opencv图像去噪实验.docx
《opencv图像去噪实验.docx》由会员分享，可在线阅读，更多相关《opencv图像去噪实验.docx（32页珍藏版）》请在冰点文库上搜索。
opencv图像去噪实验
实验名称
实验4：
图像去噪
实验目的
1、掌握算术均值滤波器、几何均值滤波器、谐波和逆谐波均值滤波器进行图像去噪的算法
2、掌握利用中值滤波器进行图像去噪的算法
3、掌握自适应中值滤波算法
4、掌握自适应局部降低噪声滤波器去噪算法
5、掌握彩色图像去噪步骤
实验内容
1、均值滤波
具体内容：
利用OpenCV对灰度图像像素进行操作，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.模板大小为5＊5.（注：
请分别为图像添加高斯噪声、胡椒噪声、盐噪声和椒盐噪声,并观察滤波效果）
2、中值滤波
具体内容：
利用OpenCV对灰度图像像素进行操作，分别利用5*5和9＊9尺寸的模板对图像进行中值滤波。
（注：
请分别为图像添加胡椒噪声、盐噪声和椒盐噪声,并观察滤波效果）
3、自适应均值滤波。
具体内容：
利用OpenCV对灰度图像像素进行操作，设计自适应局部降低噪声滤波器去噪算法。
模板大小7*7（对比该算法的效果和均值滤波器的效果）
4、自适应中值滤波
具体内容：
利用OpenCV对灰度图像像素进行操作,设计自适应中值滤波算法对椒盐图像进行去噪。
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
具体内容：
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.模板大小为5*5。
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—〉depth，src—〉nChannels）;
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
{
IplImage*dst=cvCreateImage（cvGetSize（src），src-〉depth,src—〉nChannels）;
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）；
}
returndst；
｝
IplImage*AddSaltNoise（IplImage*src）//添加盐噪声，随机白色点
｛
IplImage*dst=cvCreateImage（cvGetSize（src）,src—〉depth，src->nChannels）；
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]=255；
}
elseif（src->nChannels==3）
{
s.val[0］=255;
s。
val[1]=255；
s.val[2]=255;
}
cvSet2D（dst,i，j,s）;
｝
returndst;
}
IplImage*AddPepperSaltNoise（IplImage*src）//添加椒盐噪声，随机黑白点
{
IplImage*dst=cvCreateImage（cvGetSize（src）,src—〉depth,src—>nChannels）;
cvCopy（src,dst）；
for（intk=0;k<8000；k++）
｛
inti=rand（）%src—>height；
intj=rand（）%src—〉width;
intm=rand（）%2；
CvScalars=cvGet2D（src,i，j）；
if（src—>nChannels==1）
{
if（m==0）
{
s。
val［0]=255；
}
else
｛
s。
val［0]=0;
｝
｝
elseif（src—〉nChannels==3）
{
if（m==0）
{
s.val[0]=255;
s。
val[1］=255；
s.val[2]=255;
}
else
{
s。
val［0］=0；
s.val[1］=0;
s.val[2］=0;
}
｝
cvSet2D（dst，i，j，s）;
}
returndst;
}
各类滤波器实现：
//算术均值滤波器——模板大小5*5
IplImage*ArithmeticMeanFilter（IplImage＊src）
｛
IplImage*dst=cvCreateImage（cvGetSize（src）,src-〉depth,src-〉nChannels）;
cvSmooth（src，dst，CV_BLUR,5）；
returndst;
}
//几何均值滤波器—-模板大小5＊5
IplImage＊GeometryMeanFilter（IplImage*src）
｛
IplImage*dst=cvCreateImage（cvGetSize（src），src->depth，src—〉nChannels）；
introw,col;
inth=src->height；
intw=src—>width;
doublemul[3］;
doubledc[3］；
intmn;
//计算每个像素的去噪后color值
for（inti=0;iheight;i++）{
for（intj=0；j〈src—>width;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<=2；n++）{
col=j+n;
if（row>=0&＆rowCvScalars=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）；
｝
｝
returndst;
｝
//谐波均值滤波器——模板大小5*5
IplImage＊HarmonicMeanFilter（IplImage＊src）
{
IplImage＊dst=cvCreateImage（cvGetSize（src），src—〉depth，src—〉nChannels）;
introw,col；
inth=src—>height;
intw=src-〉width;
doublesum[3］;
doubledc［3]；
intmn;
//计算每个像素的去噪后color值
for（inti=0;ifor（intj=0；jwidth；j++）{
sum［0］=0。
0；
mn=0；
//统计邻域,5*5模板
for（intm=—2；m<=2；m++）｛
row=i+m;
for（intn=-2;n〈=2;n++）{
col=j+n;
if（row>=0&&rowCvScalars=cvGet2D（src，row，col）;
sum［0］=sum[0］+（s。
val［0］==0?
255:
255/s。
val［0］）；
mn++；
}
}
｝
CvScalard；
dc[0］=mn*255/sum[0]；
d.val［0］=dc[0］；
//统计成功赋给去噪后图像。
cvSet2D（dst,i，j，d）;
}
}
returndst;
}
//逆谐波均值大小滤波器--模板大小5*5
IplImage*InverseHarmonicMeanFilter（IplImage＊src）
{
IplImage*dst=cvCreateImage（cvGetSize（src），src-〉depth，src-〉nChannels）；
//cvSmooth（src,dst,CV_BLUR,5）；
introw,col；
inth=src->height；
intw=src—〉width;
doublesum[3］；
doublesum1[3]；
doubledc［3]；
doubleQ=2；
//计算每个像素的去噪后color值
for（inti=0;iheight；i++）{
for（intj=0;jsum[0]=0。
0；
sum1[0］=0.0；
//统计邻域
for（intm=-2；m〈=2;m++）｛
row=i+m；
for（intn=-2；n<=2;n++）{
col=j+n;
if（row>=0＆&row〈h&＆col〉=0&&colCvScalars=cvGet2D（src,row，col）；
sum［0］=sum[0］+pow（s。
val［0］/255,Q+1）;
sum1[0]=sum1［0］+pow（s.val［0]/255，Q）；
｝
｝
｝
//计算1/mn次方
CvScalard；
dc[0］=（sum1［0]==0？
0：
（sum[0]/sum1［0]））*255；
d。
val［0］=dc[0]；
//统计成功赋给去噪后图像。
cvSet2D（dst,i，j，d）;
}
｝
returndst；
｝
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。
核心代码如下：
IplImage*MedianFilter_5_5（IplImage*src）｛
IplImage＊dst=cvCreateImage（cvGetSize（src），src->depth，src->nChannels）；
cvSmooth（src，dst，CV_MEDIAN，5）；
returndst；
}
IplImage*MedianFilter_9_9（IplImage＊src）｛
IplImage*dst=cvCreateImage（cvGetSize（src），src->depth，src—>nChannels）;
cvSmooth（src，dst，CV_MEDIAN,9）；
returndst；
}
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.
核心代码如下:
IplImage＊SelfAdaptMeanFilter（IplImage＊src）{
IplImage＊dst=cvCreateImage（cvGetSize（src）,src—〉depth,src->nChannels）;
cvSmooth（src,dst,CV_BLUR,7）;
introw，col;
inth=src-〉height；
intw=src-〉width;
intmn;
doubleZxy；
doubleZmed；
doubleSxy;
doubleSl；
doubleSn=100;
for（inti=0；i〈src->height;i++）{
for（intj=0；jwidth;j++）｛
CvScalarxy=cvGet2D（src,i,j）;
Zxy=xy。
val［0];
CvScalardxy=cvGet2D（dst，i,j）；
Zmed=dxy。
val[0];
Sl=0;
mn=0；
for（intm=—3；m<=3;m++）｛
row=i+m;
for（intn=—3；n〈=3；n++）{
col=j+n;
if（row>=0＆＆row〈h＆＆col〉=0&&colCvScalars=cvGet2D（src,row，col）；
Sxy=s.val[0］;
Sl=Sl+pow（Sxy—Zmed,2）；
mn++；
}
}
}
Sl=Sl/mn;
CvScalard;
d。
val［0］=Zxy—Sn/Sl＊（Zxy—Zmed）;
cvSet2D（dst，i,j，d）;
｝
}
returndst；
｝
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。
核心代码如下：
IplImage*SelfAdaptMedianFilter（IplImage＊src）{
IplImage＊dst=cvCreateImage（cvGetSize（src），src—〉depth,src—〉nChannels）;
introw，col；
inth=src—>height；
intw=src-〉width；
doubleZmin，Zmax,Zmed,Zxy,Smax=7;
intwsize；
//计算每个像素的去噪后color值
for（inti=0；iheight;i++）｛
for（intj=0;j〈src—>width;j++）{
//统计邻域
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；m〈=wsize；m++）{
row=i+m;
for（intn=—wsize；n<=wsize;n++）{
col=j+n；
if（row〉=0&&row〈h&＆col>=0&&col〈w）{
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）〉0＆＆（Zxy-Zmax）<0）{
d.val[0］=Zxy；
}else｛
d.val［0]=Zmed；
｝
cvSet2D（dst，i,j，d）；
break;
｝else{
wsize++；
if（wsize>3）{
CvScalard；
d.val[0］=Zmed；
cvSet2D（dst，i，j,d）；
break；
}
}
}
}
｝
returndst；
}
实验结果如图：
5、实验步骤:
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 