[19]图像增强-多尺度处理

/// 多尺度图像增强
/// </summary>
/// <param name="DestPrj"></param>
/// <param name="w"></param>
/// <param name="w1"></param>
/// <param name="w2"></param>
/// <param name="w3"></param>
/// <param name="w4"></param>
void multiScaleSharpen(DCMRTImage* DestPrj, float w, float w1, float w2, float w3)
{
unsigned short* imageData = DestPrj->getImageData();
const RVector2I& sizeImag = DestPrj->getSize();
cv::Mat SrcImg(sizeImag[1], sizeImag[0], CV_16UC1, imageData);

////降噪
cv::Mat Src;
fastNlMeansDenoising(SrcImg, Src, { 50.0f }, 7, 21, cv::NORM_L1);//原有50降噪效果好,但是速度太慢

int Radius = 15;
float sigma1 = 1.0;
float sigma2 = 2.0;
float sigma3 = 4.0;
int N1 = 1;
int N2 = 2;
int N3 = 4;
cv::Mat B1, B2, B3;

pragma omp sections //第1个sections

{

pragma omp section

    {
        cv::GaussianBlur(Src, B1, cv::Size(Radius, Radius), 1.0, 1.0);
    }

pragma omp section

    {
        cv::GaussianBlur(Src, B2, cv::Size(Radius * 2 - 1, Radius * 2 - 1), 2.0, 2.0);
    }

pragma omp section

    {
        cv::GaussianBlur(Src, B3, cv::Size(Radius * 4 - 1, Radius * 4 - 1), 4.0, 4.0);
    }
}

//边缘图像
cv::Mat D1, D2, D3;

pragma omp sections //第1个sections

{

pragma omp section

    {
        D1 = Src - B1;
    }

pragma omp section

    {
        D2 = B1 - B2;
    }

pragma omp section

    {
        D3 = B2 - B3;
    }
}

//图像增强
cv::Mat dest = cv::Mat::zeros(Src.size(), Src.type());

pragma omp parallel for

for (int i = 0; i < Src.rows; i++)//行
{
    int  sign = 0;
    for (size_t j = 0; j < Src.cols; j++)//列
    {
        if (D1.at<unsigned short>(i, j) > 0)
        {
            sign = 1;
        }
        else
        {
            sign = -1;
        }

        dest.at<unsigned short>(i, j) = cv::saturate_cast<ushort>((1 - w1 * sign) * D1.at<unsigned short>(i, j) + w2 * D2.at<unsigned short>(i, j) + w3 * D3.at<unsigned short>(i, j) + w * Src.at<unsigned short>(i, j));
    }
}
memcpy(imageData, dest.data, sizeof(unsigned short) * dest.rows * dest.cols);

}

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 203,772评论 6 477
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,458评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,610评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,640评论 1 276
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,657评论 5 365
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,590评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,962评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,631评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,870评论 1 297
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,611评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,704评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,386评论 4 319
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,969评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,944评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,179评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 44,742评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,440评论 2 342

推荐阅读更多精彩内容