数字图像处理课程答辩(终).pptVIP

图像滤波方法的比较 图像滤波的必要性及研究意义 1.图像在成像、传输、转换或存储的过程中会受到各种随机干扰信号即噪声的影响,从而会使画面变得粗糙、质量下降、特征淹没。 2.而图像质量变差，对后续的处理识别带来不利影响，为了减弱噪声、还原真实的画面,就需要用到降噪滤波器对图像数据进行处理 为什么需要对滤波方法比较 由于图像中噪声的类型不同，以及各种不同的滤波器对不同的噪声有不同的处理效果 通过比较各种滤波方法在图像去噪方面的特征、以及各自作用的利弊， 结合各种方法处理的效果和详细分析在实际应用中来选择不同的滤波器 均值滤波 均值滤波的原理是：在图像上，对待处理的像素给定一个模板，该模板包括了其周围的邻近像素。将模板中的全体像素的均值来替代原来的像素值的方法。 均值滤波 均值滤波 椒盐彩色图像 问题的提出： 我们看到，虽然均值滤波器对噪声有抑制作用，但效果并不明显，同时会使图像变得模糊。为了有效地改善这一状况，必须寻找新的滤波器。 中值滤波 中值滤波的原理是：与均值滤波类似，做3*3的模板，对9个数排序，取第5个数替代原来的像素值。 滤波效果：因为中值滤波的原理是取合理的邻近像素值来替代噪声点，所以只适合于椒盐噪声的去除，不适合高斯噪声的去除。 中值滤波 均值滤波 中值滤波 椒盐彩色图像 问题的提出： 前面两种滤波器处理结果可知，经过平滑（特别是均值）滤波处理之后，图像就会变得模糊。 分析原因，在图像上的景物之所以可以辨认清楚是因为目标物之间存在边界。而边界点与噪声点有一个共同的特点是，都具有灰度的跃变特性。所以平滑处理会同时将边界也处理了。 问题的解决： 为了解决图像模糊问题，一个自然的想法就是，在进行平滑处理时，首先判别当前像素是否为边界上的点，如果是，则不进行平滑处理；如果不是，则进行平滑处理。 以下是边界保持类平滑滤波器： K近邻均值滤波器 最大均匀性平滑滤波器 Sigma平滑滤波器 K近邻均值滤波 1) 以待处理像素为中心，作一个m*m的作用模板。 2）在模板中，选择K个与待处理像素的灰度差为最小的像素。 3）将这K个像素的灰度均值替换掉原来的像素值。 （设计思想：同类平均，即不要把不同区域进行平均） 1 2 1 4 3 1 2 2 3 4 5 7 6 8 9 5 7 6 8 8 5 6 7 8 9 1 2 1 4 3 1 2 2 3 4 5 7 7 8 9 5 7 6 8 8 5 6 7 8 9 K近邻均值滤波 for(i=0;i9;i++) {a[i]=abs(f[i]-f[5]);} /*求模板内各个灰度值与中心灰度值之差*/ for(i=0;i9-1;i++) for(j=1;j9-i;j++) {if(a[j-1]a[j]) {temp=a[j-1];a[j-1]=a[j];a[j]=temp; temp=f[j-1];f[j-1]=f[j];f[j]=temp; } /*用冒泡法由小到大排列各差值，并把对应的灰度值调换*/ } for(i=0,sum=0;i5;i++) {sum=sum+f[i];} aver_value=sum/5;/*求前五个较小的数的均值*/ K近邻均值滤波 K近邻均值滤波的效果(与均值滤波比较) 最大均匀性平滑滤波 原理：采用9种不同形状的模板：1个正方形模板，4个对称的五边形模板，4个对称的六边形模板，计算各模板内的灰度方差，以方差最小的模板的平均灰度值作为被处理点的像素值 最大均匀性平滑滤波 for(k=0,sum=0;k7;k++) {sum=sum+f[k];} aver[8]=sum/7; for(k=0,squareiance[8]=0;k7;k++) {sum=f[k]*f[k]-aver[8]*aver[8]; squareiance[8]=sum+squareiance[8];}/*求其方差及均值*/ mix=squareiance[0]; for(k=1,h=0;k9;k++) { if(squareiance[k]mix) {mix=squareiance[k];h=k;} }