opencv
Afbeelding verwerken

Syntaxis

1. Gaussian Blur Syntax C ++: void GaussianBlur (InputArray src, OutputArray dst, Size ksize, double sigmaX, double sigmaY = 0, int borderType = BORDER_DEFAULT)

parameters

Opmerkingen

Afbeeldingen vloeiend maken met Gaussiaans vervagen in C ++

Vloeiend maken, ook bekend als vervagen , is een van de meest gebruikte bewerkingen in beeldverwerking.

Het meest gebruikelijke gebruik van de afvlakbewerking is het verminderen van ruis in het beeld voor verdere verwerking.

Er zijn veel algoritmen om de afvlakbewerking uit te voeren.

We kijken naar een van de meest gebruikte filters voor het vervagen van een afbeelding, het Gaussiaanse filter met de OpenCV-bibliotheekfunctie GaussianBlur() . Dit filter is speciaal ontworpen voor het verwijderen van hoogfrequente ruis uit afbeeldingen.

#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;
}

Voor de gedetailleerde wiskundige definitie en andere soorten filters kunt u de originele documentatie raadplegen .

thresholding

In 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()

Bilaterale filtering

In beeldverwerkingstoepassingen zijn de bilaterale filters een speciaal type niet-lineaire filters .

Er is een afweging tussen het verliezen van structuur en ruisverwijdering, omdat de meest populaire methode om ruis te verwijderen Gaussiaanse vervaging is, die zich niet bewust is van de structuur van het beeld; daarom verwijdert het ook de randen. Meestal bevatten randen waardevolle informatie over de scène en we willen deze niet kwijt. Het bilaterale filter is zich bewust van de structuur van de scène en heeft de neiging om te werken als een klassiek vervagend filter wanneer het zich op een gebied zonder randen bevindt; wanneer het echter een rand ziet, verandert het zijn gedrag; zodat vervaging niet langs de randen werkt, maar langs de randen, wat betekent dat het filters zijn die de randen behouden .

#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);
}