图像的平滑去噪

高频信息与低频信息

低频就是颜色缓慢变化，也就是灰度缓慢地变化，就代表着那是连续渐变的一块区域。相反高频即灰度变化快，相邻区域的灰度差别大，例如：边缘，噪点都是灰度变化快的区域。

图像平滑

图像平滑是要突出图像的低频成分、主干部分或抑制图像噪声和干扰高频成分的图像处理方法，目的是使图像亮度平缓渐变，减小突变梯度，改善图像质量。字面意思就是让图像上颜色灰度变化更光滑。我们也称图像平滑为图像模糊，因为在平滑的时候，也失去了尖锐的特点。

图像去噪

现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响，称为含噪图像或噪声图像，那么除去这些噪声的过程就是图像去噪。

图片翻转

代码案例

package com.what21.opencv01.demo08;

import org.opencv.core.Core;
import org.opencv.core.Mat;
import org.opencv.imgcodecs.Imgcodecs;

/**
 * 图片翻转
 */
public class OpenCVFlip {

    static {
        System.loadLibrary(Core.NATIVE_LIBRARY_NAME);
    }

    public static void main(String[] args) {
        Mat src = Imgcodecs.imread("D:/1.jpg");
        Mat dst = src.clone();
        Core.flip(src, dst, 0);
        //倒过来
        Imgcodecs.imwrite("D:/flip.1.jpg", dst);
        Core.flip(src, dst, 1);
        //翻转
        Imgcodecs.imwrite("D:/flip.2.jpg", dst);
        Core.flip(src, dst, -1);
        //倒过来加反转
        Imgcodecs.imwrite("D:/flip.3.jpg", dst);
    }

}

拉普拉斯平滑（Laplace Smoothing）

拉普拉斯的理论支撑

为了解决零概率的问题，法国数学家拉普拉斯最早提出用加1的方法估计没有出现过的现象的概率，所以加法平滑也叫做拉普拉斯平滑。

假定训练样本很大时，每个分量x的计数加1造成的估计概率变化可以忽略不计，但可以方便有效的避免零概率问题。

应用举例

假设在文本分类中，有3个类，C1、C2、C3，在指定的训练样本中，某个词语K1，在各个类中观测计数分别为0，990，10，K1的概率为0，0.99，0.01，对这三个量使用拉普拉斯平滑的计算方法如下：

1/1003 = 0.001，991/1003=0.988，11/1003=0.011

在实际的使用中也经常使用加 lambda（1≥lambda≥0）来代替简单加1，如果对N个计数都加上lambda，这时分母也要记得加上N*lambda。

代码案例

package com.what21.opencv01.demo08;

import org.opencv.core.Core;
import org.opencv.core.Mat;
import org.opencv.imgcodecs.Imgcodecs;
import org.opencv.imgproc.Imgproc;

/**
 * 拉普拉斯平滑（Imgproc.Laplacian）
 */
public class OpenCVLaplacian {

    static {
        System.loadLibrary(Core.NATIVE_LIBRARY_NAME);
    }

    public static void main(String[] args) {
        Mat src = Imgcodecs.imread("D:/1.jpg");
        Mat dst = src.clone();
        Imgproc.Laplacian(src, dst, 0);
        Imgcodecs.imwrite("D:/1.Laplacian.jpg", dst);
    }

}