opencv
Traitement d'image

Syntaxe

1. Syntaxe du flou gaussien C ++: GaussianBlur vide (InputArray src, OutputArray dst, Taille ksize, double sigmaX, double sigmaY = 0, int borderType = BORDER_DEFAULT)

Paramètres

Remarques

Lissage d'images avec flou gaussien en C ++

Le lissage, également appelé flou , est l’une des opérations les plus couramment utilisées dans le traitement d’images.

L'utilisation la plus courante de l'opération de lissage consiste à réduire le bruit dans l'image pour un traitement ultérieur.

Il existe de nombreux algorithmes pour effectuer le lissage.

Nous allons examiner l'un des filtres les plus couramment utilisés pour brouiller une image, le filtre gaussien utilisant la fonction de bibliothèque OpenCV GaussianBlur() . Ce filtre est conçu spécifiquement pour supprimer le bruit haute fréquence des images.

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

using namespace std;
using namespace cv;

int main(int argc, char** argv){

    Mat image , blurredImage;

    // Load the image file
    image = imread(argv[1], CV_LOAD_IMAGE_COLOR);

    // Report error if image could not be loaded
    if(!image.data){
        cout<<"Error loading image" << "\n";
        return -1;
    }

    // Apply the Gaussian Blur filter. 
    // The Size object determines the size of the filter (the "range" of the blur)
    GaussianBlur( image, blurredImage, Size( 9, 9 ), 1.0);

    // Show the blurred image in a named window
    imshow("Blurred Image" , blurredImage);

    // Wait indefinitely untill the user presses a key
    waitKey(0);

    return 0;
}

Pour la définition mathématique détaillée et d'autres types de filtres, vous pouvez vérifier la documentation d'origine .

Seuillage

En Python:

import cv2
image_path= 'd:/contour.png'
img = cv2.imread(image_path)

#display image before thresholding
cv2.imshow('I am an image display window',img)
cv2.waitKey(0)

#convert image to gray scale - needed for thresholding
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)


#apply threshold to gray image to obtain binary image

threshold=150 #value above which pixel values will be set to max_value
max_value=255  #value to which pixels above threshold will be set
threshold_stype=cv2.THRESH_BINARY #default threshold method

ret, img_binary = cv2.threshold(img_gray, threshold, max_value, threshold_stype)

#display image after thresholding
cv2.imshow('image after applying threshold',img_binary)
cv2.waitKey(0)

#save the binary image
cv2.imwrite('d:/binary.png',img_binary)
cv2.destroyAllWindows()

Filtrage Bilatéral

Dans les applications de traitement d'image, les filtres bilatéraux constituent un type particulier de filtres non linéaires .

Il y a un compromis entre la perte de structure et la suppression du bruit, car la méthode la plus populaire pour éliminer le bruit est le flou gaussien qui ne connaît pas la structure de l'image; par conséquent, il supprime également les bords. La plupart du temps, les bords contiennent des informations précieuses sur la scène et nous ne voulons pas les perdre. Le filtre bilatéral connaît la structure de la scène et a tendance à agir comme un filtre de flou classique lorsqu'il se trouve sur une zone sans arêtes. cependant, quand il voit un bord, il change de comportement; de sorte que le flou ne fonctionne pas sur tous les bords, mais fonctionne le long des bords, ce qui signifie qu'ils sont des filtres préservant les bords.

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

void main(int argc, char* argv[]) {
    if(argc==1) {
        std::cout << argv[0] << " <image>" << endl;
        return;
    }

    cv::Mat image, output;
    image = cv::imread(argv[1]);
    if(image.empty()) {
        std::cout << "Unable to load the image: " << argv[1] << endl;
        return;
    }

    cv::bilateralFilter(image, output, 3, 5, 3);
}