總結學習下圖像處理方面基礎知識。

這是第一篇，簡單的介紹下使用 OpenCV 的三個基本功能：

? 圖像的讀取? 圖像的顯示? 訪問圖像的像素值

然后概述下圖像噪聲的類型，并為圖像添加兩種常見的噪聲：高斯噪聲和椒鹽噪聲。最后，使用中值濾波和均值濾波來處理帶有噪聲的圖像。

OpenCV 基礎

在 OpenCV 中，完成圖像的輸入輸出以及顯示，只需要以下幾個函數：

1. namedWindow

創建一個可以通過其名字引用的窗口。第一個參數，設置窗口的 name，可以通過name引用該窗口；第二個參數，設置窗口的大小。有以下幾個選擇：

? WINDOW_NORMAL or WINDOW_AUTOSIZE 調整窗口的大小以適應圖像，不同的是，使用WINDOW_NORMAL可以手動調整窗口的大小；WINDOW_AUTOSIZE不能調整窗口的大小。? WINDOW_FREERATIO or WINDOW_KEEPRATIO 改變窗口時是否會保持圖像的ratio不變，沒發現這倆有什么區別。

2. imshow

顯示圖像

3. imread

讀取圖像數據到Mat中,第一個參數是圖像的文件名；第二個參數是標志，標識怎么處理圖像的色彩。常用的幾個選項：

? IMREAD_UNCHANGED 和原圖像保持一直不變? IMREAD_GRAYSCALE 將圖像轉換為單通道的灰度圖? IMREAD_COLOR 將圖像轉換為3通道的BGR，默認選項? IMREAD_REDUCED_GRAYSCALE_2 IMREAD_REDUCED_GRAYSCALE_4 IMREAD_REDUCED_GRAYSCALE_8 單通道灰度圖讀入圖像，并減小圖像的大小。減小的值為1/2,1/4,1/8? IMREAD_REDUCED_COLOR_2 IMREAD_REDUCED_COLOR_4 IMREAD_REDUCED_COLOR_2 3通道BGR讀入圖像，并減小圖像的大小。減小的值為1/2,1/4,1/8

4. Mat

Mat 是 OpenCV 中最重要的數據結構，在做圖像處理時基本都是對該結構體的操作。

Mat 由兩部分構成：矩陣頭和矩陣數據，矩陣頭較小，創建的每個 Mat 實例都擁有一個矩陣頭，而矩陣數據通常占有較大的空間，OpenCV 中通過引用計數來管理這部分內存空間，當調用賦值運算符和拷貝構造函數時，并不會只復制矩陣頭，并不會復制矩陣數據，只是將其的引用計數加1。例如：

上面代碼中的 a，b 和 m 各自擁有自己的矩陣頭，其引用的數據卻指向同一份。也就是說，修改了其中任意一個，都會影響到其余的兩個。

要想復制矩陣數據，可以調用 clone 和 copyTo 這兩個函數

將圖像讀入到 Mat 后，有三種方式訪問 Mat 中的數據：

? 通過指針? 使用迭代器? 調用 at

圖像噪聲

圖像噪聲是圖像在獲取或傳輸的過程中受到隨機信號的干擾，在圖像上出現的一些隨機的、離散的、孤立的像素點，這些點會干擾人眼對圖像信息的分析。圖像的噪聲通常是比較復雜的，很多時候將其看成是多維隨機過程，因而可以借助于隨即過程描述噪聲，即使用概率分布函數和概率密度函數。

圖像的噪聲很多，性質也千差萬別， 可以通過不同的方法給噪聲分類。

按照產生的原因：

? 外部噪聲? 內部噪聲

這種分類方法，有助于理解噪聲產生的源頭，但對于降噪算法只能起到原理上的幫組。

噪聲和圖像信號的關系，可以分為：

? 加性噪聲，加性噪聲和圖像信號強度不相關，這類噪聲可以看著理想無噪聲圖像f和噪聲的和。? 乘性噪聲，乘性噪聲和圖像信號是相關的，往往隨圖像信號的變化而變化

而為了分析處理的方便，常常將乘性噪聲近似認為是加性噪聲，而且總是假定信號和噪聲是互相獨立的。

最重要的來了，按照概率密度函數（PDF）分類：

? 高斯噪聲，高斯噪聲模型經常被用于實踐中。? 脈沖噪聲（椒鹽噪聲），圖像上一個個點，也可稱為散粒和尖峰噪聲。? 伽馬噪聲? 瑞利噪聲? 指數分布噪聲? 均勻分布噪聲

這種分類方法，引入了數學模型，對設計過濾算法比較有幫助。

給圖像添加噪聲

按照指定的噪聲類型，生成一個隨機數，然后將這個隨機數加到源像素值上，并將得到的值所放到[0,255]區間即可。

C++11 隨機數發生器

新的隨機數生成器被抽象成了兩個部分：隨機數生成引擎和要生成的隨機數符合的分布。

隨機數引擎有三種：

? linear_congruential_engine 線性同余算法? mersenne_twister_engine 梅森旋轉算法? subtract_with_carry_engine 帶進位的線性同余算法

第一種最常用，而且速度比較快；第二種號稱最好的偽隨機數生成器

添加圖像噪聲

使用C++的隨機數發生器為圖像添加兩種噪聲：椒鹽噪聲和高斯噪聲。椒鹽噪聲是圖像中離散分布的白點或者黑點，其代碼如下：

上述代碼中使用ptr()獲取圖像某一行的行首指針，得到行首指針后就可以任意的訪問改行的像素值。

高斯噪聲是一種加性噪聲，為圖像添加高斯噪聲的代碼如下：

隨機產生符合高斯分布的隨機數，然后將該值和圖像原有的像素值相加，并將得到的和壓縮到[0,255]區間內。

左邊是原圖，中間的是添加高斯噪聲后的圖像，最右邊的是添加椒鹽噪聲后的圖像。

使用濾波器去除噪聲

根據噪聲類型的不同，選擇不同的濾波器過濾掉噪聲。通常，對于椒鹽噪聲，選擇中值濾波器（Median Filter），在去掉噪聲的同時，不會模糊圖像；對于高斯噪聲，選擇均值濾波器（Mean Filter），能夠去掉噪聲，但會對圖像造成一定的模糊。

在 OpenCV 中，對應于均值濾波器的函數是 blur，該函數需要5個參數，通常只設置前3個后兩個使用默認值即可。blur(m, m2, Size(5, 5));第一個參數是輸入的圖像，第二個參數是輸出的圖像，第三個參數是濾波器的大小，這里使用的是5×55×5的矩形。

對應于中值濾波器的函數是medianBlur(m1, m3, 5);前兩個參數是輸入輸出的圖像，第三個參數是濾波器的大小，由于是選取的是中值，濾波器的大小通常是一個奇數。

下圖是對有噪聲圖像使用濾波器后的結果，中間的是原始圖像，左邊的是使用均值濾波器過濾高斯噪聲后的結果；右邊的是使用中值濾波器過濾椒鹽噪聲后的結果。可以明顯的看出，這兩種濾波器都能夠很好的去掉圖像的噪聲，但會對圖像造成一定的模糊，尤其是均值濾波器造成的模糊比較明顯。

總結

本文算是第一篇文章，簡單的介紹下 OpenCV 的基本使用；接著訪問圖像中的像素，并借助于C++11的隨機數庫，為圖像添加高斯噪聲和椒鹽噪聲；最后使用中值濾波器和均值濾波器除去圖像，并對結果進行了對比。