标签：gray 排列 push clone idt 梯度 尺寸 tor 模糊
unmix
该程序用来消除“像素混叠”。所谓像素混叠，是值在自然场景的图像中，边缘线成像到cmos的像素上时，某些像素会刚好跨在该边缘线上。
这样的像素特点就是，其R、G、B三色像素梯度值不一致。比如说cmos上，每个彩色像素有R、G、B三色传感器组成，其排列方式是依次从左向右排序。
那么，如果刚好有一条倾斜的边缘线该像素的G位置，且该边缘线上部为背景、下部为物体，那么其三色梯度值不同，且dR>dB，反之则dB>dR.。类似于这样
的像素，我们可以通过unmix的方法将其消除。方法很简单，就是将该像素邻域内梯度相同或相近的像素替换该像素。下面是程序代码：
Mat unmix(const Mat&img,int neibourSize)
{
Mat imgCopy=img.clone();
int nr=neibourSize/2;
int cols=img.cols,rows=img.rows;
Mat kernel_x=(Mat_<int>(1,2)<<-1,1);
Mat kernel_y=(Mat_<int>(2,1)<<-1,1);
Mat img_dx,img_dy;//预声明X、Y方向的梯度矩阵
filter2D(img,img_dx,CV_32F,kernel_x);
filter2D(img,img_dy,CV_32F,kernel_y);
Mat Gradient=abs(img_dx)+abs(img_dy);
Mat theta=getGradientDirect(img_dy,img_dx);//该函数参见：https://www.cnblogs.com/phoenixdsg/p/11352623.html
Mat thetaGray;
cvtColor(theta,thetaGray,COLOR_RGB2GRAY);//转成灰度图像便于处理
///unmix（）函数
for(int i=nr;i<rows-nr;i++)
{
for(int j=nr;j<cols-nr;j++)
{
float* pG=CV_MAT_ELEM2(Gradient,float,i,j);
float R=pG[2],G=pG[1],B=pG[2];
if(R!=B||R!=G||B!=G)
{
Mat tmp=thetaGray(Rect(j-nr,i-nr,neibourSize,neibourSize));
Mat tmpr=tmp.clone();//截取邻域像素
float Pij=*(CV_MAT_ELEM2(thetaGray,float,i,j));//获取当前像素值
tmpr =abs(tmpr-Pij);
tmpr.at<float>(nr,nr)=7;
double minv;
Point minLoc;
minMaxLoc(tmpr,&minv,0,&minLoc);
minLoc=Point(nr,nr)-minLoc;
// cout<<"minv="<<minv<<" ; "
// <<"minLoc="<<minLoc<< endl;
int ii=minLoc.y+i,jj=minLoc.x+j;
for(int k=0;k<3;k++)
{
imgCopy.ptr<Vec3b>(i)[j][k]=
img.ptr<Vec3b>(ii)[jj][k];
}
}
}
}
return imgCopy;
}
该函数有两个参数，第一个是待处理的图像，第二个参数是邻域尺寸，尺寸必须是3、5、7等奇数。函数返回值，即是unmix的结果。
conditional average
设当前像素为N0，其邻域像素集合为S，从S中挑选有效像素{Ni}。求取有效像素均值N0‘，并替代N0 。
其中S={Ni: |Ni=N0|<T}。其中n是有效像素个数。注意S中始终包含N0。该程序会产生下面的效果：
1）在一个同质区域中，平滑掉小量噪声，噪声的相对值小于T；
2）在区域边界附近，对比度要大于T，刚好跨在边界上的像素不作均值处理。这样在平滑图像时，只对边界两边的像素作均值处理。
这与普通的均值模糊不同，普通的均值模糊连边界也被模糊了；
3）该程序只平滑一定梯度范围内的噪声，但不会将梯度平滑掉；
4）在纹理区域，如果纹理像素之间会有小量的差异（小于T），那么这些像素将被平滑为通知区域，也就是消除纹理。
如果纹理像素之间差值大于T，那么将不做平滑处理。
程序代码如下：
void conditionalAerage(Mat&img,int T)
{
int rows=img.rows,cols=img.cols;
int neighborSize=3;
int nr=neighborSize/2;
for(int i=nr;i<rows-nr;i++)
{
for(int j=nr;j<cols-nr;j++)
{
int ctn=0;
vector<Vec3b> nv;
Vec3b P0=img.at<Vec3b>(i,j);
float P0m=float(P0[0]+P0[1]+P0[1])/3.;
for(int in=i-nr;in<neighborSize;in++)
{
for(int jn=i-nr;jn<neighborSize;jn++)
{
Vec3b Pn=img.at<Vec3b>(in,jn);
float Pnm=float(Pn[0]+Pn[1]+Pn[1])/3.;
if(abs(Pnm-P0m)<T)
{
nv.push_back(Pn);
}
}
Vec3b sum(0,0,0);
ctn=nv.size();
for(int v=0;v<ctn;v++)
{
sum +=nv[v];
}
Vec3b aver=sum/ctn;
for(int k=0;k<img.channels();k++)
img.at<Vec3b>(i,j)[k]=aver[k];
}
}
}
}
unmix和conditional average：消混叠和条件均值
标签：gray 排列 push clone idt 梯度 尺寸 tor 模糊
原文地址：https://www.cnblogs.com/phoenixdsg/p/11359122.html
