注:部落格中圖表的大小難以調整,導緻閱讀不便,這裡有其pdf版本:高斯模糊實作小結.pdf
廣告:如果科研累了,靜下心來讀一本好書吧:《琅琊榜》
高斯模糊是一種圖像濾波器,它使用正态分布(高斯函數)計算模糊模闆,并使用該模闆與原圖像做卷積運算,達到模糊圖像的目的。
N維空間正态分布方程為:
其中,σ是正态分布的标準差,σ值越大,圖像越模糊(平滑)。r為模糊半徑,模糊半徑是指模闆元素到模闆中心的距離。如二維模闆大小為m*n,則模闆上的元素(x,y)對應的高斯計算公式為:
在二維空間中,這個公式生成的曲面的等高線是從中心開始呈正态分布的同心圓。分布不為零的像素組成的卷積矩陣與原始圖像做變換。每個像素的值都是周圍相鄰像素值的權重平均。原始像素的值有最大的高斯分布值,是以有最大的權重,相鄰像素随着距離原始像素越來越遠,其權重也越來越小。這樣進行模糊處理比其它的均衡模糊濾波器更高地保留了邊緣效果。
理論上來講,圖像中每點的分布都不為零,這也就是說每個像素的計算都需要包含整幅圖像。在實際應用中,在計算高斯函數的離散近似時,在大概3σ距離之外的像素都可以看作不起作用,這些像素的計算也就可以忽略。通常,圖像處理程式隻需要計算(6σ+1)*(6σ+1)的矩陣就可以保證相關像素影響。
1、使用給定高斯模闆平滑圖像函數
σ=0.84089642的7行7列高斯模糊矩陣為:
現使用該模闆對源圖像做模糊處理,其函數如下:
//高斯平滑
//未使用sigma,邊緣無處理
void GaussianTemplateSmooth(const Mat &src, Mat &dst, double sigma)
{
//高斯模闆(7*7),sigma = 0.84089642,歸一化後得到
static const double gaussianTemplate[7][7] =
{
{0.00000067, 0.00002292, 0.00019117, 0.00038771, 0.00019117, 0.00002292, 0.00000067},
{0.00002292, 0.00078633, 0.00655965, 0.01330373, 0.00655965, 0.00078633, 0.00002292},
{0.00019117, 0.00655965, 0.05472157, 0.11098164, 0.05472157, 0.00655965, 0.00019117},
{0.00038771, 0.01330373, 0.11098164, 0.22508352, 0.11098164, 0.01330373, 0.00038771},
{0.00019117, 0.00655965, 0.05472157, 0.11098164, 0.05472157, 0.00655965, 0.00019117},
{0.00002292, 0.00078633, 0.00655965, 0.01330373, 0.00655965, 0.00078633, 0.00002292},
{0.00000067, 0.00002292, 0.00019117, 0.00038771, 0.00019117, 0.00002292, 0.00000067}
};
dst.create(src.size(), src.type());
uchar* srcData = src.data;
uchar* dstData = dst.data;
for(int j = 0; j < src.cols-7; j++)
{
for(int i = 0; i < src.rows-7; i++)
{
double acc = 0;
double accb = 0, accg = 0, accr = 0;
for(int m = 0; m < 7; m++)
{
for(int n = 0; n < 7; n++)
{
if(src.channels() == 1)
acc += *(srcData + src.step * (i+n) + src.channels() * (j+m)) * gaussianTemplate[m][n];
else
{
accb += *(srcData + src.step * (i+n) + src.channels() * (j+m) + 0) * gaussianTemplate[m][n];
accg += *(srcData + src.step * (i+n) + src.channels() * (j+m) + 1) * gaussianTemplate[m][n];
accr += *(srcData + src.step * (i+n) + src.channels() * (j+m) + 2) * gaussianTemplate[m][n];
}
}
}
if(src.channels() == 1)
*(dstData + dst.step * (i+3) + dst.channels() * (j+3))=(int)acc;
else
{
*(dstData + dst.step * (i+3) + dst.channels() * (j+3) + 0)=(int)accb;
*(dstData + dst.step * (i+3) + dst.channels() * (j+3) + 1)=(int)accg;
*(dstData + dst.step * (i+3) + dst.channels() * (j+3) + 2)=(int)accr;
}
}
}
}
其效果如圖1所示,7*7的高斯模闆與源圖像做卷積運算時,會産生半徑為3的邊緣,在不精确的圖像進行中,可用源圖像像素填充,或者去掉邊緣。
2、二維高斯模糊函數
上述的例子中,如何求得高斯模糊矩陣是高斯模糊的關鍵。根據高斯函數的性質,圖像處理程式隻需要計算(6σ+1)*(6σ+1)的矩陣就可以保證相關像素影響。是以,可根據σ的值确定高斯模糊矩陣的大小。高斯矩陣可利用公式(1-2)計算,并歸一化得到。歸一化是保證高斯矩陣的值在[0,1]之間,
其處理函數如下:
void GaussianSmooth2D(const Mat &src, Mat &dst, double sigma)
{
if(src.channels() != 1)
return;
//確定sigma為正數
sigma = sigma > 0 ? sigma : 0;
//高斯核矩陣的大小為(6*sigma+1)*(6*sigma+1)
//ksize為奇數
int ksize = cvRound(sigma * 3) * 2 + 1;
// dst.create(src.size(), src.type());
if(ksize == 1)
{
src.copyTo(dst);
return;
}
dst.create(src.size(), src.type());
//計算高斯核矩陣
double *kernel = new double[ksize*ksize];
double scale = -0.5/(sigma*sigma);
const double PI = 3.141592653;
double cons = -scale/PI;
double sum = 0;
for(int i = 0; i < ksize; i++)
{
for(int j = 0; j < ksize; j++)
{
int x = i-(ksize-1)/2;
int y = j-(ksize-1)/2;
kernel[i*ksize + j] = cons * exp(scale * (x*x + y*y));
sum += kernel[i*ksize+j];
// cout << " " << kernel[i*ksize + j];
}
// cout <<endl;
}
//歸一化
for(int i = ksize*ksize-1; i >=0; i--)
{
*(kernel+i) /= sum;
}
//圖像卷積運算,無邊緣處理
for(int j = 0; j < src.cols-ksize; j++)
{
for(int i = 0; i < src.rows-ksize; i++)
{
double acc = 0;
for(int m = 0; m < ksize; m++)
{
for(int n = 0; n < ksize; n++)
{
acc += *(srcData + src.step * (i+n) + src.channels() * (j+m)) * kernel[m*ksize+n];
}
}
*(dstData + dst.step * (i + (ksize - 1)/2) + (j + (ksize -1)/2)) = (int)acc;
}
}
delete []kernel;
}
利用該函數,取σ=0.84089642即可得到上例中7*7的模闆,該模闆資料存在kernel中。利用該函數計算的歸一化後的3*3,5*5階高斯模闆如表2,3所示:
由上表可以看出,高斯模闆是中心對稱的。
模糊效果如圖2所示。
對圖2中邊緣的處理:
...
int center = (ksize-1) /2;
//圖像卷積運算,處理邊緣
for(int j = 0; j < src.cols; j++)
{
for(int i = 0; i < src.rows; i++)
{
double acc = 0;
for(int m = -center, c = 0; m <= center; m++, c++)
{
for(int n = -center, r = 0; n <= center; n++, r++)
{
if((i+n) >=0 && (i+n) < src.rows && (j+m) >=0 && (j+m) < src.cols)
{
acc += *(srcData + src.step * (i+n) + src.channels() * (j+m)) * kernel[r*ksize+c];
}
}
}
*(dstData + dst.step * (i) + (j)) = (int)acc;
}
}
...
結果圖為:
如上圖所示,邊緣明顯變窄,但是存在黑邊。
3、改進的高斯模糊函數
上述的二維高斯模糊函數GaussianSmooth2D達到了高斯模糊圖像的目的,但是如圖2所示,會因模闆的關系而造成邊緣圖像缺失,σ越大,缺失像素越多,額外的邊緣處理會增加計算量。并且當σ變大時,高斯模闆(高斯核)和卷積運算量将大幅度提高。根據高斯函數的可分離性,可對二維高斯模糊函數進行改進。
高斯函數的可分離性是指使用二維矩陣變換得到的效果也可以通過在水準方向進行一維高斯矩陣變換加上豎直方向的一維高斯矩陣變換得到。從計算的角度來看,這是一項有用的特性,因為這樣隻需要O(n*M*n)+O(m*M*N)次計算,而二維不可分的矩陣則需要O(m*n*M*n)次計算,其中,m,n為高斯矩陣的維數,M,N為二維圖像的維數。
另外,兩次一維的高斯卷積将消除二維高斯矩陣所産生的邊緣。
(關于消除邊緣的論述如下圖2.4所示, 對用模闆矩陣超出邊界的部分——虛線框,将不做卷積計算。如圖2.4中x方向的第一個模闆1*5,将退化成1*3的模闆,隻在圖像之内的部分做卷積。)
改進的高斯模糊函數如下:
void GaussianSmooth(const Mat &src, Mat &dst, double sigma)
{
if(src.channels() != 1 && src.channels() != 3)
return;
//
sigma = sigma > 0 ? sigma : -sigma;
//高斯核矩陣的大小為(6*sigma+1)*(6*sigma+1)
//ksize為奇數
int ksize = ceil(sigma * 3) * 2 + 1;
//cout << "ksize=" <<ksize<<endl;
// dst.create(src.size(), src.type());
if(ksize == 1)
{
src.copyTo(dst);
return;
}
//計算一維高斯核
double *kernel = new double[ksize];
double scale = -0.5/(sigma*sigma);
const double PI = 3.141592653;
double cons = 1/sqrt(-scale / PI);
double sum = 0;
int kcenter = ksize/2;
int i = 0, j = 0;
for(i = 0; i < ksize; i++)
{
int x = i - kcenter;
*(kernel+i) = cons * exp(x * x * scale);//一維高斯函數
sum += *(kernel+i);
// cout << " " << *(kernel+i);
}
// cout << endl;
//歸一化,確定高斯權值在[0,1]之間
for(i = 0; i < ksize; i++)
{
*(kernel+i) /= sum;
// cout << " " << *(kernel+i);
}
// cout << endl;
dst.create(src.size(), src.type());
Mat temp;
temp.create(src.size(), src.type());
uchar* srcData = src.data;
uchar* dstData = dst.data;
uchar* tempData = temp.data;
//x方向一維高斯模糊
for(int y = 0; y < src.rows; y++)
{
for(int x = 0; x < src.cols; x++)
{
double mul = 0;
sum = 0;
double bmul = 0, gmul = 0, rmul = 0;
for(i = -kcenter; i <= kcenter; i++)
{
if((x+i) >= 0 && (x+i) < src.cols)
{
if(src.channels() == 1)
{
mul += *(srcData+y*src.step+(x+i))*(*(kernel+kcenter+i));
}
else
{
bmul += *(srcData+y*src.step+(x+i)*src.channels() + 0)*(*(kernel+kcenter+i));
gmul += *(srcData+y*src.step+(x+i)*src.channels() + 1)*(*(kernel+kcenter+i));
rmul += *(srcData+y*src.step+(x+i)*src.channels() + 2)*(*(kernel+kcenter+i));
}
sum += (*(kernel+kcenter+i));
}
}
if(src.channels() == 1)
{
*(tempData+y*temp.step+x) = mul/sum;
}
else
{
*(tempData+y*temp.step+x*temp.channels()+0) = bmul/sum;
*(tempData+y*temp.step+x*temp.channels()+1) = gmul/sum;
*(tempData+y*temp.step+x*temp.channels()+2) = rmul/sum;
}
}
}
//y方向一維高斯模糊
for(int x = 0; x < temp.cols; x++)
{
for(int y = 0; y < temp.rows; y++)
{
double mul = 0;
sum = 0;
double bmul = 0, gmul = 0, rmul = 0;
for(i = -kcenter; i <= kcenter; i++)
{
if((y+i) >= 0 && (y+i) < temp.rows)
{
if(temp.channels() == 1)
{
mul += *(tempData+(y+i)*temp.step+x)*(*(kernel+kcenter+i));
}
else
{
bmul += *(tempData+(y+i)*temp.step+x*temp.channels() + 0)*(*(kernel+kcenter+i));
gmul += *(tempData+(y+i)*temp.step+x*temp.channels() + 1)*(*(kernel+kcenter+i));
rmul += *(tempData+(y+i)*temp.step+x*temp.channels() + 2)*(*(kernel+kcenter+i));
}
sum += (*(kernel+kcenter+i));
}
}
if(temp.channels() == 1)
{
*(dstData+y*dst.step+x) = mul/sum;
}
else
{
*(dstData+y*dst.step+x*dst.channels()+0) = bmul/sum;
*(dstData+y*dst.step+x*dst.channels()+1) = gmul/sum;
*(dstData+y*dst.step+x*dst.channels()+2) = rmul/sum;
}
}
}
delete[] kernel;
}
該函數中使用的水準方向和垂直方向的高斯矩陣為同一矩陣,實際計算時可根據需要取不同。
模糊效果如圖3所示:
比較
使用GetTickCount()進行比較,GetTickCount()函數的精度為1ms。
以下表格中的資料均為作者機器上的某兩次運作結果取均值,程式設計環境為vs2010+opencv2.2
上表中Debug版本的GaussianTemplateSmooth竟然比GaussianSmooth2D運作時間長,難道是二維數組比不上一維指針,或者是Debug版本的問題?實驗結果确實如上。
将本文所寫函數與opencv2.2提供的高斯模糊函數GaussianBlur一起進行比較。
結論
如上表4,5所示,對GaussianSmooth2D的改進函數GaussianSmooth,當越大時,提速效果越明顯,這種速度的改進在Debug模式下尤為明顯。無論是在Debug,還是在Release模式下,Opencv2.2提供的GaussianBlur完勝本文所用的函數。建議在學習算法時參考本文内容,實際項目中使用GaussianBlur。
本例代碼鍵連接配接:http://download.csdn.net/detail/zddmail/4217704
轉載請注明出處,如有問題,請聯系[email protected].
zdd
2012年4月11日11:53:40
贊助,如果您覺得此渣文對您有用,歡迎掃描以下二維碼,對我進行小額贊助,一毛兩毛的都行。不籌錢娶媳婦的程式員不是好程式員!