图像处理基础(1)：噪声的添加和过滤

总结学习下图像处理方面基础知识。

这是第一篇，简单的介绍下使用OpenCV的三个基本功能：

• 图像的读取
• 图像的显示
• 访问图像的像素值

而后概述下图像噪声的类型，并为图像添加两种常见的噪声：高斯噪声和椒盐噪声。
最后，使用中值滤波和均值滤波来处理带有噪声的图像。

OpenCV基础

在OpenCV中，完成图像的输入输出以及显示，只须要如下几个函数：

namedWindow
建立一个能够经过其名字引用的窗口。第一个参数，设置窗口的name，能够经过name引用该窗口；第二个参数，设置窗口的大小。有如下几个选择：

• WINDOW_NORMAL or WINDOW_AUTOSIZE 调整窗口的大小以适应图像，不一样的是，使用WINDOW_NORMAL能够手动调整窗口的大小；WINDOW_AUTOSIZE不能调整窗口的大小。
• WINDOW_FREERATIO or WINDOW_KEEPRATIO 改变窗口时是否会保持图像的ratio不变，没发现这俩有什么区别。

imshow显示图像

imread 读取图像数据到Mat中,第一个参数是图像的文件名；第二个参数是标志，标识怎么处理图像的色彩。经常使用的几个选项：

• IMREAD_UNCHANGED 和原图像保持一直不变
• IMREAD_GRAYSCALE 将图像转换为单通道的灰度图
• IMREAD_COLOR 将图像转换为3通道的BGR，默认选项
• IMREAD_REDUCED_GRAYSCALE_2 IMREAD_REDUCED_GRAYSCALE_4 IMREAD_REDUCED_GRAYSCALE_8 单通道灰度图读入图像，并减少图像的大小。减少的值为1/2,1/4,1/8
• IMREAD_REDUCED_COLOR_2 IMREAD_REDUCED_COLOR_4 IMREAD_REDUCED_COLOR_2 3通道BGR读入图像，并减少图像的大小。减少的值为1/2,1/4,1/8

Mat是OpenCV中最重要的数据结构，在作图像处理时基本都是对该结构体的操做。Mat由两部分构成：矩阵头和矩阵数据，矩阵头较小，建立的每一个Mat实例都拥有一个矩阵头，而矩阵数据一般占有较大的空间，OpenCV中经过引用计数来管理这部份内存空间，当调用赋值运算符和拷贝构造函数时，并不会只复制矩阵头，并不会复制矩阵数据，只是将其的引用计数加1.例如：

Mat m = imread("img.jpg");
Mat a = m; // 赋值运算符
Mat b(m); // 拷贝构造函数

上面代码中的a,b和m各自拥有本身的矩阵头，其引用的数据却指向同一份。也就是说，修改了其中任意一个，都会影响到其他的两个。

要想复制矩阵数据，能够调用clone和copyTo这两个函数

Mat m = imread("img.jpg");
Mat f = m.clone();
Mat g ;
m.copyTo(g);

将图像读入到Mat后，有三种方式访问Mat中的数据：

• 经过指针
• 使用迭代器
• 调用at

图像噪声

图像噪声是图像在获取或传输的过程当中受到随机信号的干扰，在图像上出现的一些随机的、离散的、孤立的像素点，这些点会干扰人眼对图像信息的分析。图像的噪声一般是比较复杂的，不少时候将其当作是多维随机过程，于是能够借助于随即过程描述噪声，即便用几率分布函数和几率密度函数。

图像的噪声不少，性质也千差万别， 能够经过不一样的方法给噪声分类。
按照产生的缘由：

• 外部噪声
• 内部噪声
  这种分类方法，有助于理解噪声产生的源头，但对于降噪算法只能起到原理上的帮组。

噪声和图像信号的关系，能够分为：

• 加性噪声，加性噪声和图像信号强度不相关，这类噪声能够看着理想无噪声图像f和噪声的和。
• 乘性噪声，乘性噪声和图像信号是相关的，每每随图像信号的变化而变化。
  而为了分析处理的方便，经常将乘性噪声近似认为是加性噪声，并且老是假定信号和噪声是互相独立的。

最重要的来了，按照几率密度函数（PDF）分类：

• 高斯噪声，高斯噪声模型常常被用于实践中。
• 脉冲噪声（椒盐噪声），图像上一个个点，也可称为散粒和尖峰噪声。
• 伽马噪声
• 瑞利噪声
• 指数分布噪声
• 均匀分布噪声
  这种分类方法，引入了数学模型，对设计过滤算法比较有帮助。

给图像添加噪声

按照指定的噪声类型，生成一个随机数，而后将这个随机数加到源像素值上，并将获得的值所放到[0,255]区间便可。

C++11 随机数发生器

新的随机数生成器被抽象成了两个部分：随机数生成引擎和要生成的随机数符合的分布。
随机数引擎有三种：

• linear_congruential_engine 线性同余算法
• mersenne_twister_engine 梅森旋转算法
• subtract_with_carry_engine 带进位的线性同余算法

第一种最经常使用，并且速度比较快；第二种号称最好的伪随机数生成器

#include <random>

std::random_device rd; // 随机数种子
std::mt19937 mt(rd()); // 随机数引擎
std::normal_distribution<> d(5,20); // 高斯分布

std::map<int,int> hist;
for(int n = 0; n < 10000; n ++)
    ++hist[std::round(d(mt))]; // 生成符合高斯分布的随机数

添加图像噪声

使用C++的随机数发生器为图像添加两种噪声：椒盐噪声和高斯噪声。
椒盐噪声是图像中离散分布的白点或者黑点，其代码以下：

// 添加椒盐噪声
void addSaltNoise(Mat &m, int num)
{
    // 随机数产生器
    std::random_device rd; //种子
    std::mt19937 gen(rd()); // 随机数引擎

    auto cols = m.cols * m.channels();

    for (int i = 0; i < num; i++)
    {
        auto row = static_cast<int>(gen() % m.rows);
        auto col = static_cast<int>(gen() % cols);

        auto p = m.ptr<uchar>(row);
        p[col++] = 255;
        p[col++] = 255;
        p[col] = 255;
    }
}

上述代码中使用ptr<uchar>()获取图像某一行的行首指针，获得行首指针后就能够任意的访问改行的像素值。

高斯噪声是一种加性噪声，为图像添加高斯噪声的代码以下：

// 添加Gussia噪声
// 使用指针访问
void addGaussianNoise(Mat &m, int mu, int sigma)
{
    // 产生高斯分布随机数发生器
    std::random_device rd;
    std::mt19937 gen(rd());

    std::normal_distribution<> d(mu, sigma);

    auto rows = m.rows; // 行数
    auto cols = m.cols * m.channels(); // 列数

    for (int i = 0; i < rows; i++)
    {
        auto p = m.ptr<uchar>(i); // 取得行首指针
        for (int j = 0; j < cols; j++)
        {
            auto tmp = p[j] + d(gen);
            tmp = tmp > 255 ? 255 : tmp;
            tmp = tmp < 0 ? 0 : tmp;
            p[j] = tmp;
        }
    }
}

随机产生符合高斯分布的随机数，而后将该值和图像原有的像素值相加，并将获得的和压缩到[0,255]区间内。

左边是原图，中间的是添加高斯噪声后的图像，最右边的是添加椒盐噪声后的图像。

使用滤波器去除噪声

根据噪声类型的不一样，选择不一样的滤波器过滤掉噪声。一般，对于椒盐噪声，选择中值滤波器（Median Filter），在去掉噪声的同时，不会模糊图像；对于高斯噪声，选择均值滤波器（Mean Filter），可以去掉噪声，但会对图像形成必定的模糊。
在OpenCV中，对应于均值滤波器的函数是blur，该函数须要5个参数，一般只设置前3个后两个使用默认值便可。
blur(m, m2, Size(5, 5));第一个参数是输入的图像，第二个参数是输出的图像，第三个参数是滤波器的大小，这里使用的是\(5 \times 5\)的矩形。

对应于中值滤波器的函数是medianBlur(m1, m3, 5);前两个参数是输入输出的图像，第三个参数是滤波器的大小，因为是选取的是中值，滤波器的大小一般是一个奇数。

下图是对有噪声图像使用滤波器后的结果，中间的是原始图像，左边的是使用均值滤波器过滤高斯噪声后的结果；右边的是使用中值滤波器过滤椒盐噪声后的结果。能够明显的看出，这两种滤波器都可以很好的去掉图像的噪声，但会对图像形成必定的模糊，尤为是均值滤波器形成的模糊比较明显。

总结

本文算是第一篇文章，简单的介绍下OpenCV的基本使用；接着访问图像中的像素，并借助于C++11的随机数库，为图像添加高斯噪声和椒盐噪声；最后使用中值滤波器和均值滤波器除去图像，并对结果进行了对比。

之后坚持每日对图像处理的一些知识进行整理。