6.8方框滤波

基本概念

方框滤波（Box Filter）是一种基本的图像处理技术，用于对图像进行平滑处理或模糊效果。它通过在图像上应用一个固定大小的方框核（通常是矩形），计算该区域内像素值的平均值来替换中心像素的值。这种方式简单且计算效率高，但在处理边界时需要特别注意。

方框滤波（Box Filter）是一种简单的线性滤波器，它可以用于平滑图像或降低噪声。方框滤波器使用一个均匀加权的矩形核来对图像进行卷积，从而实现图像的平滑处理。在OpenCV中，方框滤波可以使用 boxFilter 函数来实现。

函数原型
在OpenCV中，方框滤波可以通过boxFilter函数实现。函数原型如下：

void boxFilter(InputArray src, OutputArray dst, int ddepth, Size ksize, Point anchor=Point(-1,-1), bool normalize=true, int borderType=BORDER_DEFAULT);
参数说明
src: 输入图像，可以是单通道或多通道图像。
dst: 输出图像，将具有与输入图像相同的尺寸，但深度取决于ddepth参数。
ddepth: 输出图像的深度。常见的选择有：-1: 输出图像深度与输入图像相同。CV_8U: 8位无符号整数。CV_16S: 16位有符号整数。CV_32F: 32位浮点数。CV_64F: 64位浮点数。
ksize: 方框核的大小，指定为一个Size对象，例如Size(3, 3)。
anchor: 核的锚点位置，默认为Point(-1,-1)，表示锚点在核的中心。
normalize: 是否归一化。如果设置为true（默认值），则输出的每个像素将是核内所有像素值的平均值；如果设置为false，则输出的每个像素将是核内所有像素值的总和。
borderType: 边界处理类型。常见的边界处理方式有：BORDER_CONSTANT: 使用常数值填充边界外区域。BORDER_REPLICATE: 复制边界像素。BORDER_REFLECT: 镜像反射边界。BORDER_WRAP: 边界环绕（类似于纹理坐标）。BORDER_REFLECT_101 或 BORDER_DEFAULT: 默认的边界反射方式。

使用示例1

下面是一个详细的示例，展示如何使用boxFilter函数来进行图像平滑处理。

步骤一：包含必要的头文件
#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;步骤二：加载图像
int main(int argc, char** argv)
{Mat src = imread("path_to_your_image.jpg", IMREAD_COLOR);if (src.empty()){cout << "Error: Image cannot be loaded!" << endl;return -1;}步骤三：定义输出图像Mat dst;步骤四：应用方框滤波// 设置方框核的大小Size ksize(5, 5);  // 5x5的核// 应用方框滤波boxFilter(src, dst, -1, ksize, Point(-1,-1), true);
在这里，-1表示输出图像的深度与输入图像相同。true表示启用归一化，即输出的每个像素值将是核内所有像素值的平均值。步骤五：显示结果namedWindow("Original Image", WINDOW_AUTOSIZE);imshow("Original Image", src);namedWindow("Blurred Image", WINDOW_AUTOSIZE);imshow("Blurred Image", dst);waitKey(0);return 0;
}注意事项
归一化: 如果normalize参数设置为true，则输出图像中的每个像素值将是核内所有像素值的平均值。如果设置为false，则输出图像中的每个像素值将是核内所有像素值的总和。在某些情况下，不归一化的结果可能会导致像素值溢出。
边界处理: 方框滤波在处理图像边界时可能会出现问题，特别是当核的大小超过边界时。选择适当的边界处理方式可以帮助解决这些问题。
性能: 方框滤波是一种简单快速的滤波方法，但由于它在每个像素上都执行了累加操作，因此在处理大尺寸核时可能会消耗较多资源。对于大型核，可以考虑使用积分图（integral image）来加速计算。通过上述步骤，你可以使用OpenCV的boxFilter函数来对图像进行平滑处理或实现模糊效果。

#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;int main(int argc, char** argv)
{Mat src = imread("880.jpeg", IMREAD_COLOR);if (src.empty()){cout << "Error: Image cannot be loaded!" << endl;return -1;}Mat dst;// 设置方框核的大小Size ksize(5, 5);  // 5x5的核// 应用方框滤波boxFilter(src, dst, -1, ksize, Point(-1, -1), true);namedWindow("Original Image", WINDOW_NORMAL);imshow("Original Image", src);namedWindow("Blurred Image", WINDOW_NORMAL);imshow("Blurred Image", dst);waitKey(0);return 0;
}注意事项
归一化: 如果normalize参数设置为true，则输出图像中的每个像素值将是核内所有像素值的平均值。如果设置为false，则输出图像中的每个像素值将是核内所有像素值的总和。在某些情况下，不归一化的结果可能会导致像素值溢出。
边界处理: 方框滤波在处理图像边界时可能会出现问题，特别是当核的大小超过边界时。选择适当的边界处理方式可以帮助解决这些问题。
性能: 方框滤波是一种简单快速的滤波方法，但由于它在每个像素上都执行了累加操作，因此在处理大尺寸核时可能会消耗较多资源。对于大型核，可以考虑使用积分图（integral image）来加速计算。通过上述步骤，你可以使用OpenCV的boxFilter函数来对图像进行平滑处理或实现模糊效果。

运行结果1

示例代码2

示例代码下面是一个使用OpenCV C++实现方框滤波的示例代码：#include <iostream>
#include <opencv2/opencv.hpp>using namespace std;
using namespace cv;void applyBoxFilter(const Mat &src, Mat &dst, Size ksize, bool normalize) 
{boxFilter(src, dst, -1, ksize, Point(-1, -1), normalize);
}int main(int argc, char** argv) 
{/*if (argc != 2) {cout << "Usage: ./BoxFilter <Image Path>" << endl;return -1;}*/// 加载图像Mat img = imread("559.jpg", IMREAD_GRAYSCALE);if (!img.data) {cout << "Error opening image" << endl;return -1;}// 定义核大小Size ksize(5, 5);  // 核大小// 初始化输出矩阵Mat filtered;// 应用方框滤波applyBoxFilter(img, filtered, ksize, true);// 显示结果namedWindow("Original Image", WINDOW_NORMAL);imshow("Original Image", img);namedWindow("Filtered Image", WINDOW_NORMAL);imshow("Filtered Image", filtered);waitKey(0);destroyAllWindows();return 0;
}代码解释
1. 加载图像：使用 imread 函数加载图像。
2. 定义核大小：设置方框滤波器的核大小。
3. 初始化输出矩阵：创建一个新的矩阵来存储滤波后的图像。
4. 应用方框滤波：使用 boxFilter 函数应用方框滤波。
5. 显示结果：使用 imshow 函数显示原始图像和滤波后的图像。

运行结果2

方框滤波的应用

方框滤波器常用于以下场景：

•图像平滑：通过平均相邻像素值来减少图像中的噪声。

•均值滤波：当 normalize 参数为 true 时，方框滤波器相当于均值滤波器。

•非归一化的方框滤波：当 normalize 参数为 false 时，可以用于特殊的图像处理任务，例如累积求和。

非归一化的方框滤波示例

非归一化的方框滤波不将权重归一化，这意味着每个像素的权重保持不变。这在某些特殊情况下是有用的，例如累积求和（Integral Images）。

#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;void applyNonNormalizedBoxFilter(const Mat &src, Mat &dst, Size ksize)
{boxFilter(src, dst, -1, ksize, Point(-1, -1), false);
}int main(int argc, char** argv)
{//if (argc != 2)//{//	cout << "Usage: ./NonNormalizedBoxFilter <Image Path>" << endl;//	return -1;//}// 加载图像Mat img = imread("559.jpg", IMREAD_GRAYSCALE);if (!img.data){cout << "Error opening image" << endl;return -1;}// 定义核大小Size ksize(5, 5);  // 核大小// 初始化输出矩阵Mat filtered;// 应用非归一化的方框滤波applyNonNormalizedBoxFilter(img, filtered, ksize);// 显示结果namedWindow("Original Image", WINDOW_NORMAL);imshow("Original Image", img);namedWindow("Non-Normalized Filtered Image", WINDOW_NORMAL);imshow("Non-Normalized Filtered Image", filtered);waitKey(0);destroyAllWindows();return 0;
}

运行结果3

性能优化

方框滤波器的计算可以通过积分图像（Integral Images）来加速。积分图像是一种预先计算的数据结构，可以高效地计算任意矩形区域的和。OpenCV提供了 integral 函数来计算积分图像。

积分图像示例

积分图像可以用来高效地实现方框滤波。

#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;void applyBoxFilterUsingIntegral(const Mat &src, Mat &dst, Size ksize) 
{Mat integralImg;integral(src, integralImg);int radius = ksize.width / 2;for (int y = radius; y < src.rows - radius; ++y) {for (int x = radius; x < src.cols - radius; ++x) {int top_left = integralImg.at<int>(y - radius, x - radius);int top_right = integralImg.at<int>(y - radius, x + radius);int bottom_left = integralImg.at<int>(y + radius, x - radius);int bottom_right = integralImg.at<int>(y + radius, x + radius);int sum = bottom_right + top_left - top_right - bottom_left;dst.at<uchar>(y, x) = static_cast<uchar>(sum / (ksize.width * ksize.height));}}
}int main(int argc, char** argv) 
{if (argc != 2) {cout << "Usage: ./BoxFilterUsingIntegral <Image Path>" << endl;return -1;}// 加载图像Mat img = imread(argv[1], IMREAD_GRAYSCALE);if (!img.data){cout << "Error opening image" << endl;return -1;}// 定义核大小Size ksize(5, 5);  // 核大小// 初始化输出矩阵Mat filtered = Mat::zeros(img.size(), img.type());// 应用方框滤波applyBoxFilterUsingIntegral(img, filtered, ksize);// 显示结果imshow("Original Image", img);imshow("Filtered Image Using Integral", filtered);waitKey(0);destroyAllWindows();return 0;
}

运行结果4

总结

通过这些示例，你应该能够理解如何在OpenCV中使用C++实现方框滤波。方框滤波器是一个简单但有效的工具，可用于图像平滑和噪声减少。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.xdnf.cn/news/1549488.html

如若内容造成侵权/违法违规/事实不符，请联系一条长河网进行投诉反馈，一经查实，立即删除！

相关文章

多模态大模型学习（一）

多模态大模型学习（一）

参考&#xff1a;https://www.bilibili.com/video/BV1kT411o7a6?p2&spm_id_frompageDriver&vd_source156234c72054035c149dcb072202e6be 余弦相似度&#xff0c;让正样本内积趋近于1&#xff0c;负样本趋近于-1。度量学习。N特别大时&#xff0c;负样本远大于正样本&…
阅读更多...
HTML基础用法介绍二

HTML基础用法介绍二

目录&#xff1a; 列表 无序列表有序列表定义列表 表格 表格单元格合并 input标签 属性值text和password的使用 输入框中占位文本的使用 属性值radio的使用属性值checkbox的使用属性值file的使用 下拉菜单 文本域 label标签 字符实体 &#x1f698;正片开始 无序列表 …
阅读更多...
vLLM (6) - Scheduler BlockSpaceManager

vLLM (6) - Scheduler BlockSpaceManager

系列文章目录 vLLM (1) - Qwen2推理&部署 vLLM (2) - 架构总览 vLLM (3) - Sequence & SequenceGroup vLLM (4) - LLMEngine上篇 vLLM (5) - LLMEngine下篇 vLLM (6) - Scheduler & BlockSpaceManager 文章目录 系列文章目录前言一、Scheduler1.概述2.Scheduler._…
阅读更多...
区块链可投会议CCF C--FC 2025 截止10.8 附录用率

区块链可投会议CCF C--FC 2025 截止10.8 附录用率

Conference&#xff1a;Financial Cryptography and Data Security (FC) CCF level&#xff1a;CCF C Categories&#xff1a;network and information security Year&#xff1a;2025 Conference time&#xff1a;14–18 April 2025, Miyakojima, Japan 录用率&#xff1…
阅读更多...
Elasticsearch学习笔记(1）

Elasticsearch学习笔记(1）

初识 Elasticsearch 认识和安装 Elasticsearch 是由 Elastic 公司开发的一套强大的搜索引擎技术&#xff0c;属于 Elastic 技术栈的一部分。完整的技术栈包括&#xff1a; Elasticsearch&#xff1a;用于数据存储、计算和搜索。Logstash/Beats&#xff1a;用于数据收集。Kib…
阅读更多...
【教学类-18-04】20240508《蒙德里安“黑白格子画” 七款图案挑选》

【教学类-18-04】20240508《蒙德里安“黑白格子画” 七款图案挑选》

背景需求 最近有2位客户买了蒙德里安黑白格子画的素材&#xff0c;其中一位问是否是1000张。 【教学类-18-03】20240508《蒙德里安“红黄蓝黑格子画”-A4横版》&#xff08;大小格子&#xff09;_processing简单图形画蒙德里安-CSDN博客文章浏览阅读1.1k次&#xff0c;点赞35次…
阅读更多...
Python自动收发邮件的详细步骤与使用方法？

Python自动收发邮件的详细步骤与使用方法？

Python自动收发邮件教程&#xff1f;Python怎么实现收发邮件&#xff1f; Python作为一种强大的编程语言&#xff0c;提供了丰富的库和工具&#xff0c;使得自动收发邮件变得简单而高效。AokSend将详细介绍如何使用Python自动收发邮件&#xff0c;帮助读者掌握这一实用技能。 …
阅读更多...
测试开发面试题大全（含答案+文档）

测试开发面试题大全（含答案+文档）

&#x1f345; 点击文末小卡片&#xff0c;免费获取软件测试全套资料&#xff0c;资料在手&#xff0c;涨薪更快 某基金管理公司线下测试开发面试题总结。 测开题目如下 可以尝试自己先写&#xff0c;写完之后再去看参考解法哦 ~ 1、编写一段代码&#xff0c;把 list 的数平…
阅读更多...
安装 Nacos 启动报错 java.lang.IllegalArgumentException: db.num is null

安装 Nacos 启动报错 java.lang.IllegalArgumentException: db.num is null

java.io.IOException: java.lang.IllegalArgumentException: db.num is nullat com.alibaba.nacos.config.server.service.datasource.ExternalDataSourceServiceImpl.reload(ExternalDataSourceServiceImpl.java:130)解决办法&#xff1a; 编辑 startup.cmd 文件 找到 set MO…
阅读更多...
【Python】Pythonic Data Structures and Algorithms：深入浅出数据结构与算法的 Python 实现

【Python】Pythonic Data Structures and Algorithms：深入浅出数据结构与算法的 Python 实现

Pythonic Data Structures and Algorithms 是一个开源项目&#xff0c;汇集了各种经典数据结构和算法的 Python 实现。该项目旨在为开发者提供丰富的学习资源&#xff0c;帮助他们通过 Python 代码理解和掌握数据结构与算法的核心原理和应用。项目中的算法涵盖了排序、搜索、图…
阅读更多...
添加vscode插件C/C++ snippets,快速生成LVGL .c/.h文件模版

添加vscode插件C/C++ snippets,快速生成LVGL .c/.h文件模版

文章目录 一、安装插件二、在安装目录下添加c.json和cpp.json文件①在 C:/Users/yourname/AppData/Roaming/Code/User/snippets/ 目录下创建 c.json 并填入如下内容&#xff1a;②在 C:/Users/yourname/AppData/Roaming/Code/User/snippets/ 目录下创建 cpp.json 并填入如下内容…
阅读更多...
一文上手SpringSecurity【七】

一文上手SpringSecurity【七】

之前我们在测试的时候,都是使用的字符串充当用户名称和密码,本篇将其换成MySQL数据库. 一、替换为真实的MySQL 1.1 引入依赖 <dependency><groupId>mysql</groupId><artifactId>mysql-connector-java</artifactId><version>8.0.33</v…
阅读更多...
QTday1代码的形式实现登录框

QTday1代码的形式实现登录框

代码注释 main.cpp #include "widget.h"#include <QApplication>int main(int argc, char *argv[]) {QApplication a(argc, argv);//调用应用程序类的有参构造的实例化对象Widget w;//调用自定义的有参构造实例化的对象w.show();//调用该类的父类里的成员函数…
阅读更多...
windows系统中后台运行java程序

windows系统中后台运行java程序

在windows系统中后台运行java程序&#xff0c;就是在启动java程序后&#xff0c;关闭命令行行窗口执行。 1、命令行方式 命令行方式运行java程序 启动脚本如下&#xff1a; echo off start java -jar app.jar exit启动后的结果如下 这种方式下&#xff0c;会马上启动一个命…
阅读更多...
vue3 实现文本内容超过N行折叠并显示“...展开”组件

vue3 实现文本内容超过N行折叠并显示“...展开”组件

1. 实现效果 组件内文字样式取决与外侧定义 组件大小发生变化时,文本仍可以省略到指定行数 文本不超过时, 无展开,收起按钮 传入文本发生改变后, 组件展示新的文本 2. 代码 文件名TextEllipsis.vue <template><div ref"compRef" class"wq-text-ellip…
阅读更多...
Android性能优化相关的10个经典面试题

Android性能优化相关的10个经典面试题

本文首发于公众号“AntDream”&#xff0c;欢迎微信搜索“AntDream”或扫描文章底部二维码关注&#xff0c;和我一起每天进步一点点 以下是一些Android性能优化面试问题&#xff0c;包括问题和参考解答&#xff1a; 1. 如何优化Android应用的启动速度&#xff1f; 答案&#…
阅读更多...
腾讯云SDK价格总览

腾讯云SDK价格总览

计费组成 SDK 授权费用&#xff1a;购买 License 或者套餐包&#xff0c;以获得音视频终端 SDK 的使用授权所需费用。 其他相关云服务费用&#xff1a;配合腾讯云其他云产品使用 SDK 时&#xff0c;产生的对应云服务费用&#xff0c;未使用相关服务不会产生费用。 计费概述 计…
阅读更多...
鸿蒙媒体开发系列12——音频输入设备管理(AudioRoutingManager)

鸿蒙媒体开发系列12——音频输入设备管理(AudioRoutingManager)

如果你也对鸿蒙开发感兴趣&#xff0c;加入“Harmony自习室”吧&#xff01;扫描下方名片&#xff0c;关注公众号&#xff0c;公众号更新更快&#xff0c;同时也有更多学习资料和技术讨论群。 有时设备同时连接多个音频输入设备&#xff0c;需要指定音频输入设备进行音频录制&a…
阅读更多...
LaTex符号不好记忆？

LaTex符号不好记忆？

总结在Matlab中常用的LaTeX符号如下&#xff1a; 1. **希腊字母**&#xff1a; - \alpha 表示 α - \beta 表示 β - \gamma 表示 γ - \delta 表示 δ - \epsilon 表示 ε - \zeta 表示 ζ - \eta 表示 η - \theta 表示 θ - \iota 表示 ι -…
阅读更多...
【代码】Zotero｜用文章标题更新 Zotero 的参考文献引用条目信息的 Quicker 动作

【代码】Zotero｜用文章标题更新 Zotero 的参考文献引用条目信息的 Quicker 动作

如题。 目前只支持期刊和会议文章&#xff0c;并且只支持谷歌学术或 DBLP 能搜到的文章&#xff0c;知网的不支持&#xff0c;如果有人有需要我可以去试着写&#xff0c;但我很懒我看大家也没这个需求。 很早就写完了&#xff0c;一直忘记推了。 刚写完的时候心情是很激动的&a…
阅读更多...
最新文章

Copyright @ 2022~2023