = srcPtr[j];
        }
    }

    gaussiCore = GaussiCore( d, sigma_d );

    for ( int i = 0; i < srcRow; i ++ )
    {
        uchar *dstPtr = dst.ptr<uchar>(i);
        uchar *srcBorderPtr1 = srcBorder.ptr<uchar>(i+dHalf);
        for ( int j = 0; j < srcCol; j ++ )
        {
            temp1 = 0.0;
            temp2 = 0.0;
            for ( int n = -dHalf+i, rr = 0; n < dHalf+i; n ++, rr ++ )
            {
                uchar *srcBorderPtr2 = srcBorder.ptr<uchar>(n);
                double *gaussiCorePtr = gaussiCore.ptr<double>(rr);
                for ( int l = -dHalf+j, rl = 0; l < dHalf+j; l ++, rl ++ )
                {
                    temp1 += (double)srcBorderPtr2[l] * gaussiCorePtr[rl]
                            * Gaussian((srcBorderPtr2[l]-srcBorderPtr1[j+dHalf])*(srcBorderPtr2[l]-srcBorderPtr1[j+dHalf]), sigma_r);
                    temp2 +=  gaussiCorePtr[rl]
                            * Gaussian((srcBorderPtr2[l]-srcBorderPtr1[j+dHalf])*(srcBorderPtr2[l]-srcBorderPtr1[j+dHalf]), sigma_r);
                }
            }
            dstPtr[j] = temp1/temp2;
        }
    }

duration = static_cast<double>(getTickCount()) - duration;
duration /= getTickFrequency();
cout << duration << endl;
    namedWindow("src", 0);
    imshow("src", src);
    namedWindow("dst", 0);
    imshow("dst", dst);
    waitKey(0);
    return 0;
}


技術分享


由於代碼單純介紹雙邊濾波原理。所以與 OpenCV 自帶雙邊濾波速度還是有非常大差距，有時間會繼續研究關於雙邊濾波的加速算法。下面是雙邊濾波核計算公式，對於雙邊濾波為什麽能保邊降噪。這裏簡單說明一下：首先降噪是肯定的。由於濾波核有高斯濾波系數。總所周知高斯函數有濾波降噪的作用。而雙邊濾波系數除了有高斯系數之外。還增加了像素領域的值域差系數，即像素領域內的像素值與像素本身的像素值相差越大，依據最後一個總體公式能夠看出，總體系數會變小，從而該像素受到影響也就越小，而僅僅有在圖像的邊緣區域才會有這樣的情況出生，所以在圖像的邊緣附近差點兒不受濾波系數的影響，這樣就起到了保邊的效果。

1、離散卷積公式：

技術分享


2、高斯系數：

技術分享


3、空間域系數：

技術分享


4、總體雙邊濾波系數：

技術分享


做了一點加速。比原來的快幾十毫秒，代碼例如以下：

#include <QCoreApplication>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <iostream>
#include <cmath>

using namespace cv;
using namespace std;

double Gaussian( double x, double sigma )//高斯核參數計算函數
{
    return exp(-x/(2*sigma*sigma));
}

Mat GaussiCore( int d, double sigma )//高斯核計算
{
    int dHalf = (d-1)/2;
    int row = d;
    int col = d;
    Mat core( row, col, CV_64FC1, Scalar(0));
    if ( core.isContinuous() )
    {
        double *corePtr = core.ptr<double>(0);
        for ( int i = 0; i < row; i ++ )
        {
            for ( int j = 0; j < col; j ++ )
            {
                corePtr[i*col+j] = Gaussian(((i-dHalf)*(i-dHalf)+(j-dHalf)*(j-dHalf)), sigma);
            }
        }
    }
    else
    {
        for ( int i = -dHalf; i < dHalf; i ++ )
        {
            double *corePtr = core.ptr<double>(i+dHalf);
            for ( int j = -dHalf; j < dHalf; j ++ )
            {
                corePtr[j+dHalf] = Gaussian((i*i+j*j), sigma);
            }
        }
    }
    return core;
}

int main()
{
    double duration;
    int d = 11;//濾波核直徑
    int dHalf = (d-1)/2;//濾波核半徑
    double sigma_d = 22;//雙邊濾波核高斯系數標準差
    double sigma_r = 11;//雙邊濾波核空間域系數標準差
    double temp1 = 0.0;
    double temp2 = 0.0;
    Mat src = imread("lena.jpg", 0);
    Mat srcBorder( src.rows+d-1, src.cols+d-1, CV_8UC1, Scalar(128));
    int srcRow = src.rows;
    int srcCol = src.cols;
    Mat dst( srcRow, srcCol, CV_8UC1, Scalar(0));
    Mat gaussiCore;
duration = static_cast<double>(getTickCount());

    if ( src.isContinuous() && srcBorder.isContinuous() )
    {
        uchar *srcPtr = src.ptr<uchar>(0);
        uchar *srcBorderPtr = srcBorder.ptr<uchar>(0);
        for ( int i = 0; i < srcRow; i ++ )
        {
            for ( int j = 0; j < srcCol; j ++ )
            {
                srcBorderPtr[(i+dHalf)*(srcCol+d-1)+j+dHalf] = srcPtr[i*srcCol+j];
            }
        }
    }
    else
    {
        for ( int i = 0; i < srcRow; i ++ )
        {
            uchar *srcPtr = src.ptr<uchar>(i);
            uchar *srcBorderPtr = srcBorder.ptr<uchar>(i+dHalf);
            for ( int j = 0; j < srcCol; j ++ )
            {
                srcBorderPtr[j+dHalf] = srcPtr[j];
            }
        }
    }

    gaussiCore = GaussiCore( d, sigma_d );

    for ( int i = 0; i < srcRow; i ++ )
    {
        uchar *dstPtr = dst.ptr<uchar>(i);
        uchar *srcBorderPtr1 = srcBorder.ptr<uchar>(i+dHalf);
        for ( int j = 0; j < srcCol; j ++ )
        {
            temp1 = 0.0;
            temp2 = 0.0;
            for ( int n = -dHalf+i, rr = 0; n < dHalf+i; n ++, rr ++ )
            {
                uchar *srcBorderPtr2 = srcBorder.ptr<uchar>(n);
                double *gaussiCorePtr = gaussiCore.ptr<double>(rr);
                for ( int l = -dHalf+j, rl = 0; l < dHalf+j; l ++, rl ++ )
                {
                    temp1 += (double)srcBorderPtr2[l] * gaussiCorePtr[rl]
                            * Gaussian((srcBorderPtr2[l]-srcBorderPtr1[j+dHalf])*(srcBorderPtr2[l]-srcBorderPtr1[j+dHalf]), sigma_r);
                    temp2 +=  gaussiCorePtr[rl]
                            * Gaussian((srcBorderPtr2[l]-srcBorderPtr1[j+dHalf])*(srcBorderPtr2[l]-srcBorderPtr1[j+dHalf]), sigma_r);
                }
            }
            dstPtr[j] = temp1/temp2;
        }
    }

duration = static_cast<double>(getTickCount()) - duration;
duration /= getTickFrequency();
cout << duration << endl;
    namedWindow("src", 0);
    imshow("src", src);
    namedWindow("dst", 0);
    imshow("dst", dst);
    waitKey(0);
    return 0;
}


雙邊濾波

相關推薦

雙邊濾波

ble log 單純 int cast 算法 else font sso Qt 平臺，雙邊濾波原理代碼例如以下： #include <QCoreApplication> #include <opencv2/core/core.hpp> #inc

雙邊濾波和引導濾波的原理

效果 高斯函數 簡單的 情況 通過 其中 明顯 算法 src 雙邊濾波很有名，使用廣泛，簡單的說就是一種同時考慮了像素空間差異與強度差異的濾波器，因此具有保持圖像邊緣的特性。 先看看我們熟悉的高斯濾波器 其中W是權重，i和j是像素索引，K是歸一化常量。公式中可以看出，權重

opencv3 圖片模糊操作-均值濾波 高斯濾波 中值濾波 雙邊濾波

empty size mage point ima could not key image ace #include <iostream>#include <opencv2/opencv.hpp> using namespace std;using

第六天雙邊濾波和均值漂移

均值漂移迭代空間構建： 以輸入影象上src上任一點P0為圓心，建立物理空間上半徑為sp，色彩空間上半徑為sr的球形空間，物理空間上座標2個—x、y，色彩空間上座標3個—R、G、B（或HSV），構成一個5維的空間球體。 其中物理空間的範圍x和y是影象的長和寬，色彩空間的範圍R、G、B分別是0~25

影象處理-雙邊濾波 Bilateral Filtering

在Shader中實現雙邊濾波的時候，總感覺理解的不太透徹，這裡寫部落格記錄一下。 參考資料: 演算法原理 GPUImage中Bilateral Filtering的實現 高斯濾波 空間域 在理解雙邊濾波之前，先來理解上面是高斯濾波。 高斯濾波是一種線性平滑濾波，適用於消

0028-用OpenCV的函式bilateralFilter做雙邊濾波

前幾篇帖子提到的均值濾波、中值濾波和高斯濾波，都屬於各向同性濾波，它們對待噪聲和影象的邊緣資訊都採取一樣的態度，結果，噪聲被磨平的同時，影象中具有重要地位的邊緣、紋理和細節也同時被抹平了，這是我們所不希望看到的。為了解決這個問題，人們陸續提出了一些演算法來把影象邊緣和噪聲區別對待，比如雙邊濾波和導向

PCL—雙邊濾波

PCL—雙邊濾波 序：本節介紹PCL裡的雙邊濾波，雙邊濾波主要作用是具有保邊的功能，即在濾波的過程中不會連帶邊界一起都平滑掉，這樣有利於計算準確的法線。這裡我們主要介紹其實現過程，演算法會在後續補充上。 1. 程式碼如下： void Filters::bilateralFilter

方框濾波/均值濾波/高斯濾波/中值濾波/雙邊濾波

線性鄰域濾波 “平滑處理“（smoothing）也稱“模糊處理”（bluring），是一項簡單且使用頻率很高的影象處理方法。平滑處理的用途有很多，最常見的是用來減少影象上的噪點或者失真。在涉及到降低影象解析度時，平滑處理是非常好用的方法。 線性濾波器：線性濾波器經常用於剔除輸入訊

matlab影象預處理中值濾波y與雙邊濾波

中值濾波 前面所說的高斯平滑和均值濾波也是預處理的一種，不過他們用犧牲影象細節為代價來換取平滑影象，他們對處理小的噪聲點比較好，但是處理較大的噪聲點比較無力。 平滑線性濾波器的工作原理可以比喻為用水沖洗桌面上的汙點，沖洗的結果是汙點並沒有消失，只是被淡化，如果汙

《雙邊濾波》

  雙邊濾波（Bilateral Filtering ）在影象處理當中有著廣泛的應用，它是一種非線性濾波，能夠保持邊緣，達到降噪平滑處理的效果，並且不會對深度圖的輪廓產生影響。在人臉識別當中，對於有些資料庫由於拍攝時的影響，得到的資料集在進行人臉識別訓練或者是測試的時候產生不好的

【OpenCV入門教程之九】 非線性濾波專場 中值濾波 雙邊濾波

                正如我們上一篇文章中講到的，線性濾波可以實現很多種不同的影象變換。然而非線性濾波，如中值濾波器和雙邊濾波器，有時可以達到更好的實現效果。鄰域運算元的其他一些例子還有對二值影象進行操作的形態學運算元，用於計算距離變換和尋找連通量的半全域性運算元。 先上一張截圖：一、理論與概念講解

opencv方框、高斯、均值、中值、雙邊濾波

opencv中有多種濾波方法實現影象平滑，線性濾波包括方框、均值、高斯。非線性濾波有：中值、雙邊濾波。 實現程式碼參考博主@IT1995 https://blog.csdn.net/qq78442761/article/details/54297212 線性濾波：畫素的輸出值取決於

C++ Opencv——影象濾波——雙邊濾波bilateralFilter

轉： 雙邊濾波是一種非線性濾波器，它可以達到保持邊緣、降噪平滑的效果。和其他濾波原理一樣，雙邊濾波也是採用加權平均的方法，用周邊畫素亮度值的加權平均代表某個畫素的強度，所用的加權平均基於高斯分佈。最重要的是，雙邊濾波的權重不僅考慮了畫素的歐氏距離（如普通的高斯低通濾波，只考慮了位置對中心畫素的影

雙邊濾波與引導濾波

雙邊濾波 雙邊濾波很有名，使用廣泛，簡單的說就是一種同時考慮了畫素空間差異與強度差異的濾波器，因此具有保持影象邊緣的特性。 先看看我們熟悉的高斯濾波器 其中W是權重，i和j是畫素索引，K是歸一化常量。公式中可以看出，權重只和畫素之間的空間距離有關係，無論影象的內容是什麼，都有相同的濾波效果。 再來看看雙邊

雙邊濾波+ 通俗自己理解

之前轉了一篇文章：http://blog.csdn.net/chenlufei_i/article/details/78892758 詳細的講解了一下雙邊濾波的原理以及公式，這裡主要總結一下自己的通俗理解，所謂雙邊濾波，就是在均值或者說普通加權濾波（如高斯濾波）的基

雙邊濾波以及程式碼實現

1. 簡介 影象平滑是一個重要的操作，而且有多種成熟的演算法。這裡主要簡單介紹一下Bilateral方法（雙邊濾波），這主要是由於前段時間做了SSAO，需要用bilateral blur 演算法進行降噪。Bilateral blur相對於傳統的高斯blur來說很重要的一

雙邊濾波原理及Opencv實現

演算法原理 雙邊濾波是一種非線性濾波方法，是結合了影象的鄰近度和畫素值相似度的一種折中，在濾除噪聲的同時可以保留原圖的邊緣資訊。整個雙邊濾波是由兩個函式構成：一個函式是由空間距離決定的濾波器係數，另外一個詩由畫素差值決定的濾波器係數。整個雙邊濾波的公式如下：

雙邊濾波演算法在點雲資料處理時的應用

雙邊濾波演算法在點雲資料處理時的應用 簡介（摘自百科） 雙邊濾波（Bilateral filter）是一種非線性的濾波方法，是結合影象的空間鄰近度和畫素值相似度的一種折中處理，同時考慮空域資訊和灰度相似性，達到保邊去噪的目的。具有簡單、非迭代、區域性的特點 。雙邊濾波器的好處是可以做

高斯濾波、雙邊濾波、Retinex影象增強的學習

一、高斯濾波 二維高斯函式(均值為0)，以及 δ = 6影象： G ( x

兩種edge-preserving濾波演算法 導向濾波 和 雙邊濾波 個人理解

1.導向濾波 1.1. 直觀解釋 導向濾波演算法的核心就是,區分出哪裡是平坦區,哪裡是邊緣部分。 如何區分:計算視窗內的方差，方差大的可以認為是邊緣。 1.2. 數學推導 對於qi,它的ai和bi等於所有包括他的視窗的ai和bi的均值。