OpenCV图像滤波教程：从线性到非线性

"图像滤波技术是图像处理中的重要环节，主要目的是减少噪声、平滑图像或突出特定特征。本笔记主要介绍了OpenCV库中的几种图像滤波方法，包括线性滤波、非线性滤波以及形体学滤波。同时，也涵盖了阈值化技术，这对于图像分割和目标检测至关重要。" 在图像处理中，阈值化是一种基本的图像分割手段，它通过设定一个阈值来决定像素是否保留。OpenCV提供了两种阈值操作： 1. 固定阈值操作：`threshold()`函数 这个函数可以将图像中的像素值与预设的阈值进行比较，根据比较结果将其设置为新的值。例如，我们可以设定一个阈值`thresh`，如果像素值大于`thresh`，则设置为`maxval`，否则设置为0。这常用于将灰度图像转换为二值图像，或者去除图像中的噪声点。 ```cpp double threshold(InputArray src, OutputArray dst, double thresh, double maxval, int type); ``` 其中，`type`参数可以是以下类型： - `THRESH_BINARY`：大于阈值的像素设置为`maxval`，小于阈值的设置为0。 - `THRESH_BINARY_INV`：反之，大于阈值的设置为0，小于阈值的设置为`maxval`。 2. 自适应阈值操作：`adaptiveThreshold()`函数 自适应阈值根据每个像素的邻域动态计算阈值，更适用于图像光照不均匀的情况。它能够更好地识别边缘，因为阈值是局部计算的。 ```cpp void adaptiveThreshold(InputArray src, OutputArray dst, double maxValue, int adaptiveMethod, int thresholdType, int blockSize, double C); ``` 这里的参数包括： - `adaptiveMethod`：可以选择`ADAPTIVE_THRESH_MEAN_C`或`ADAPTIVE_THRESH_GAUSSIAN_C`，分别基于邻域像素的平均值或加权平均值。 - `thresholdType`：与`threshold()`函数相同。 - `blockSize`：计算阈值的邻域大小。 - `C`：一个常数值，用于调整阈值。 接下来，我们讨论线性滤波： - **均值滤波**：使用`blur()`函数，它对每个像素应用邻域内的像素平均值，可以减小图像噪声，但可能会模糊图像边缘。 - **方框滤波**：`boxFilter()`函数，与均值滤波类似，但不包括权重，所有邻域像素的贡献相等。 - **高斯滤波**：`GaussianBlur()`函数，使用高斯核进行滤波，能更好地保持边缘信息，同时减小噪声。 非线性滤波主要包括： - **中值滤波**：`medianBlur()`函数，用邻域内像素的中值替换中心像素，对椒盐噪声有很好的抑制效果。 - **双边滤波**：`bilateralFilter()`函数，结合空间距离和灰度相似度进行滤波，既能平滑图像又能保持边缘。 形体学滤波是基于数学形态学的操作，主要用于处理二值图像： - **结构元素**：通过`getStructuringElement()`函数创建，决定了滤波形状。 - **膨胀**：`dilate()`函数，增加物体边界，填充空洞。 - **腐蚀**：`erode()`函数，收缩物体边界，消除小物体。 - **形态学变换**：`morphologyEx()`函数，支持多种形态学操作，如开运算、闭运算、形态学梯度、黑帽和顶帽等。 开运算（先腐蚀后膨胀）用于去除小噪声点，闭运算（先膨胀后腐蚀）用于连接断开的物体边缘。形态学梯度是膨胀图与腐蚀图的差，可以突出边缘；黑帽是闭运算与原图像之差，用于去除小孔洞；顶帽是原图像与开运算结果的差，揭示微小细节。 最后，漫水填充法`floodFill()`用于在图像中填充特定区域，常用于标记或隔离特定颜色或灰度的区域。 这些滤波技术和阈值化方法在实际图像处理任务中有着广泛的应用，如目标检测、图像分割、去噪、边缘检测等。通过合理选择和组合这些工具，可以实现各种复杂的图像处理效果。