C++实现图像的模拟运动模糊

使用C++和OpenCV库来实现MATLAB中imread、fspecial和imfilter的读取图像，并应用滤波器的功能实现图像的模拟运动模糊。确保你已经安装了OpenCV库并正确配置了你的C++项目以使用它。

originalRGB = imread('peppers.png'); 
imshow(originalRGB);
h = fspecial('motion', 50, 45);%创建一个滤波器 
filteredRGB = imfilter(originalRGB, h);
imshow(filteredRGB);

imfilter函数是一种计算机函数，也叫做实现线性空间滤波函数，功能是对任意类型数组或多维图像进行滤波，函数形式是B = imfilter(A,H)。

imfilter函数
函数形式 B = IMFILTER()
函数功能
对数组或多维图像进行滤波
函数形式
imfilter函数解释
用法：
B = imfilter(A,H) B = imfilter(A,H,option1,option2,…)
或写作
g = imfilter(f, w, filtering_mode, boundary_options, size_options)其中，f为输入图像，w为滤波掩模，g为滤波后图像。filtering_mode用于指定在滤波过程中是使用“相关”还是“卷积”。boundary_options用于处理边界充零问题，边界的大小由滤波器的大小确定。

以下示例代码中的fspecial(‘motion’,…)并没有直接的OpenCV对应函数，所以使用了一个一维高斯滤波器并旋转它以模拟运动模糊。然而，这只是一个近似的方法，可能不会完全等同于MATLAB的fspecial(‘motion’,…)。以下是一个使用OpenCV在C++中实现类似功能的示例代码：

/*
OpenCV4的安装
sudo apt install gcc
sudo apt install g++
sudo apt install cmake
sudo apt install libgtk2.0-dev
sudo apt install pkg-config
unzip opencv-4.5.5.zip
cd opencv-4.5.5
mkdir build
cmake ..
make -j2
cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local ..
make -j2
sudo make install
配置环境变量
1、进入root权限，在终端输入：
sudo -i
vim /etc/ld.so.conf.d/opencv.conf
2、在vim中进入编辑模式输入：/usr/local/lib,退出保存。
按下“i”进入插入模式
输入“/usr/local/lib”
按下“Esc”退出插入模式
保存并退出Vim：按下'Shift'键，然后输入'：'，接着输入‘wq’并按下'Enter'。
3、在终端输入：vim /etc/bash.bashrc,进入bash.bashrc文件，在尾行输入：
PKG_CONFIG_PATH=$PKG_CONFIG_PATH:/usr/local/lic/pkgconfig
export PKG_CONFIG_PATH
4、配置成功，退出root。
exit
ldconfig -v | grep opencv
sudo apt-get install libopencv-dev
OpenCV2的安装
OpenCV Github地址：GitHub - opencv/opencv: Open Source Computer Vision Library先选择2.4的分支，然后下载zip包或者用git下载git clone -b 2.4 https://github.com/opencv/opencv.gitsudo apt install gcc
sudo apt install g++
sudo apt install cmake
sudo apt install libgtk2.0-dev
sudo apt install pkg-config
unzip opencv-2.4.13.7.zip
cd opencv-2.4.13.7
mkdir build
cmake ..
make -j2
cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local ..
make -j2
sudo make install
然后解压缩编译等等其他的步骤就参考上面的代码段，是一样的！在cmake的时候应该是会报错，然后报错信息见日志：1. fatal error: sys/videoio.h: No such file or directory， 解决方式// cmake .. 替换成下面
cmake .. -DCMAKE_BUILD_TYPE=Release -DCUDA_nppi_LIBRARY=true -DWITH_CUDA=OFF -DBUILD_TIFF=ON 
2. 可能还有一个是版本不能识别的问题 CPACK_PACKAGE_VERSION does not match version provided by version.hpp 大概是这样， 解决方式修改opencv目录下的CMakeList.txtset(OPENCV_VCSVERSION "2.4.13.7")
用这种方式装出来的版本是2.4.13.7
*/
#include <opencv2/opencv.hpp>
#include <opencv2/imgcodecs.hpp>
#include <opencv2/imgproc.hpp>int main() {// 读取图像cv::Mat originalRGB = cv::imread("peppers.png");if (originalRGB.empty()) {std::cout << "无法读取图像" << std::endl;return -1;}// 创建一个运动模糊滤波器// 注意：OpenCV没有直接对应于MATLAB的fspecial('motion',...)的函数// 但我们可以使用getGaussianKernel创建一个一维高斯滤波器，然后将其旋转以模拟运动模糊int kernelSize = 50; // 滤波器大小，需要是奇数double angle = 45 * CV_PI / 180; // 运动方向的角度（转换为弧度）cv::Point2f center(kernelSize / 2, kernelSize / 2); // 滤波器中心cv::Mat rotationMatrix = cv::getRotationMatrix2D(center, angle, 1); // 旋转矩阵// 创建一个一维高斯滤波器cv::Mat gaussianKernel = cv::getGaussianKernel(kernelSize, 0, CV_32F);cv::Mat motionKernel(kernelSize, kernelSize, CV_32F, cv::Scalar(0));// 将一维高斯滤波器复制到二维滤波器中，并应用旋转for (int i = 0; i < kernelSize; ++i) {motionKernel.row(i).copyTo(motionKernel.col(kernelSize - 1 - i).rowRange(0, 1));}cv::warpAffine(motionKernel, motionKernel, rotationMatrix, motionKernel.size());// 应用滤波器cv::Mat filteredRGB;cv::filter2D(originalRGB, filteredRGB, originalRGB.depth(), motionKernel);// 显示或保存处理后的图像cv::imshow("Original Image", originalRGB);cv::imshow("Filtered Image", filteredRGB);cv::waitKey(0);cv::imwrite("filtered_peppers.png", filteredRGB);return 0;
}

还有以下代码用于实现模糊运动的添加与消除。
原理：在已知模糊运动核的前提下，可通过核线性卷积的形式对图像添加运动模糊，反之也可利用该核精确的去除该运动模糊。
本例代码仅使用了C++常用库与OpenCV 2.4.5，因为AddMotionBlur的createLinearFilter函数在OpenCV 3+版本中已经去除，故而建议只用OpenCV 2+，ker 核的大小不能过大，例如，以lena图为例，ker的len为20时，会导致无法复原。

// Input: 
//      彩色三通道图像，在读取时转化为灰度图
// output:
//      添加运动模糊的单通道灰度图，或去除运动模糊后的单通道灰度图
// version: 1.0 
// date: 2018/6/6
// by xie qunyi
// 转载请注明：
/*------------------------------------------------------------------------------------------*/#include <iostream>
#include <opencv2/opencv.hpp>using namespace std;
using namespace cv;// Create an image of complex number type (2 channels to store 
// real part and imaginary part) from an input grayscale image
// src : single channel grayscale image input
// dst : two channel complex image output
void i2z(cv::Mat src, cv::Mat& dst)
{//convert the image to float type, create another one filled with zeros, //and make an array of these 2 imagescv::Mat im_array[] = { cv::Mat_<float>(src), cv::Mat::zeros(src.size(), CV_32F) };//combine as a 2 channel image to represent a complex number type imagecv::Mat im_complex; cv::merge(im_array, 2, im_complex);//copy to destinationim_complex.copyTo(dst);
}// convert a 2 channel complex image to a single channel grayscale image
// by getting magnitude
// src : two channel complex image input
// dst : single channel grayscale image output
void z2i(cv::Mat src, cv::Mat& dst)
{//split the complex image to 2cv::Mat im_tmp[2]; cv::split(src, im_tmp);//get absolute valuecv::Mat im_f; cv::magnitude(im_tmp[0], im_tmp[1], im_f);//copy to destinationim_f.copyTo(dst);
}// return complex image C = A./B
// if A = a+b*i and B = c+d*i;
// then C = A./B = ((a*c+b*d)/(c^2+d^2))+((b*c-a*d)/(c^2+d^2))*i
cv::Mat complexDiv(const cv::Mat& A, const cv::Mat& B)
{cv::Mat A_tmp[2]; cv::split(A, A_tmp);cv::Mat a, b;A_tmp[0].copyTo(a);A_tmp[1].copyTo(b);cv::Mat B_tmp[2]; cv::split(B, B_tmp);cv::Mat c, d;B_tmp[0].copyTo(c);B_tmp[1].copyTo(d);cv::Mat C_tmp[2];cv::Mat g = (c.mul(c)+d.mul(d));C_tmp[0] = (a.mul(c)+b.mul(d))/g;C_tmp[1] = (b.mul(c)-a.mul(d))/g;cv::Mat C;cv::merge(C_tmp, 2, C);return C;
}// add motion blur to the src image
// motion degree is depended on the kernel ker
// ker can be product by matlab func : fspecial
// matlab code : {LEN = 3; THETA = 0; ker = fspecial('motion', LEN, THETA);}
cv::Mat AddMotionBlur(const cv::Mat& src, const cv::Mat& ker)  
{   // convert to float datacv::Mat sample_float;src.convertTo(sample_float, CV_32FC1);// motion blurcv::Point anchor(0, 0);double delta = 0;cv::Mat dst = cv::Mat(sample_float.size(), sample_float.type());Ptr<cv::FilterEngine> fe = cv::createLinearFilter(sample_float.type(), ker.type(), ker, anchor,delta, BORDER_WRAP, BORDER_CONSTANT, cv::Scalar(0));fe->apply(sample_float, dst);return dst; 
}// remove motion blur which is added by the special kernel ker
// the same function in matlab is:
// {[hei,wid,~] = size(blurredimage);If = fft2(blurredimage);
//  Pf = fft2(ker,hei,wid); deblurred = ifft2(If./Pf);}
cv::Mat DemotionBlur(const cv::Mat& src, const cv::Mat& ker)
{ // IfMat blurred_co; i2z(src, blurred_co);Mat If;dft(blurred_co, If);// PfMat im_complex_ker; cv::Mat tmp = cv::Mat::zeros(src.rows, src.cols, CV_32FC1);ker.copyTo(tmp(cv::Rect(0,0,ker.cols,ker.rows)));Mat tmp_co;i2z(tmp, tmp_co);Mat Pf;dft(tmp_co, Pf);// If./Pfcv::Mat im_co = complexDiv(If, Pf);//Convert the DFT result into grayscaleMat im_de;dft(im_co, im_de, DFT_INVERSE+DFT_SCALE); Mat im_deblur; z2i(im_de, im_deblur);return im_deblur; 
}int main(int argc, char** argv){// 读取测试样例const std::string ImageName = "./lena.jpg";cv::Mat DemoImage = cv::imread(ImageName, CV_LOAD_IMAGE_GRAYSCALE);// 运动模糊核float kernel[1][3] = {{0.333333333,0.33333333,0.33333333}};cv::Mat ker = cv::Mat(1, 3, CV_32FC1, &kernel);// 添加运动模糊cv::Mat blur = AddMotionBlur(DemoImage, ker);cv::imwrite("./blur.jpg", blur);// 去除运动模糊cv::Mat deblur = DemotionBlur(blur, ker);cv::imwrite("./deblur.jpg", deblur);return 0;
}