opencv图像去噪实验Word格式.docx
《opencv图像去噪实验Word格式.docx》由会员分享，可在线阅读，更多相关《opencv图像去噪实验Word格式.docx（30页珍藏版）》请在冰点文库上搜索。
模板大小7*7（对比中值滤波器的效果）
5、彩色图像均值滤波
利用OpenCV对彩色图像RGB三个通道的像素进行操作，利用算术均值滤波器和几何均值滤波器进行彩色图像去噪。
模板大小为5*5。
实验完成情况
1、实验步骤：
先为灰度图像添加高斯噪声、胡椒噪声、盐噪声和椒盐噪声，再分别利用算术均值滤波器、几何均值滤波器、谐波和逆谐波均值滤波器进行图像去噪。
核心代码如下：
添加各类噪声：
IplImage*AddGuassianNoise（IplImage*src）//添加高斯噪声
{
IplImage*dst=cvCreateImage（cvGetSize（src）,src->
depth,src->
nChannels）;
IplImage*noise=cvCreateImage（cvGetSize（src）,src->
CvRNGrng=cvRNG（-1）;
cvRandArr（&
rng,noise,CV_RAND_NORMAL,cvScalarAll（0）,cvScalarAll（15））;
cvAdd（src,noise,dst）;
returndst;
}
IplImage*AddPepperNoise（IplImage*src）//添加胡椒噪声，随机黑色点
cvCopy（src,dst）;
for（intk=0;
k<
8000;
k++）
{
inti=rand（）%src->
height;
intj=rand（）%src->
width;
CvScalars=cvGet2D（src,i,j）;
if（src->
nChannels==1）
s.val[0]=0;
}
elseif（src->
nChannels==3）
s.val[0]=0;
s.val[1]=0;
s.val[2]=0;
cvSet2D（dst,i,j,s）;
IplImage*AddSaltNoise（IplImage*src）//添加盐噪声，随机白色点
s.val[0]=255;
s.val[0]=255;
s.val[1]=255;
s.val[2]=255;
IplImage*AddPepperSaltNoise（IplImage*src）//添加椒盐噪声，随机黑白点
intm=rand（）%2;
if（m==0）
s.val[0]=255;
}
else
s.val[0]=0;
}
s.val[1]=0;
s.val[2]=0;
各类滤波器实现：
//算术均值滤波器——模板大小5*5
IplImage*ArithmeticMeanFilter（IplImage*src）
cvSmooth（src,dst,CV_BLUR,5）;
//几何均值滤波器——模板大小5*5
IplImage*GeometryMeanFilter（IplImage*src）
introw,col;
inth=src->
intw=src->
doublemul[3];
doubledc[3];
intmn;
//计算每个像素的去噪后color值
for（inti=0;
i<
src->
i++）{
for（intj=0;
j<
j++）{
mul[0]=1.0;
mn=0;
//统计邻域内的几何平均值，邻域大小5*5
for（intm=-2;
m<
=2;
m++）{
row=i+m;
for（intn=-2;
n<
n++）{
col=j+n;
if（row>
=0&
&
row<
h&
col>
=0&
col<
w）{
CvScalars=cvGet2D（src,row,col）;
mul[0]=mul[0]*（s.val[0]==0?
1:
s.val[0]）;
//邻域内的非零像素点相乘
mn++;
}
}
}
//计算1/mn次方
CvScalard;
dc[0]=pow（mul[0],1.0/mn）;
d.val[0]=dc[0];
//统计成功赋给去噪后图像。
cvSet2D（dst,i,j,d）;
//谐波均值滤波器——模板大小5*5
IplImage*HarmonicMeanFilter（IplImage*src）
doublesum[3];
sum[0]=0.0;
//统计邻域,5*5模板
sum[0]=sum[0]+（s.val[0]==0?
255:
255/s.val[0]）;
dc[0]=mn*255/sum[0];
//逆谐波均值大小滤波器——模板大小5*5
IplImage*InverseHarmonicMeanFilter（IplImage*src）
//cvSmooth（src,dst,CV_BLUR,5）;
doublesum1[3];
doubleQ=2;
sum1[0]=0.0;
//统计邻域
sum[0]=sum[0]+pow（s.val[0]/255,Q+1）;
sum1[0]=sum1[0]+pow（s.val[0]/255,Q）;
dc[0]=（sum1[0]==0?
0:
（sum[0]/sum1[0]））*255;
实验结果如图所示：
（从左至右，从上至下分别为原图像、加噪图像、算术均值处理图像、几何均值处理图像、谐波均值处理图像、逆谐波均值处理图像）
（1）高斯噪声：
（2）胡椒噪声：
（3）盐噪声
（4）椒盐噪声
2、实验步骤：
先为灰度图像添加胡椒噪声、盐噪声和椒盐噪声，再分别利用5*5和9*9尺寸的模板对图像进行中值滤波。
IplImage*MedianFilter_5_5（IplImage*src）{
cvSmooth（src,dst,CV_MEDIAN,5）;
IplImage*MedianFilter_9_9（IplImage*src）{
cvSmooth（src,dst,CV_MEDIAN,9）;
实验结果如下图（灰度图像和加噪图像第一问中已给出，下面只列出分别利用5*5和9*9尺寸的模板对图像进行中值滤波后的图像）：
灰度图像加胡椒噪声，分别利用5*5和9*9尺寸的模板对图像进行中值滤波。
灰度图像加盐噪声，分别利用5*5和9*9尺寸的模板对图像进行中值滤波。
灰度图像加椒盐噪声，分别利用5*5和9*9尺寸的模板对图像进行中值滤波。
3、实验步骤：
自适应均值滤波（以高斯噪声为例），先为灰度图像添加高斯噪声，再利用7*7尺寸的模板对图像进行自适应均值滤波。
IplImage*SelfAdaptMeanFilter（IplImage*src）{
cvSmooth（src,dst,CV_BLUR,7）;
doubleZxy;
doubleZmed;
doubleSxy;
doubleSl;
doubleSn=100;
CvScalarxy=cvGet2D（src,i,j）;
Zxy=xy.val[0];
CvScalardxy=cvGet2D（dst,i,j）;
Zmed=dxy.val[0];
Sl=0;
for（intm=-3;
=3;
for（intn=-3;
Sxy=s.val[0];
Sl=Sl+pow（Sxy-Zmed,2）;
Sl=Sl/mn;
d.val[0]=Zxy-Sn/Sl*（Zxy-Zmed）;
实验结果如图：
4、实验步骤：
自适应中值滤波（以椒盐噪声为例），先为灰度图像添加椒盐噪声，再利用7*7尺寸的模板对图像进行自适应中值滤波。
IplImage*SelfAdaptMedianFilter（IplImage*src）{
doubleZmin,Zmax,Zmed,Zxy,Smax=7;
intwsize;
wsize=1;
while（wsize<
=3）{
Zmin=255.0;
Zmax=0.0;
Zmed=0.0;
CvScalarxy=cvGet2D（src,i,j）;
Zxy=xy.val[0];
intmn=0;
for（intm=-wsize;
=wsize;
row=i+m;
for（intn=-wsize;
col=j+n;
if（row>
CvScalars=cvGet2D（src,row,col）;
if（s.val[0]>
Zmax）{
Zmax=s.val[0];
}
if（s.val[0]<
Zmin）{
Zmin=s.val[0];
Zmed=Zmed+s.val[0];
mn++;
}
Zmed=Zmed/mn;
CvScalard;
if（（Zmed-Zmin）>
0&
（Zmed-Zmax）<
0）{
if（（Zxy-Zmin）>
（Zxy-Zmax）<
d.val[0]=Zxy;
}else{
d.val[0]=Zmed;
cvSet2D（dst,i,j,d）;
break;
}else{
wsize++;
if（wsize>
3）{
CvScalard;
cvSet2D（dst,i,j,d）;
break;
5、实验步骤：
实验代码参照问题一，选择彩色图片、算术均值滤波器和几何均值滤波器进行彩色图像去噪。
实验结果如下图（以椒盐噪声为例）：
利用算术均值滤波器：
利用几何均值滤波器：
实验中的问题
实验问题：
几何均值滤波以及谐波、逆谐波滤波没有对应的库函数
解决方法：
通过学习书本对应章节，根据公式写出程序
实验结果
升级会员 