前言：
欢迎来到本博客
本专栏主要结合OpenCV和C++来实现一些基本的图像处理算法并详细解释各参数含义，适用于平时学习、工作快速查询等，随时更新。
具体食用方式：可以点击本专栏【OpenCV快速查找(更新中)】–>搜索你要查询的算子名称或相关知识点，或者通过这篇博客通俗易懂OpenCV(C++版)详细教程——OpenCV函数快速查找(不断更新中)]查阅你想知道的知识，即可食用。
支持：如果觉得博主的文章还不错或者您用得到的话，可以悄悄关注一下博主哈，如果三连收藏支持就更好啦！这就是给予我最大的支持！
文章目录
学习目标一、联合双边滤波原理二、C++实现2.1 原理实现2.2 OpenCV函数
三、 总结
学习目标
了解联合双边滤波含义及原理 C++实现联合双边滤波案例
每一张图像都可能包含某种程度的噪声，噪声可以理解为由一种或者多种原因造成的灰度值的随机变化。 在大多数情况下，通过平滑技术（也常称为滤波技术）进行抑制或者去除，其中具备保持边缘(Edge Preserving)作用的平滑技术得到了更多的关注。 常用的平滑处理算法包括基于二维离散卷积的高斯平滑、均值平滑，基于统计学方法的中值平滑，具备保持边缘作用的平滑算法的双边滤波、导向滤波等。
一、联合双边滤波原理
联合双边滤波(Joint bilaterral Filter或称Cross Bilater Filter)与双边滤波类似，原理具体过程如下:
(1) 首先，对每个位置的邻域构建空间距离权重模板。与双边滤波构建空间距离权重模 板一样。
(2) 然后，构建相似性权重模板。这是与双边滤波唯一的不同之处，双边滤波是根据原图，对于每一个位置，通过该位置和其邻域的灰度值的差的指数来估计相似性；而联合双边滤波是首先对原图进行高斯平滑，根据平滑的结果，用当前位置及其邻域的值的差来估计相似性权重模板。
(3) 接着，空间距离权重模板和相似性权重模板点乘，然后归一化，作为最后的权重模板。最后将权重模板与原图（注意不是高斯平滑的结果）在该位置的邻域对应位置积的和作为输出值。整个过程只在第二步计算相似性权重模板时和双边滤波不同，但是对图像平滑的效果，特别是对纹理图像来说，却有很大的不同。
二、C++实现
2.1 原理实现
通过定义函数jointBLF()实现联合双边滤波，其中参数size代表权重模板的尺寸，Size类的第一个参数是宽，第二个参数是高，即Size(W，H)。具体实现代码如下：
#include
#include
#include
#include
#include
#include
using namespace std;
using namespace cv;
cv::Mat getClosenessWeight1(double Sigma_g, Size size) {
//获取模板大小
int H = size.height;
int W = size.width;
//获取模板中心点
int H_center = (H - 1) / 2;
int W_center = (W - 1) / 2;
//设置 空间距离权重模板
Mat ClosenessWeight = Mat::zeros(size, CV_64FC1);
for (int r = 0; r < H; r++){
for (int c = 0; c double norm2 = pow(double(r- HH_center),2.0)+ pow(double(c - W_center), 2.0); double Sigma_g2 =2 * pow(Sigma_g, 2.0); //模板赋值 ClosenessWeight.at } } return ClosenessWeight; } } Mat jointBLF(Mat I, Size size,float sigma_g,float sigma_d,int borterType=BORDER_DEFAULT){ //构建空间距离得权重模板 Mat closenessWeight = getClosenessWeight1(sigma_g, size); //对图片I进行高斯平滑 Mat Ig; GaussianBlur(I, Ig, size,sigma_g); int winH = size.height; int winW = size.width; //平滑窗口得高、宽为奇数 CV_Assert(winH > 0 && winW > 0); CV_Assert(winH%2==1&& winW%2==1); //中心点 int half_winW = (winW - 1) / 2; int half_winH = (winH - 1) / 2; //对原图和高斯平滑后的结果进行边界扩充 Mat Ip, Igp; copyMakeBorder(I,Ip, half_winW,half_winW, half_winH, half_winH,borterType); copyMakeBorder(Ig,Igp, half_winW, half_winW,half_winH, half_winH, borterType); //图像得宽高 int rows = I.rows; int cols = I.cols; int i=0, j=0; //联合双边滤波后得输出图 Mat jblf = Mat::zeros(I.size(), CV_64FC1); for (int r = half_winH; r < half_winH+ rows; r++) { for (int c = half_winW; c < half_winW+ cols; c++) { //当前位置的像素值 double pixel = I.at //获取当前位置的作用区域(领域) Mat region = Igp(Rect(c- half_winW,r- half_winH,size.width,size.height)); //设置当前位置相似性权重模板 Mat similaritWeight; pow(region - pixel, 2.0, similaritWeight); exp(-0.5 * similaritWeight /pow(sigma_d, 2), similaritWeight); //空间距离权重模板与相似性权重模板点乘 并归一化 Mat weight = closenessWeight.mul(similaritWeight); weight = weight /sum(weight)[0]; //权重模板与当前领域对应位置相乘，求和 Mat Iregion = Ip(Rect(c - half_winW,r - half_winH, size.width, size.height)); jblf.at j += 1; } j = 0; i+=1; } return jblf; } 主函数： int main() { //输入图像 cv::Mat I = imread("D:/VSCodeFile/OpenCV_CSDN/image/img4.jpg", CV_LOAD_IMAGE_GRAYSCALE); if (!I.data) { return -1; } Mat fI; I.convertTo(fI,CV_64F,1.0,0); //联合双边滤波 Mat jblf = jointBLF(fI, Size(33, 33), 7, 2); Mat jblf8U; jblf.convertTo(jblf8U, CV_8U, 1, 0); //显示 imshow("联合双边滤波", jblf); imshow("原图", I); waitKey(0); return 0; } 2.2 OpenCV函数 在OpenCV中通过定义函数jointBilateralFilter实现了联合双边滤波的功能： jointBilateralFilter(InputArray joint, InputArray src, OutputArray dst, int d, double sigmaColor, double sigmaSpace, int borderType = BORDER_DEFAULT ) 参数解释joint进行联合滤波的导向图像，8位或浮点、1通道或3通道图像src输入图像,可以为单通道或多通道，与joint图像一致dst输出矩阵，其大小与数据类型和src一致d表示在过滤过程中每个像素邻域的直径。如果这个值设其为非正数，那么会从第五个参数sigmaSpace来计算出它来，在使用过程中类似于模糊力度。sigmaColor颜色空间滤波器的sigma值。这个参数的值越大，就表明该像素邻域内有更宽广的颜色会被混合到一起，产生较大的半相等颜色区域。类似模糊范围的意思，范围越大看着越模糊sigmaSpace坐标空间中滤波器的sigma值，坐标空间的标注方差。数值越大，意味着越远的像素会相互影响，从而使更大的区域足够相似的颜色获取相同的颜色。当d>0，d指定了邻域大小且与sigmaSpace无关。否则，d正比于sigmaSpace。值越大，图像的过渡效果越好。borderType推断图像边缘像素的边界模式，默认 三、 总结 最后，长话短说，大家看完就好好动手实践一下，切记不能三分钟热度、三天打鱼，两天晒网。OpenCV是学习图像处理理论知识比较好的一个途径，大家也可以自己尝试写写博客，来记录大家平时学习的进度，可以和网上众多学者一起交流、探讨，有什么问题希望大家可以积极评论交流，我也会及时更新，来督促自己学习进度。希望大家觉得不错的可以点赞、关注、收藏。 今天的文章就到这里啦~ 喜欢的话，点赞、收藏⭐️、关注哦 ~ 推荐阅读
您阅读本篇文章共花了：
发表评论