c语言图像模糊处理

该博客介绍了一种图像模糊化处理方法,保持图像四周像素值不变,中间像素值取其相邻四个像素的平均值(四舍五入)。代码使用C语言实现,满足特定时间与内存限制,适用于简单的图像处理操作。

给定m行n列的图像各像素点的灰度值,要求用如下方法对其进行模糊化处理:

1.四周最外侧的像素点灰度值不变;
2.中间各像素点新灰度值为该像素点及其上下左右相邻四个像素点原灰度值的平均(舍入到最接近的整数)。

格式

输入格式

第一行包含两个整数n和m,表示图像包含像素点的行数和列数。1≤n≤100,1≤m≤100。 接下来n行,每行m个整数,表示图像的每个像素点灰度。相邻两个整数之间用单个空格隔开,每个元素均在0~255之间。

输出格式

m行,每行n个整数,为模糊处理后的图像。相邻两个整数之间用单个空格隔开。

样例

输入样例

4 5
100 0 100 0 50
50 100 200 0 0
50 50 100 100 200
100 100 50 50 100

输出样例

100 0 100 0 50
50 80 100 60 0
50 80 100 90 200
100 100 50 50 100

限制

时间限制: 1000 ms

内存限制: 65536 KB

注意找几个整数的平均值最最接近的整数的方法


#include<stdio.h>
#include<string.h>
int main()
{
	int a[102][102];
	int m,n,i,j,a1;
	float a2;
	scanf("%d %d",&m,&n);
	for(i=0;i<m;i++)
	{
		for(j=0;j<n;j++)
		{
			scanf("%d",&a[i][j]);
		}
	}
	for(i=0;i<m;i++)
	{
		for(j=0;j<n;j++)
		{
			if(i==0||j==0||i==m-1||j==n-1)
			{
				printf("%d ",a[i][j]);
			}
			else
			{
				a1=(a[i-1][j]+a[i+1][j]+a[i][j-1]+a[i][j+1]+a[i][j])/5;
				a2=1.0*(a[i-1][j]+a[i+1][j]+a[i][j-1]+a[i][j+1]+a[i][j])/5;
			if(a2-a1>0.5)
			{
				printf("%d ",a1+1);
			}
			else
			{
				printf("%d ",a1);
			}
			}
		}
		printf("\n");
	}
	return 0;
}

第一课: import cv2 as cv import numpy as np #均值模糊,作用:去噪声 def blur_demo(image): dst= cv.blur(image,(3,3)) cv.imshow("blur_win",dst) #去掉椒盐噪声 def median_blur(image): dst =cv.medianBlur(image,5) cv.imshow("median_blur_win",dst) def custom_blur_demo(image): #kernel = np.array([[1,1,1],[1,1,1],[1,1,1]],np.float32)/9 #kernel = np.array([[0,-1,0],[-1,5,-1],[0,-1,0]],np.float32) kernel = np.array([[0,-1,0],[-1,5,-1],[0,-1,0]],np.float32) dst = cv.filter2D(image,-1,kernel) cv.imshow("custom_blur_demo",dst) src = cv.imread("E:/opencv/picture/test3.jpg") cv.imshow("initial_win",src) blur_demo(src) median_blur(src) custom_blur_demo(src) cv.waitKey(0) cv.destroyAllWindows() 分析: 1. 均值滤波:cv.blur(src,ksize):去噪声 注:这里的ksize是个(x,y)形式 卷积过程: 6*6上面是个3*3的窗口,从上向下移动,黄色的每个像素点值之和取平均值赋给中心红色像素作为它卷积处理之后的的新的像素值,每次移动一个像素格! 2. 中值滤波:cv.median_blur(srcm,ksize):对于去椒盐噪声很有用 注:这里的ksize是个x数值形式 举个例子:我们在图像中去3*3的矩阵,里面有9个像素点,我们将9个像素进排序,最后将这个矩阵的中心点赋值为这九个像素的中值。 3. 用户自定义模糊 所用函数:filter2D() 函数原型: filter2D(src, ddepth, kernel[, dst[, anchor[, delta[, borderType]]]]) -> dst src参数表示待处理的输入图像。 ddepth参数表示目标图像深度,输入值为-1时,目标图像和原图像深度保持一致 kernel: 卷积核(或者是相关核),一个单通道浮点型矩阵。修改kernel矩阵即可实现不同的模糊 分析: 1. kernel的大小应该是奇数,这样它才有一个中心点 2. 滤波器矩阵所有的元素之和应该要等于1,这是为了保证滤波前后图像的亮度保持不变。 3. 我们也可以用filt2D的方法实现均值滤波。 如 kernel = np.array([[1,1,1],[1,1,1],[1,1,1]],np.float32)/9 注意:这里kernel的运算一定要除以9哦。 4. 当然也有其它的kernel可以用于其它图像处理 kernel = np.array([[0,-1,0],[-1,5,-1],[0,-1,0]],np.float32) 该kernel用于锐化图像。 第二课: import cv2 as cv import numpy as np def clamp(pv): if pv>255: return 255 else: return pv def gaussian_noise(image): h,w,ch= image.shape for row in range(h): for col in range(w): s = np.random.normal(0, 20, 3) b = image[row, col, 0] g = image[row, col, 1] r = image[row, col, 2] image[row,col,0] =clamp(b +s[0]) image[row, col, 1] = clamp(g + s[1]) image[row, col, 2] = clamp(r + s[2]) cv.imshow("gaussian_win",image) src = cv.imread("E:/opencv/picture/lena.jpg") cv.imshow("initial_win",src) gaussian_noise(src) dst = cv.GaussianBlur(src,(0,0),2) cv.imshow("dst_win",dst) cv.waitKey(0) cv.destroyAllWindows() 分析: 1. 如何在图像中制造噪声? 答:在源图像的每个像素上加上个随机值就会出现噪声线性。 这里我们还是使用逐个像素点改变像素值的办法来处理的,用了两层for嵌套: for row in range(h): for col in range(w): 接着就是要改变像素值了,我们使用了随机数指令: s = np.random.normal(0,15,3) 该指令分析如下: numpy.random.normal(loc=0.0, scale=1.0, size=None) 参数一:概率分布的均值,对应着整个分布的中心center 参数二:概率分布的标准差,对应于分布的宽度,scale越大越矮胖,反之越瘦高 参数三:输出值shape,默认是输出一个值,因为这里我们要改变各个像素点各个通道的数值,所以这里设置为3。 这块的源码是这样的: def guess_noise(image): h,w= image.shape[0:2] for row in range(h): for col in range(w): s = np.random.normal(0,15,3) b = image[row,col,0] g = image[row,col,1] r = image[row,col,2] image[row,col,0] = b+s[0] image[row,col,1] = g+s[1] image[row,col,2] = r+s[2] cv.imshow("noise_win",image) 2. 高斯模糊: 加强版的均值模糊(均值模糊只是线性模糊) 高斯模糊实质上就是一种均值模糊,只是高斯模糊是按照加权平均的,距离越近的点权重越大,距离越远的点权重越小。通俗的讲,高斯滤波就是对整幅图像加权平均的过程,每一个像素点的值,都由其本身和邻域内的其他像素值经过加权平均后得到。 api指令: GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]]) 参数一:待处理的输入图像 参数二:高斯滤波器模板大小。其中ksize.width和ksize.height可以不同,但它们必须是正数和奇数。或者它们可以是(0,0),然后从第三个参数计算出来。 参数三:表示X方向上的高斯内核标准差 参数四:表示Y方向上的高斯内核标准差。如果参数四为0,则设置为等于参数三,如果这两个参数均为零,则分别从ksize.width和ksize.height计算得到。 注:若ksize不为(0,0)则按照ksize计算,后面的参数三,参数四无意义。若ksize为(0,0)则根据后面的参数三计算ksize 故一般来说设置成cv.GaussianBlur(src,(0,0),3) 或者是dst = cv.GaussianBlur(src,(3,3),0) 都 第三课、高斯双边模糊 import cv2 as cv import numpy as np def bl_demo(image): dst = cv.bilateralFilter(image,0,100,15) cv.imshow("dst_win",dst) def shift_demo(image): dst = cv.pyrMeanShiftFiltering(image,10,50) cv.imshow("shift_demo",dst) src = cv.imread("E:/opencv/picture/lena.jpg") cv.imshow("inital_win",src) #bl_demo(src) shift_demo(src) cv.waitKey(0) cv.destroyAllWindows() 1. 高斯双边模糊:加强版的高斯模糊,保留了边界信息 cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace[, dst[, borderType]]) → dst 双边滤波器可以去除无关噪声,同时保持较好的边缘信息。 但是,其速度比绝大多数滤波器都慢。 在局部上,就是在灰度值差异不大的区域平滑,在灰度值差异比较大的边界地区保留边界。所以双边滤波器作用于每个像素的同时,必然会受到领域像素点的距离、灰度值差的权重影响。 参数一:输入源 参数二:一般写0就 参数三(作用于色差):色彩空间的sigma参数,该参数较大时,各像素邻域内相距较远的颜色会被混合到一起,从而造成更大范围的半相等颜色)。 这个参数决定多少差值之内的像素会被计算,而大于这个差值的,我们就认为是边缘区域需要保留该区域像素值。color差异一般我们希望它大一点。 参数四(作用于距离):坐标空间的sigma参数,该参数较大时,只要颜色相近,越远的像素会相互影响。space差异一般我们希望它小一点。 2. 偏移高斯模糊
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值