opencv去除图像的正弦噪声，c++代码

以下是使用opencv去除图像正弦噪声的c代码示例：

#include <opencv2/opencv.hpp>

using namespace cv;

int main()
{
    Mat img = imread("noisy_image.jpg", IMREAD_GRAYSCALE); // 读入带有正弦噪声的灰度图像

    Mat smoothed;
    GaussianBlur(img, smoothed, Size(5, 5), 0); // 高斯平滑去除噪声

    Mat filtered;
    medianBlur(smoothed, filtered, 5); // 中值滤波进一步去除噪声

    imshow("Original Image", img);
    imshow("Filtered Image", filtered);
    waitKey(0);
    return 0;
}

在这个示例中，我们使用了opencv中的高斯平滑和中值滤波函数来去除图像的正弦噪声。首先，我们读入带有噪声的灰度图像，然后使用高斯平滑函数对图像进行平滑处理。接着，我们再使用中值滤波函数进一步去除噪声。最后，我们将原始图像和处理后的图像显示在屏幕上。

相关问题

opencv去除图像正弦噪声的c++代码

以下是使用opencv去除图像正弦噪声的c++代码：

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

using namespace cv;
using namespace std;

int main()
{
    Mat image = imread("image.jpg", IMREAD_GRAYSCALE); //读取图像并转为灰度图像

    if (image.empty())
    {
        cout << "Could not open or find the image" << endl;
        return -1;
    }

    Mat noise = Mat::zeros(image.rows, image.cols, CV_8U); //生成正弦噪声
    float freq = 20; //正弦噪声的频率
    float ampl = 30; //正弦噪声的振幅

    for (int i = 0; i < noise.rows; i++)
    {
        for (int j = 0; j < noise.cols; j++)
        {
            noise.at<uchar>(i, j) = ampl * sin(freq * i) + ampl * sin(freq * j);
        }
    }

    Mat noisyImage = image + noise; //图像添加噪声

    imshow("Noisy Image", noisyImage); //显示带噪声的图像

    Mat denoisedImage;
    medianBlur(noisyImage, denoisedImage, 5); //中值滤波去除噪声

    imshow("Denoised Image", denoisedImage); //显示去噪后的图像

    waitKey(0); //等待按键
    return 0;
}

该代码首先读取一张图像，并生成正弦噪声。然后将正弦噪声添加到图像中，并使用中值滤波去除噪声。最后，显示带噪声的图像和去噪后的图像。

opencv通过傅里叶变换去除图像正弦噪声的c++代码

以下是使用OpenCV进行傅里叶变换去除图像正弦噪声的C ++代码示例：

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

using namespace cv;
using namespace std;

int main()
{
    Mat img = imread("lena.jpg", IMREAD_GRAYSCALE); // 读取灰度图像
    if (img.empty())
    {
        cout << "Failed to load image" << endl;
        return -1;
    }

    // 添加正弦噪声
    int amplitude = 50;
    float frequency = 0.1;
    for (int i = 0; i < img.rows; i++)
    {
        for (int j = 0; j < img.cols; j++)
        {
            img.at<uchar>(i, j) += amplitude * sin(frequency * j);
        }
    }

    // 显示原始图像
    imshow("Original Image", img);

    // 执行傅里叶变换
    Mat planes[] = { Mat_<float>(img), Mat::zeros(img.size(), CV_32F) };
    Mat complexImg;
    merge(planes, 2, complexImg);
    dft(complexImg, complexImg);

    // 去除正弦噪声
    for (int i = 0; i < complexImg.rows; i++)
    {
        for (int j = 0; j < complexImg.cols; j++)
        {
            float real = complexImg.at<Vec2f>(i, j)[0];
            float imag = complexImg.at<Vec2f>(i, j)[1];

            // 计算频率
            float freq = sqrt(i * i + j * j);

            // 如果频率在噪声频率附近，则将该频率的幅度设置为0
            if (freq > frequency * img.cols - amplitude && freq < frequency * img.cols + amplitude)
            {
                complexImg.at<Vec2f>(i, j)[0] = 0;
                complexImg.at<Vec2f>(i, j)[1] = 0;
            }
        }
    }

    // 执行傅里叶逆变换
    Mat filteredImg;
    idft(complexImg, filteredImg, DFT_SCALE | DFT_REAL_OUTPUT);

    // 显示去噪后的图像
    imshow("Filtered Image", filteredImg);

    waitKey(0);
    return 0;
}

在这个示例中，我们首先加载一张灰度图像，并添加了一个正弦噪声。然后，我们执行傅里叶变换来将图像从空间域转换到频率域。接下来，我们遍历频率域中的每个像素，并检查其频率是否在噪声频率附近。如果是，则将该频率的幅度设置为零，以去除噪声。最后，我们执行傅里叶逆变换以将图像从频率域转换回空间域，并显示去噪后的图像。