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