标签:
高斯模糊算法 详见:高斯模糊,基本思想就是利用高斯函数,将一个坐标点的所有邻域的加权平均值设置为这些点的颜色值。
中值滤波算法就更简单了:将一个坐标点的所有邻域的平均值设置为这些点的像素值。
高斯函数:
使用宏定义来替换:
#define PI<span style="white-space:pre"> </span>3.1415926 //高斯模糊函数 #define GAUSS_FUN(x, y) (exp(-(x*x)/(double)(2*y*y)))/(sqrt(2.0*PI)*y) #define SQUARE(x)<span style="white-space:pre"> </span>((x)*(x)) //暂且定义sigma为10 const double sigma=10;
高斯模糊算法处理像素
//高斯模糊,nRadius为平均取值的半径,半径越大,图像越模糊,处理时间也越长 bool GaussFilter( DWORD* pData, DWORD* pCopy, const int nWidth, const int nHeight, const int nRadius/*=1*/ ) { if ( nWidth<=0 || nHeight<=0 || nRadius<=0 ) return false; for ( int ny=0; ny<nHeight; ++ny ) { for ( int nx=0; nx<nWidth; ++nx ) { vector<COLOR_DATA> cdList; cdList.reserve(200); COLOR_DATA cd; double dTotal=0; for ( int m=nx-nRadius; m<=nx+nRadius; ++m ) { if ( m<0 || m>=nWidth ) continue; for ( int n=ny-nRadius; n<=ny+nRadius; ++n ) { if ( n<0 || n>=nHeight ) continue; cd.dDistance=GAUSS_FUN(sqrt((double)(SQUARE(m-nx)+SQUARE(n-ny))), sigma); dTotal+=cd.dDistance; cd.dwColor=*(pData+n*nWidth+m); cdList.push_back(cd); } } if ( cdList.size()>0 ) {//这里来计算整个邻域内所有像素点的加权平均值
std::vector<COLOR_DATA>::const_iterator itor=cdList.begin(); double r=0, g=0, b=0; for ( ; itor!=cdList.end(); ++itor ) { double dRate=itor->dDistance/dTotal;//距离中心点越远,权值越小 r+=GetRValue(itor->dwColor)*dRate; g+=GetGValue(itor->dwColor)*dRate; b+=GetBValue(itor->dwColor)*dRate; } *(pCopy+ny*nWidth+nx)=RGB((int)r, (int)g, (int)b); } } } return true; }中值滤波函数就很简单了,不细说
//中值滤波 bool MedianFilter( DWORD* pData, DWORD* pCopy, const int nWidth, const int nHeight, const int nRadius ) { if ( nWidth<=0 || nHeight<=0 || nRadius<=0 ) return false; for ( int ny=0; ny<nHeight; ++ny ) { for ( int nx=0; nx<nWidth; ++nx ) {//扫描每一个点的邻域,把他们的像素值保存起来。 vector<DWORD> data; for ( int m=nx-nRadius; m<=nx+nRadius; ++m ) { if ( m<0 || m>=nWidth || (m==nx) ) continue; for ( int n=ny-nRadius; n<=ny+nRadius; ++n ) { if ( n<0 || n>=nHeight || (n==ny) ) continue; data.push_back(*(pData+n*nWidth+m)); } } if ( data.size()>0 ) { std::sort(data.begin(), data.end());//排序 *(pCopy+ny*nWidth+nx)=data[data.size()/2];//取所有像素值的中值作为整个区域的像素值 } } } return true; }
DWORD __stdcall GaussThread(LPVOID lpParam) { HLOCAL hMem=LocalAlloc(LHND, g_lBmpSize); DWORD* pBuffer=(DWORD*)LocalLock(hMem); LONG lCopySize=::GetBitmapBits(g_hBitmap1, g_lBmpSize, pBuffer); HLOCAL hMemCopy=LocalAlloc(LHND, g_lBmpSize); DWORD* pBufferCopy=(DWORD*)LocalLock(hMemCopy); //MedianFilter(pBuffer, bmMetric.bmWidth, bmMetric.bmHeight, 1); //MedianFilter(pBuffer, pBufferCopy, g_nBmpWidth, g_nBmpHeight, 3); //MedianFilterRGB(pBuffer, pBufferCopy, g_nBmpWidth, g_nBmpHeight, 10); GaussFilter(pBuffer, pBufferCopy, g_nBmpWidth, g_nBmpHeight, 6); ::SetBitmapBits(g_hBitmap1, g_lBmpSize, pBufferCopy); LocalUnlock(hMem); LocalFree(hMem); LocalUnlock(hMemCopy); LocalFree(hMemCopy); ::PostMessage(g_hMainWnd, WM_GAUSS_MSG, 0, 0); return 0; }
邻域距离为24时的高斯模糊处理效果:
这时候,线程处理得花好几十秒时间了。
接着,对比中值滤波处理效果,邻域距离为6、12、24时的三张效果图分别为:
对比效果图可以看出,高斯滤波模糊效果比较平滑,中值滤波则比较粗糙。当然了,高斯算法相对负责,其处理时也很花费的时间。
标签:
原文地址:http://blog.csdn.net/mfcing/article/details/43817715