140 lines
7.0 KiB
C++
140 lines
7.0 KiB
C++
/*
|
||
* ============================================================
|
||
* 实验 3：高斯模糊 (Gaussian Blur)
|
||
* 知识点：cv::GaussianBlur
|
||
* ============================================================
|
||
*
|
||
* 【实验目标】
|
||
* 1. 理解"模糊"本质上是什么（图像怎么变模糊的）
|
||
* 2. 掌握 cv::GaussianBlur 函数的参数含义
|
||
* 3. 观察不同卷积核大小对模糊效果的影响
|
||
*
|
||
* 【生活化比喻】
|
||
* 高斯模糊就像透过一块"毛玻璃"或"近视眼镜"看东西：
|
||
* - 原来的图像每个像素都很清晰（边界分明）
|
||
* - 模糊后，每个像素和它周围的像素颜色混在一起了
|
||
* - 核（kernel）越大，相当于毛玻璃越厚，混的范围越大，越模糊
|
||
*
|
||
* 为什么叫"高斯"？
|
||
* - 高斯（Gauss）是一位伟大的数学家
|
||
* - 他发现了一种"钟形曲线"（正态分布），用来描述自然界的很多现象
|
||
* - 在图像上，就是用这个钟形曲线来决定"周围的像素各占多大权重"
|
||
* - 距离中心越近的像素权重越大（理所当然嘛，最近的邻居影响最大）
|
||
*
|
||
* 在 RoboMaster 中为什么需要模糊？
|
||
* - 消除图像噪声（摄像头传感器本身的噪点）
|
||
* - 让后续的边缘检测、颜色提取更稳定
|
||
* - 像是"先把细节捋平，再找关键特征"
|
||
*
|
||
* 【函数详解】
|
||
* cv::GaussianBlur(src, dst, ksize, sigmaX, sigmaY, borderType)
|
||
*
|
||
* src ：输入图像（可以是一张有明显边缘的图）
|
||
* dst ：输出图像（大小和类型与输入相同）
|
||
* ksize ：高斯核的大小，必须是奇数！（如 (3,3), (5,5), (15,15)）
|
||
* 为什么是奇数？因为要有一个"中心像素"，核以它为中心对称展开
|
||
* sigmaX ：X 方向上的高斯标准差（控制左右方向的模糊程度）
|
||
* 如果设为 0，OpenCV 会根据 ksize 自动帮你算一个合适的值
|
||
* sigmaY ：Y 方向上的高斯标准差（控制上下方向的模糊程度）
|
||
* 如果设为 0，等于 sigmaX
|
||
* borderType ：边界处理方式（可选参数，默认即可）
|
||
*/
|
||
|
||
#include <opencv2/opencv.hpp>
|
||
#include <iostream>
|
||
#include <vector>
|
||
|
||
int main()
|
||
{
|
||
std::cout << "[步骤 1] 正在生成测试图片（含清晰边缘和纹理）..." << std::endl;
|
||
|
||
// 创建一张 400×400 的白色画布
|
||
cv::Mat original(400, 400, CV_8UC3, cv::Scalar(255, 255, 255));
|
||
|
||
// 画各种形状 —— 这些形状有清晰的边缘，模糊后效果明显
|
||
// 蓝色实心圆
|
||
cv::circle(original, cv::Point(100, 100), 60, cv::Scalar(255, 0, 0), -1);
|
||
// 绿色矩形框
|
||
cv::rectangle(original, cv::Point(200, 50), cv::Point(350, 150),
|
||
cv::Scalar(0, 200, 0), 3);
|
||
// 红色三角形（用 line 画三条线）
|
||
cv::line(original, cv::Point(50, 320), cv::Point(200, 200),
|
||
cv::Scalar(0, 0, 255), 5);
|
||
cv::line(original, cv::Point(200, 200), cv::Point(350, 320),
|
||
cv::Scalar(0, 0, 255), 5);
|
||
cv::line(original, cv::Point(350, 320), cv::Point(50, 320),
|
||
cv::Scalar(0, 0, 255), 5);
|
||
|
||
// 写文字（文字边缘也是测试模糊的好素材）
|
||
cv::putText(original, "OpenCV", cv::Point(80, 370),
|
||
cv::FONT_HERSHEY_SIMPLEX, 1.2, cv::Scalar(0, 0, 0), 3);
|
||
|
||
// 画一些散点（模拟噪声，模糊后会被消除）
|
||
for (int i = 0; i < 300; i++)
|
||
{
|
||
int x = rand() % 400; // 随机 X 坐标（0~399）
|
||
int y = rand() % 400; // 随机 Y 坐标（0~399）
|
||
// 每个点画一个 2×2 的小方块（因为单个像素可能看不清）
|
||
cv::rectangle(original, cv::Point(x, y), cv::Point(x + 2, y + 2),
|
||
cv::Scalar(0, 0, 0), -1);
|
||
}
|
||
|
||
cv::imwrite("original.jpg", original);
|
||
std::cout << " -> 原始图片已保存为 original.jpg（注意看上面的散点噪声）" << std::endl;
|
||
|
||
// ==========================================
|
||
// 核心实验：对比不同模糊程度
|
||
// ==========================================
|
||
|
||
// --- 模糊程度 1：轻微模糊（ksize = 3×3）---
|
||
// 3×3 的核非常小，只混合当前像素和它最近的 8 个邻居
|
||
// 效果：能消除最细小的噪点，但基本保留图像结构
|
||
std::cout << "[步骤 2] 应用轻微高斯模糊 (ksize = 3x3)..." << std::endl;
|
||
cv::Mat blur_light;
|
||
cv::GaussianBlur(original, blur_light, cv::Size(3, 3), 0, 0);
|
||
cv::imwrite("blur_3x3.jpg", blur_light);
|
||
std::cout << " -> 已保存为 blur_3x3.jpg（轻微模糊，细节基本保留）" << std::endl;
|
||
|
||
// --- 模糊程度 2：中度模糊（ksize = 9×9）---
|
||
// 9×9 的核覆盖了 81 个像素的范围
|
||
// 效果：散点噪声明显消失，边缘变得柔和
|
||
std::cout << "[步骤 3] 应用中度高模糊 (ksize = 9x9)..." << std::endl;
|
||
cv::Mat blur_medium;
|
||
cv::GaussianBlur(original, blur_medium, cv::Size(9, 9), 0, 0);
|
||
cv::imwrite("blur_9x9.jpg", blur_medium);
|
||
std::cout << " -> 已保存为 blur_9x9.jpg（中度模糊，噪声消失，边缘变软）" << std::endl;
|
||
|
||
// --- 模糊程度 3：重度模糊（ksize = 21×21）---
|
||
// 21×21 的核非常大，覆盖了 441 个像素的范围
|
||
// 效果：图像变得严重模糊，细节几乎全部丢失
|
||
// 这在实际应用中通常不会用这么大的核，这里纯粹为了演示
|
||
std::cout << "[步骤 4] 应用重度高斯模糊 (ksize = 21x21)..." << std::endl;
|
||
cv::Mat blur_heavy;
|
||
cv::GaussianBlur(original, blur_heavy, cv::Size(21, 21), 0, 0);
|
||
cv::imwrite("blur_21x21.jpg", blur_heavy);
|
||
std::cout << " -> 已保存为 blur_21x21.jpg（重度模糊，近乎一片朦胧）" << std::endl;
|
||
|
||
// --- 模糊程度 4：X/Y 方向不同模糊程度 ---
|
||
// 前面三个例子 sigmaX 和 sigmaY 都设为 0（自动计算）
|
||
// 这里我们手动指定不同方向的标准差：X 方向模糊大，Y 方向模糊小
|
||
std::cout << "[步骤 5] 应用各向异性模糊 (sigmaX=15, sigmaY=3)..." << std::endl;
|
||
cv::Mat blur_aniso;
|
||
cv::GaussianBlur(original, blur_aniso, cv::Size(0, 0), 15, 3);
|
||
// 注意：当 ksize 设为 (0,0) 时，OpenCV 会根据 sigma 自动计算合适的核大小
|
||
// sigmaX=15（水平方向大模糊）比 sigmaY=3（垂直方向小模糊）大很多
|
||
// 所以效果是：水平方向被"抹平"得很厉害，垂直方向相对清晰
|
||
cv::imwrite("blur_anisotropic.jpg", blur_aniso);
|
||
std::cout << " -> 已保存为 blur_anisotropic.jpg（水平方向很糊，垂直方向较清晰）" << std::endl;
|
||
|
||
// 总结
|
||
std::cout << std::endl;
|
||
std::cout << "===== 实验 3 完成 =====" << std::endl;
|
||
std::cout << "你学会了：" << std::endl;
|
||
std::cout << " 1. GaussianBlur 用高斯分布对像素进行加权平均" << std::endl;
|
||
std::cout << " 2. ksize 越大，模糊范围越大（必须是奇数！）" << std::endl;
|
||
std::cout << " 3. sigma 控制模糊的标准差（0 表示自动计算）" << std::endl;
|
||
std::cout << " 4. 模糊是后续边缘检测、颜色提取的重要预处理步骤" << std::endl;
|
||
|
||
return 0;
|
||
}
|