嵌入式人工智能应用-第三章 opencv操作3 图像平滑操作 下

5 高斯噪声（Gaussian Noise）

高斯噪声（Gaussian Noise）是一种符合正态（高斯）分布的随机噪声，广泛存在于传感器采集、信号传输等场景中。以下是关于高斯噪声的详细说明、添加方法及滤波方案。

特点：符合正态分布，模拟传感器噪声。
噪声值服从正态分布
其中：
μ（均值）：通常为 0（对称分布）；σ
σ（标准差）：控制噪声强度（值越大，噪声越明显）

视觉表现：图像上出现细密的颗粒状噪声，类似“电视雪花”效果。

5.1 加入噪声

void addGaussianNoise(cv::Mat &image, double mean=0, double stddev=15) {cv::Mat noise = cv::Mat::zeros(image.size(), image.type());cv::randn(noise, mean, stddev); // 生成高斯噪声image += noise;cv::normalize(image, image, 0, 255, cv::NORM_MINMAX, image.type()); // 防止溢出
}

5.2 高斯滤波

原理：使用高斯核加权平均，与噪声分布特性匹配。

优点：计算高效，适合实时处理。

OpenCV 函数：cv::GaussianBlur()

函数原型：

void cv::GaussianBlur(InputArray src, OutputArray dst,Size ksize, double sigmaX,double sigmaY = 0,int borderType = BORDER_DEFAULT
);

参数：

ksize Size 高斯核大小（宽度和高度，必须为正奇数如3x3、5x5）。
sigmaX double X方向标准差。若为0，则自动从ksize计算：sigma = 0.3*((ksize-1)*0.5 - 1) + 0.8
sigmaY double Y方向标准差（默认=0，表示与sigmaX相同）。
borderType int 边界填充方式（默认BORDER_DEFAULT）。

参考应用：

cv::Mat denoised;
cv::GaussianBlur(noisy_img, denoised, cv::Size(5, 5), 1.5); // 内核大小5x5，标准差1.5

5.4 双边滤波（Bilateral Filter）

原理：同时考虑空间距离和像素值差异，保留边缘。
bilateralFilter 为双边滤波，d 为计算的半径，在 d 以内的像素点会被纳入计算，如果 d=-1，则根据 sigmas 参数取值进行处理。Sigmac 决定多少差值之内的像素点会被计算。Sigmas 和 d 的值有关，如果 d 大于0，该值无效，如果小于 0，则根据 sigmas 来计算 d 的值。

优点：边缘保持效果好。

OpenCV 函数：cv::bilateralFilter()

cv::Mat denoised;
cv::bilateralFilter(noisy_img, denoised, 9, 75, 75); // 直径9，颜色/空间标准差75

5.5 总结

6 椒盐噪声（Salt-and-Pepper Noise）

椒盐噪声是一种常见的图像噪声，表现为随机出现的 纯白（盐噪声） 和 纯黑（椒噪声） 像素点，通常由传感器故障、信号传输错误或存储介质损坏引起。以下是其特性、添加方法及去噪方案。

6.1 定义

噪声像素值为 0（黑） 或 255（白），随机分布在图像中

视觉表现：图像上散落黑白点，类似胡椒和盐粒。

6.2 添加椒盐噪声

  #include "random"
void addSaltPepperNoise(cv::Mat &image, double prob = 0.05) {std::random_device rd;std::mt19937 gen(rd());std::uniform_real_distribution<> dis(0.0, 1.0);for (int i = 0; i < image.rows; i++) {for (int j = 0; j < image.cols; j++) {double r = dis(gen);if (r < prob / 2) {image.at<cv::Vec3b>(i, j) = cv::Vec3b(0, 0, 0);    // 椒噪声（黑）} else if (r < prob) {image.at<cv::Vec3b>(i, j) = cv::Vec3b(255, 255, 255); // 盐噪声（白）}}}
}

6.3 中值滤波（Median Filter）

原理：用邻域像素的中值替代中心像素，有效消除孤立噪点。

优点：计算快，适合实时处理。

OpenCV 函数：cv::medianBlur()

cv::Mat denoised;
cv::medianBlur(noisy_img, denoised, 5); // 内核大小5x5（必须为奇数）

medianBlur 为中值滤波，ksize 为中值滤波的窗口大小。

6.5 总结

7 参考案例

7.1 模糊案例

#include <iostream>
#include <opencv2/opencv.hpp>
using namespace std;
using namespace cv;
int main (int argc,char **argv)
{Mat src = imread("cyq.jpg",1);if(src.empty()){cout << "Could not load image.."<<endl;return -1;}Mat image1,image2,image3;blur(src,image1,Size(3,3),Point(-1,-1));blur(src,image2,Size(29,1),Point(-1,-1));blur(src,image3,Size(1,20),Point(-1,-1));imshow("input",src);imshow("output1",image1);imshow("output2",image2);imshow("output3",image3);waitKey(0);return 0;
}

这部分代码很简单，使用 mat 将图像信息装起来，然后调用 OpenCV 提供的 blur 接口进行模糊，通过调整 Size 参数来看看均值滤波的效果。第一次调用 Size(3,3)，表示卷积算子的大小为 3*3，这个值是可以随意改变的，但必须是正数，后面的 Point 表示采用卷积算子的中心点为计算结果。后面将 size 中的参数改变，例如 Size（29,1）是 x 方向的模糊，因为我们平时看到的移动都是相对于地面的，所以转换出来的图像像是瞬间移动了；Size（1,20）是在 y 方向的模糊，看起来像是向上跳跃的感觉。

7.1 中值滤波

#include <iostream>
#include <opencv2/opencv.hpp>
using namespace std;
using namespace cv;
int main (int argc,char **argv)
{Mat src = imread("nn.png",1);if(src.empty()){cout << "Could not load image.."<<endl;return -1;}Mat dst;medianBlur(src,dst,3);imshow("input",src);imshow("output",dst);waitKey(0);return 0;
}