总结学习下图像处理方面基础知识。
这是第一篇，简单的介绍下使用OpenCV的三个基本功能：
图像的读取图像的显示访问图像的像素值然后概述下图像噪声的类型，并为图像添加两种常见的噪声：高斯噪声和椒盐噪声。 最后，使用中值滤波和均值滤波来处理带有噪声的图像。
在OpenCV中，完成图像的输入输出以及显示，只需要以下几个函数：
namedWindow 创建一个可以通过其名字引用的窗口。第一个参数，设置窗口的name，可以通过name引用该窗口；第二个参数，设置窗口的大小。有以下几个选择： - WINDOW_NORMAL or WINDOW_AUTOSIZE 调整窗口的大小以适应图像，不同的是，使用WINDOW_NORMAL可以手动调整窗口的大小；WINDOW_AUTOSIZE不能调整窗口的大小。 - WINDOW_FREERATIO or WINDOW_KEEPRATIO 改变窗口时是否会保持图像的ratio不变，没发现这俩有什么区别。
imshow显示图像
imread 读取图像数据到Mat中,第一个参数是图像的文件名；第二个参数是标志，标识怎么处理图像的色彩。常用的几个选项： - IMREAD_UNCHANGED 和原图像保持一直不变 - IMREAD_GRAYSCALE 将图像转换为单通道的灰度图 - IMREAD_COLOR 将图像转换为3通道的BGR，默认选项 - IMREAD_REDUCED_GRAYSCALE_2 IMREAD_REDUCED_GRAYSCALE_4 IMREAD_REDUCED_GRAYSCALE_8 单通道灰度图读入图像，并减小图像的大小。减小的值为1/2,1/4,1/8 - IMREAD_REDUCED_COLOR_2 IMREAD_REDUCED_COLOR_4 IMREAD_REDUCED_COLOR_2 3通道BGR读入图像，并减小图像的大小。减小的值为1/2,1/4,1/8
Mat是OpenCV中最重要的数据结构，在做图像处理时基本都是对该结构体的操作。Mat由两部分构成：矩阵头和矩阵数据，矩阵头较小，创建的每个Mat实例都拥有一个矩阵头，而矩阵数据通常占有较大的空间，OpenCV中通过引用计数来管理这部分内存空间，当调用赋值运算符和拷贝构造函数时，并不会只复制矩阵头，并不会复制矩阵数据，只是将其的引用计数加1.例如：
上面代码中的a,b和m各自拥有自己的矩阵头，其引用的数据却指向同一份。也就是说，修改了其中任意一个，都会影响到其余的两个。
要想复制矩阵数据，可以调用clone和copyTo这两个函数
将图像读入到Mat后，有三种方式访问Mat中的数据： - 通过指针 - 使用迭代器 - 调用at
图像噪声是图像在获取或传输的过程中受到随机信号的干扰，在图像上出现的一些随机的、离散的、孤立的像素点，这些点会干扰人眼对图像信息的分析。图像的噪声通常是比较复杂的，很多时候将其看成是多维随机过程，因而可以借助于随即过程描述噪声，即使用概率分布函数和概率密度函数。
图像的噪声很多，性质也千差万别， 可以通过不同的方法给噪声分类。 按照产生的原因：
外部噪声内部噪声这种分类方法，有助于理解噪声产生的源头，但对于降噪算法只能起到原理上的帮组。
噪声和图像信号的关系，可以分为：
加性噪声，加性噪声和图像信号强度不相关，这类噪声可以看着理想无噪声图像f和噪声的和。乘性噪声，乘性噪声和图像信号是相关的，往往随图像信号的变化而变化。而为了分析处理的方便，常常将乘性噪声近似认为是加性噪声，而且总是假定信号和噪声是互相独立的。
最重要的来了，按照概率密度函数（PDF）分类：
高斯噪声，高斯噪声模型经常被用于实践中。脉冲噪声（椒盐噪声），图像上一个个点，也可称为散粒和尖峰噪声。伽马噪声瑞利噪声指数分布噪声均匀分布噪声这种分类方法，引入了数学模型，对设计过滤算法比较有帮助。
按照指定的噪声类型，生成一个随机数，然后将这个随机数加到源像素值上，并将得到的值所放到[0,255]区间即可。
新的随机数生成器被抽象成了两个部分：随机数生成引擎和要生成的随机数符合的分布。 随机数引擎有三种： - linear_congruential_engine 线性同余算法 - mersenne_twister_engine 梅森旋转算法 - subtract_with_carry_engine 带进位的线性同余算法
第一种最常用，而且速度比较快；第二种号称最好的伪随机数生成器
#include <random>std::random_device rd; // 随机数种子std::mt19937 mt(rd()); // 随机数引擎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随机数使用C++的随机数发生器为图像添加两种噪声：椒盐噪声和高斯噪声。 椒盐噪声是图像中离散分布的白点或者黑点，其代码如下：
// 添加椒盐噪声void addSaltNoise(Mat &m, int num){ // 随机数产生器 std::random_device rd; //种子 std::mt19937 gen(rd()); // 随机数引擎 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; }}上述代码中使用ptr<uchar>()获取图像某一行的行首指针，得到行首指针后就可以任意的访问改行的像素值。
高斯噪声是一种加性噪声，为图像添加高斯噪声的代码如下：
// 添加Gussia噪声// 使用指针访问void addGaussianNoise(Mat &m, int mu, int sigma){ // 产生高斯分布随机数发生器 std::random_device rd; std::mt19937 gen(rd()); std::normal_distribution<> d(mu, sigma); auto rows = m.rows; // 行数 auto cols = m.cols * m.channels(); // 列数 for (int i = 0; i < rows; i++) { auto p = m.ptr<uchar>(i); // 取得行首指针 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; } }}随机产生符合高斯分布的随机数，然后将该值和图像原有的像素值相加，并将得到的和压缩到[0,255]区间内。 
左边是原图，中间的是添加高斯噪声后的图像，最右边的是添加椒盐噪声后的图像。
根据噪声类型的不同，选择不同的滤波器过滤掉噪声。通常，对于椒盐噪声，选择中值滤波器（Median Filter），在去掉噪声的同时，不会模糊图像；对于高斯噪声，选择均值滤波器（Mean Filter），能够去掉噪声，但会对图像造成一定的模糊。 在OpenCV中，对应于均值滤波器的函数是blur，该函数需要5个参数，通常只设置前3个后两个使用默认值即可。 blur(m, m2, Size(5, 5));第一个参数是输入的图像，第二个参数是输出的图像，第三个参数是滤波器的大小，这里使用的是
对应于中值滤波器的函数是medianBlur(m1, m3, 5);前两个参数是输入输出的图像，第三个参数是滤波器的大小，由于是选取的是中值，滤波器的大小通常是一个奇数。
下图是对有噪声图像使用滤波器后的结果，中间的是原始图像，左边的是使用均值滤波器过滤高斯噪声后的结果；右边的是使用中值滤波器过滤椒盐噪声后的结果。可以明显的看出，这两种滤波器都能够很好的去掉图像的噪声，但会对图像造成一定的模糊，尤其是均值滤波器造成的模糊比较明显。 
本文算是第一篇文章，简单的介绍下OpenCV的基本使用；接着访问图像中的像素，并借助于C++11的随机数库，为图像添加高斯噪声和椒盐噪声；最后使用中值滤波器和均值滤波器除去图像，并对结果进行了对比。
以后坚持每日对图像处理的一些知识进行整理。
新闻热点
疑难解答
