Android OpenCV(十八):均值滤波

均值滤波

均值滤波也称为线性滤波,其采用的主要方法为邻域平均法。线性滤波的基本原理是用均值代替原图像中的各个像素值,即对待处理的当前像素点(x,y),选择一个模板,该模板由其近邻的若干像素组成,求模板中所有像素的均值,再把该均值赋予当前像素点(x,y),作为处理后图像在该点上的灰度g(x,y),即g(x,y)=∑f(x,y)/m m为该模板中包含当前像素在内的像素总个数。从频率域观点来看均值滤波是一种低通滤波器,高频信号将会去掉,因此可以帮助消除图像尖锐噪声,实现图像平滑,模糊等功能。

从均值滤波的定义上看,滤波操作也是进行图像卷积运算。均值滤波使用到的卷积核如下

API

public static void blur(Mat src, Mat dst, Size ksize, Point anchor, int borderType)
  • 参数一:src,待均值滤波的图像,图像的数据类型必须是CV_8U、CV_16U、CV_16S、CV_32F和CV_64F这五种数据类型之一。

  • 参数二:dst,均值滤波后的图像,与输入图像具有相同的尺寸和数据类型。

  • 参数三:ksize,卷积核尺寸。

  • 参数四:anchor,内核的基准点(锚点),其默认值为(-1,-1)代表内核基准点位于kernel的中心位置。基准点即卷积核中与进行处理的像素点重合的点,其位置必须在卷积核的内部。

  • 参数五:borderType,像素外推法选择标志。默认参数为BORDER_DEFAULT,表示不包含边界值倒序填充。

边界填充

值

作用

BORDER_CONSTANT

0

用特定值填充,如iiiiii|abcdefgh|iiiiiii

BORDER_REPLICATE

1

两端复制填充,如aaaaaa|abcdefgh|hhhhhhh

BORDER_REFLECT

2

倒叙填充,如fedcba|abcdefgh|hgfedcb

BORDER_WRAP

3

正序填充,如cdefgh|abcdefgh|abcdefg

BORDER_REFLECT_101

4

不包含边界值倒叙填充,gfedcb|abcdefgh|gfedcba

BORDER_TRANSPARENT

5

随机填充,uvwxyz|abcdefgh|ijklmno

BORDER_REFLECT101

4

与BORDER_REFLECT_101相同

BORDER_DEFAULT

4

与BORDER_REFLECT_101相同

BORDER_ISOLATED

16

不关心感兴趣区域之外的部分

操作

/** * 均值滤波 * author: yidong * 2020/4/11 */class MeanFilterActivity : AppCompatActivity() {    private lateinit var mBinding: ActivityMeanFilterBinding    private lateinit var mRgb: Mat    override fun onCreate(savedInstanceState: Bundle?) {        super.onCreate(savedInstanceState)        mBinding = DataBindingUtil.setContentView(this, R.layout.activity_mean_filter)        val bgr = Utils.loadResource(this, R.drawable.lena)        mRgb = Mat()        Imgproc.cvtColor(bgr, mRgb, Imgproc.COLOR_BGR2RGB)        bgr.release()        showMat(mBinding.ivLena, mRgb)    }    override fun onCreateOptionsMenu(menu: Menu?): Boolean {        menuInflater.inflate(R.menu.menu_mean_filter, menu)        return true    }    override fun onOptionsItemSelected(item: MenuItem): Boolean {        when (item.itemId) {            R.id.menu_3_3 -> {                showMat(mBinding.ivLena, mRgb)                val result = Mat()                Imgproc.blur(mRgb, result, Size(3.0, 3.0))                showMat(mBinding.ivResult, result)                result.release()            }            R.id.menu_9_9 -> {                showMat(mBinding.ivLena, mRgb)                val result = Mat()                Imgproc.blur(mRgb, result, Size(9.0, 9.0))                showMat(mBinding.ivResult, result)                result.release()            }            R.id.menu_12_12 -> {                showMat(mBinding.ivLena, mRgb)                val result = Mat()                Imgproc.blur(mRgb, result, Size(12.0, 12.0))                showMat(mBinding.ivResult, result)                result.release()            }            R.id.menu_salt_pepper_noise -> {                saltPepperNoiseAndMeanFilter()            }            R.id.menu_gaussian_noise -> {                gaussianNoiseAndMeanFilter()            }        }        return true    }    private fun saltPepperNoiseAndMeanFilter() {        val source = mRgb.clone()        val number = 10000        for (k in 0..number) {            val i = (0..1000).random() % source.cols()            val j = (0..1000).random() % source.rows()            when ((0..100).random() % 2) {                0 -> {                    when (source.channels()) {                        1 -> {                            source.put(j, i, 255.0)                        }                        2 -> {                            source.put(j, i, 255.0, 255.0)                        }                        3 -> {                            source.put(j, i, 255.0, 255.0, 255.0)                        }                        else -> {                            source.put(j, i, 255.0, 255.0, 255.0, 255.0)                        }                    }                }                1 -> {                    when (source.channels()) {                        1 -> {                            source.put(j, i, 0.0)                        }                        2 -> {                            source.put(j, i, 0.0, 0.0)                        }                        3 -> {                            source.put(j, i, 0.0, 0.0, 0.0)                        }                        else -> {                            source.put(j, i, 0.0, 0.0, 0.0, 0.0)                        }                    }                }            }        }        showMat(mBinding.ivLena, source)        val result = Mat()        Imgproc.blur(source, result, Size(9.0, 9.0))        showMat(mBinding.ivResult, result)        result.release()        source.release()    }    private fun gaussianNoiseAndMeanFilter() {        val source = mRgb.clone()        val noise = Mat(source.size(), source.type())        val gaussian = Mat()        Core.randn(noise, 20.0, 50.0)        Core.add(source, noise, gaussian)        showMat(mBinding.ivLena, gaussian)        val result = Mat()        Imgproc.blur(gaussian, result, Size(9.0, 9.0))        showMat(mBinding.ivResult, result)        source.release()        noise.release()        gaussian.release()        result.release()    }    private fun showMat(view: ImageView, source: Mat) {        val bitmap = Bitmap.createBitmap(source.width(), source.height(), Bitmap.Config.ARGB_8888)        Utils.matToBitmap(source, bitmap)        view.setImageBitmap(bitmap)    }    override fun onDestroy() {        mRgb.release()        super.onDestroy()    }}

效果

建议直接运行代码查看效果,更清晰更直观。

图片效果

均值滤波3X3

均值滤波9X9

均值滤波12X12

椒盐噪声和均值滤波9X9

高斯噪声和均值滤波9X9

GIF

均值滤波

源码

https://github.com/onlyloveyd/LearningAndroidOpenCV

本文分享自微信公众号 - 微卡智享(VaccaeShare)。
如有侵权,请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”,欢迎正在阅读的你也加入,一起分享。

评论

暂无评论