圖像處理基礎(1)：噪聲的添加和過濾

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

而後概述下圖像噪聲的類型，併爲圖像添加兩種常見的噪聲：高斯噪聲和椒鹽噪聲。
最後，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，只須要如下幾個函數：

namedWindow
建立一個能夠經過其名字引用的窗口。第一個參數，設置窗口的name，能夠經過name引用該窗口；第二個參數，設置窗口的大小。有如下幾個選擇：

• WINDOW_NORMAL or WINDOW_AUTOSIZE 調整窗口的大小以適應圖像，不一樣的是，使用WINDOW_NORMAL能夠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，沒發現這倆有什麼區別。

imshow顯示圖像

imread 讀取圖像數據到Mat中,第一個參數是圖像的文件名；第二個參數是標誌，標識怎麼處理圖像的色彩。經常使用的幾個選項：

• IMREAD_UNCHANGED 和原圖像保持一直不變
• IMREAD_GRAYSCALE 將圖像轉換爲單通道的灰度圖
• IMREAD_COLOR 將圖像轉換爲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，並減少圖像的大小。減少的值爲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，並減少圖像的大小。減少的值爲1/2,1/4,1/8

Mat是OpenCV中最重要的數據結構，在作圖像處理時基本都是對該結構體的操做。Mat由兩部分構成：矩陣頭和矩陣數據，矩陣頭較小，建立的每一個Mat實例都擁有一個矩陣頭，而矩陣數據一般佔有較大的空間，OpenCV中經過引用計數來管理這部份內存空間，當調用賦值運算符和拷貝構造函數時，並不會只複製矩陣頭，並不會複製矩陣數據，只是將其的引用計數加1.例如：

Mat m = imread("img.jpg");
Mat a = m; // 賦值運算符
Mat b(m); // 拷貝構造函數

上面代碼中的a,b和m各自擁有本身的矩陣頭，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，都會影響到其他的兩個。

要想複製矩陣數據，能夠調用clone和copyTo這兩個函數

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

將圖像讀入到Mat後，有三種方式訪問Mat中的數據：

• 經過指針
• 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當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。圖像的噪聲一般是比較複雜的，不少時候將其當作是多維隨機過程，於是能夠藉助於隨即過程描述噪聲，即便用機率分佈函數和機率密度函數。

圖像的噪聲不少，性質也千差萬別， 能夠經過不一樣的方法給噪聲分類。
按照產生的緣由：

• 外部噪聲
• 內部噪聲
  這種分類方法，有助於理解噪聲產生的源頭，但對於降噪算法只能起到原理上的幫組。

噪聲和圖像信號的關係，能夠分爲：

• 加性噪聲，加性噪聲和圖像信號強度不相關，這類噪聲能夠看着理想無噪聲圖像f和噪聲的和。
• 乘性噪聲，乘性噪聲和圖像信號是相關的，每每隨圖像信號的變化而變化。
  而爲了分析處理的方便，經常將乘性噪聲近似認爲是加性噪聲，並且老是假定信號和噪聲是互相獨立的。

最重要的來了，按照機率密度函數（PDF）分類：

• 高斯噪聲，高斯噪聲模型常常被用於實踐中。
• 脈衝噪聲（椒鹽噪聲），圖像上一個個點，也可稱爲散粒和尖峯噪聲。
• 伽馬噪聲
• 瑞利噪聲
• 指數分佈噪聲
• 均勻分佈噪聲
  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，而後將這個隨機數加到源像素值上，並將獲得的值所放到[0,255]區間便可。

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佈。
隨機數引擎有三種：

• linear_congruential_engine 線性同餘算法
• mersenne_twister_engine 梅森旋轉算法
• subtract_with_carry_engine 帶進位的線性同餘算法

第一種最經常使用，並且速度比較快；第二種號稱最好的僞隨機數生成器

#include <random>

std::random_device rd; // 隨機數種子
std::mt19937 mt(rd()); // 隨機數引擎
std::normal_distribution<> d(5,20); // 高斯分佈

std::map<int,int> hist;
for(int n = 0; n < 10000; n ++)
    ++hist[std::round(d(mt))]; // 生成符合高斯分佈的隨機數

添加圖像噪聲

使用C++的隨機數發生器爲圖像添加兩種噪聲：椒鹽噪聲和高斯噪聲。
椒鹽噪聲是圖像中離散分佈的白點或者黑點，其代碼以下：

// 添加椒鹽噪聲
void addSaltNoise(Mat &m, int num)
{
    // 隨機數產生器
    std::random_device rd; //種子
    std::mt19937 gen(rd()); // 隨機數引擎

    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;
    }
}

上述代碼中使用ptr<uchar>()獲取圖像某一行的行首指針，獲得行首指針後就能夠任意的訪問改行的像素值。

高斯噪聲是一種加性噪聲，爲圖像添加高斯噪聲的代碼以下：

// 添加Gussia噪聲
// 使用指針訪問
void addGaussianNoise(Mat &m, int mu, int sigma)
{
    // 產生高斯分佈隨機數發生器
    std::random_device rd;
    std::mt19937 gen(rd());

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

    auto rows = m.rows; // 行數
    auto cols = m.cols * m.channels(); // 列數

    for (int i = 0; i < rows; i++)
    {
        auto p = m.ptr<uchar>(i); // 取得行首指針
        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;
        }
    }
}

隨機產生符合高斯分佈的隨機數，而後將該值和圖像原有的像素值相加，並將獲得的和壓縮到[0,255]區間內。

左邊是原圖，中間的是添加高斯噪聲後的圖像，最右邊的是添加椒鹽噪聲後的圖像。

使用濾波器去除噪聲

根據噪聲類型的不一樣，選擇不一樣的濾波器過濾掉噪聲。一般，對於椒鹽噪聲，選擇中值濾波器（Median Filter），在去掉噪聲的同時，不會模糊圖像；對於高斯噪聲，選擇均值濾波器（Mean Filter），可以去掉噪聲，但會對圖像形成必定的模糊。
在OpenCV中，對應於均值濾波器的函數是blur，該函數須要5個參數，一般只設置前3個後兩個使用默認值便可。
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，這裏使用的是\(5 \times 5\)的矩形。

對應於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，因爲是選取的是中值，濾波器的大小一般是一個奇數。

下圖是對有噪聲圖像使用濾波器後的結果，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後的結果；右邊的是使用中值濾波器過濾椒鹽噪聲後的結果。能夠明顯的看出，這兩種濾波器都可以很好的去掉圖像的噪聲，但會對圖像形成必定的模糊，尤爲是均值濾波器形成的模糊比較明顯。

總結

本文算是第一篇文章，簡單的介紹下OpenCV的基本使用；接着訪問圖像中的像素，並藉助於C++11的隨機數庫，爲圖像添加高斯噪聲和椒鹽噪聲；最後使用中值濾波器和均值濾波器除去圖像，並對結果進行了對比。

之後堅持每日對圖像處理的一些知識進行整理。