`
piperzero
  • 浏览: 3456638 次
  • 性别: Icon_minigender_1
  • 来自: 杭州
文章分类
社区版块
存档分类
最新评论

图像处理之高斯模糊

 
阅读更多

高斯模糊是一种两维的卷积模糊操作,在图像完成高斯模糊相对于均值模糊来说,

计算量会增加,但是高斯模糊可以实现一些特殊效果,特别是在图像噪声(非椒盐

噪声)消去方面,更是有着非常好的效果。一维高斯公式如下:


其中x是制定[-n,n]范围的整数,sigma代表标准方差。通常取值为1.

一维高斯函数Java代码如下:

	private float[] get1DKernalData(int n, float sigma) {
		float sigma22 = 2*sigma*sigma;
		float Pi2 = 2*(float)Math.PI;
		float sqrtSigmaPi2 = (float)Math.sqrt(Pi2) * sigma ;
		int size = 2*n + 1;
		int index = 0;
		float[] kernalData = new float[size];
		for(int i=-n; i<=n; i++) {
			float distance = i*i;
			kernalData[index] = (float)Math.exp((-distance)/sigma22)/sqrtSigmaPi2;
			System.out.println("\t" + kernalData[index]);
			index++;
		}
		return kernalData;
	}

假设输入 n= 1, sigma = 1时,输出的Kernel数据为:

0.24197073, 0.3989423, 0.24197073


两维的高斯分布函数为:


对应的Java实现代码为:

	public float[][] get2DKernalData(int n, float sigma) {
		int size = 2*n +1;
		float sigma22 = 2*sigma*sigma;
		float sigma22PI = (float)Math.PI * sigma22;
		float[][] kernalData = new float[size][size];
		int row = 0;
		for(int i=-n; i<=n; i++) {
			int column = 0;
			for(int j=-n; j<=n; j++) {
				float xDistance = i*i;
				float yDistance = j*j;
				kernalData[row][column] = (float)Math.exp(-(xDistance + yDistance)/sigma22)/sigma22PI;
				column++;
			}
			row++;
		}
		
		for(int i=0; i<size; i++) {
			for(int j=0; j<size; j++) {
				System.out.print("\t" + kernalData[i][j]);
			}
			System.out.println();
			System.out.println("\t ---------------------------");
		}
		return kernalData;
	}

当n=1, sigma=1时对应输出的Kernel数据为:

0.058549833 0.09653235 0.058549833

0.09653235 0.15915494 0.09653235

0.058549833 0.09653235 0.058549833

一个2D高斯分布的图可以表示如下:


高斯过滤在图像处理是一种低通滤波,会除去图像的细节而保持整体不变化,在图像美化和特效

方面,高斯过滤有这很多应用。高斯模糊不同于均值模糊!

本文实现完整的高斯模糊算法包括下面几个步骤:

1.生成高斯操作数即Kernel Data

2.从图像中读取像素,利用第一步的操作数,完成卷积。

3.发现图像处理前后的最大像素值peak得出rate

4.完成归一化操作,返回处理后像素数组


关键程序解析:

利用操作数完成卷积的代码参看以前的Blog文章《图像处理之理解卷积

完成归一化操作的算法非常简单, 主要是利用第三步计算出来的rate

        // normalization
        float rate = inMax/outMax;
        System.out.println("Rate = " + rate);
        for(int row=0; row<height; row++) {
        	for(int col=0; col<width; col++) {
        		index = row * width + col;
        		int rgb1 = tempoutPixels[index];
				int red = (rgb1 >> 16) & 0xff;
				int green = (rgb1 >> 8) & 0xff;
				int blue = rgb1 & 0xff;
				red = (int)(rate * red);
				green = (int)(rate * green);
				blue = (int)(rate * blue);
				outPixels[index] = (rgb1 & 0xff000000) | (red << 16) | (green << 8) | blue;
        	}
        }

高斯模糊效果如下:


- 左边为原图 - 右边为高斯模糊之后效果,发现皱纹和手部滑了

等等现在还不最cool的效果,高斯模糊之后如果与原图像叠加会出现一种Glow的

效果,好像灯光打在图像上一样,Glow处理之后的运行效果如下:

原图:


实现Glow Filter之后的图像:


实现Glow算法只是高斯模糊输出像素值叠加原来的像素值。

		int index = 0;
		for ( int y = 0; y < height; y++ ) {
			for ( int x = 0; x < width; x++ ) {
				int rgb1 = outPixels[index];
				int r1 = (rgb1 >> 16) & 0xff;
				int g1 = (rgb1 >> 8) & 0xff;
				int b1 = rgb1 & 0xff;

				int rgb2 = inPixels[index];
				int r2 = (rgb2 >> 16) & 0xff;
				int g2 = (rgb2 >> 8) & 0xff;
				int b2 = rgb2 & 0xff;

				r1 = PixelUtils.clamp( (int)(r1 + a * r2) );
				g1 = PixelUtils.clamp( (int)(g1 + a * g2) );
				b1 = PixelUtils.clamp( (int)(b1 + a * b2) );

				inPixels[index] = (rgb1 & 0xff000000) | (r1 << 16) | (g1 << 8) | b1;
				index++;
			}
		}

转载时请注明出处!!,谢谢!
分享到:
评论

相关推荐

Global site tag (gtag.js) - Google Analytics