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。
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：
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?。籛INDOW_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。
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
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。
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。
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
#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); // 高斯分布std::map<int,int> hist;for(int n = 0; n < 10000; n ++) ++hist[std::round(d(mt))]; // 生成符合高斯分布的隨機數使用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：
// 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，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：
// 添加Gussia噪聲// 使用指針訪問void addGaussianNoise(Mat &m, int mu, int sigma){ // 產生高斯分布隨機數發生器 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。
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
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。 
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。
以后堅持每日對圖像處理的一些知識進行整理。
新聞熱點
疑難解答
