用C++实现图像处理中三种常见的滤波算法

在信号处理和图像处理中，滤波是一种常见的操作，用于去除噪声、增强信号或图像的某些特征等。本文将介绍三种常见的滤波方法：均值滤波、高斯滤波和中值滤波，并比较它们的优劣势。

一、均值滤波

均值滤波是一种简单的滤波方法，它通过将邻域内的像素值或数据值求平均，然后取平均值作为输出。这种方法对于去除噪声有一定的效果，尤其是对于均匀分布的噪声。但是，均值滤波也存在一些问题，例如可能会使图像变得模糊，特别是在边缘部分。

以下是C++实现均值滤波的代码示例：

#include   
#include   
  
void meanFilter(std::vector>& image, int windowSize) {  
    int width = image.size();  
    int height = image[0].size();  
    std::vector> result(width, std::vector(height));  
  
    for (int i = 0; i < width; i++) {  
        for (int j = 0; j < height; j++) {  
            int sum = 0;  
            for (int k = -windowSize / 2; k <= windowSize / 2; k++) {  
                for (int l = -windowSize / 2; l <= windowSize / 2; l++) {  
                    sum += image[i + k][j + l];  
                }  
            }  
            result[i][j] = sum / (windowSize * windowSize);  
        }  
    }  
    return result;  
}

二、高斯滤波

高斯滤波是一种基于高斯函数的滤波方法，它通过将邻域内的像素值或数据值乘以高斯函数，然后对结果进行加权平均得到输出。高斯滤波对于去除噪声和增强信号都有很好的效果，特别是在处理图像边缘时能够更好地保留细节。但是，高斯滤波也存在一些问题，例如对于非高斯分布的噪声效果可能不理想。

以下是C++实现高斯滤波的代码示例：

#include   
#include   
  
using namespace std;  
using namespace cv;  
  
int main() {  
    Mat image = imread("image.jpg"); // 读取图像  
    if (image.empty()) {  
        cout << "Could not read the image." << endl;  
        return 1;  
    }  
  
    int windowSize = 5; // 滤波器窗口大小  
    double sigmaX = 1.0; // X方向的标准差  
    double sigmaY = 1.0; // Y方向的标准差  
    Mat kernel = getGaussianKernel(windowSize, sigmaX, sigmaY); // 获取高斯核  
  
    Mat smoothedImage = image.clone(); // 创建输出图像副本  
    filter2D(image, smoothedImage, -1, kernel); // 对图像进行滤波  
  
    namedWindow("Original Image", WINDOW_NORMAL); // 创建窗口  
    imshow("Original Image", image); // 显示原始图像  
  
    namedWindow("Smoothed Image", WINDOW_NORMAL); // 创建窗口  
    imshow("Smoothed Image", smoothedImage); // 显示平滑后的图像  
  
    waitKey(0); // 等待按键事件  
    return 0;  
}

三、中值滤波

中值滤波是一种非线性信号处理技术，它通过将滤波器窗口内的像素值或数据值按大小排序，然后取中间值作为输出。对于噪声，由于其随机性，往往使得其在窗口内的值与其它数据值相差较大，因此中值滤波能够有效地去除噪声，同时保留图像或数据的边缘信息。

以下是C++实现中值滤波的代码示例：

#include   
#include   
  
void medianFilter(std::vector>& image, int windowSize) {  
    int width = image.size();  
    int height = image[0].size();  
    std::vector> result(width, std::vector(height));  
  
    for (int i = 0; i < width; i++) {  
        for (int j = 0; j < height; j++) {  
            std::vector window(image.begin() + i - windowSize / 2, image.begin() + i + windowSize / 2 + 1);  
            std::sort(window.begin(), window.end());  
            result[i][j] = window[window.size() / 2]; // 取中间值作为输出结果  
        }  
    }  
    return result;  
}

优劣势比较：

均值滤波、高斯滤波和中值滤波各有其优劣势。均值滤波的主要优势在于其简单性和对于均匀分布噪声的去除效果；然而，它可能会导致图像变得模糊，特别是在边缘部分。高斯滤波则可以更好地保留图像边缘信息，因为其基于高斯函数进行加权平均；但是，对于非高斯分布的噪声效果可能不理想。中值滤波对于去除脉冲噪声和椒盐噪声非常有效，同时能够较好地保留图像边缘信息；然而，相对于前两者，中值滤波的计算量较大。因此，在实际应用中需要根据具体需求和场景选择合适的滤波方法。

原文地址：https://mp.weixin.qq.com/s?__biz=Mzg4Mjg0MTA3Ng==&mid=2247486662&idx=1&sn=8e51979c58c97fd80ff0d86999322452