空间滤波与图像平滑详解.pptVIP

中值滤波 快速计算 3×3的二维中值滤波可以近似为先求每一行的中值，再求这些中值的中值 高维中值滤波 Pratt算子 其他排序滤波 最大值滤波器 最小值滤波器 中点滤波器 K-NN滤波（K-Nearest Neighbor) 邻域内与中心点最相近的K个点的均值 双边滤波器 Bilateral filtering 均值滤波假定图像上一点与其邻域内的点灰度是相近的，且与噪声不相关。而图像边缘上的点却可能与其相邻点有很大的差异，因此在滤波的过程中就不可避免的被“模糊”了。 双边滤波在处理相邻像素时，不仅考虑了空间的邻近关系，也考虑了灰度的相似关系。通过二者的组合，进行自适应滤波。 高斯滤波vs双边滤波器 高斯滤波vs双边滤波器 双边滤波计算方法 加权均值。权重值不仅考虑了空间的邻近关系，也考虑了灰度的相似关系 双边滤波计算方法 双边滤波效果 作业 如图为一幅16级灰度的图像。请写出均值滤波、高斯滤波和方形中值滤波的3x3滤波器；说明这几种种滤波器各自的特点；并写出两种滤波器对下图的滤波结果（只处理灰色区域，不处理边界） 对Lena图分别加入高斯噪声和椒盐噪声，使用高斯滤波和中值滤波来消除噪声，对比分析他们的滤波效果 光电图像处理 ----空间滤波与图像平滑 张昊 zhangh@tju.edu.cn 主要内容 空间滤波基础 图像的噪声 图像平滑与滤波方法 空间滤波基础 空间滤波主要以邻域处理工作为基础 邻域处理是操作邻域像素值以及相应的与邻域有相同维数的“子图像”的值 这种“子图像”可以称为滤波器、掩模、核、模板、窗口 4邻域 8邻域 空间滤波计算方法 空域滤波是在待处理图像f(x,y)上逐点移动模板，在每一点(x,y)的滤波响应通过事先定义的关系来计算。该响应就是空间滤波的输出 线性空间滤波 对于线性空间滤波，在图像中的点(x,y)处，该掩模滤波的响应R为掩模系数与掩模下的相应像素灰度值的乘积之和 线性空间滤波计算 一般地 模板大小 (2a+1,2b+1) (3,3) (5,5), (7,7) 对于常用的3×3模板，图像的滤波响应为 图像边沿的处理 当滤波中心在图像边沿上 不做处理，在边沿处输出等于输入 给输入图像“补上”若干行和列 (Padding) ，补零，补相同值，对称补值 什么是图像平滑 作用 减小图像中某些像素点与其邻域点的灰度差异 目的 模糊图像，例如在提取大目标时去除部分琐碎细节 减小噪声 图像噪声 噪声对人的影响噪声可以理解为“妨碍人们感觉器官对所接收的信源信息理解的因素”。而图像中各种妨碍人们对其信息接受的因素即可称为图像噪声。? 不可预测，只能用统计方法来描述的随机误差 光电成像系统会受到各种随机干扰的影响，造成图像噪声。比如CCD器件噪声，电子元件噪声 图像获取 图像传输 图像显示 图像噪声分类 按来源 外部噪声，电磁干扰，天体放电 内部噪声，器件噪声，电路噪声 按统计理论观点 平稳噪声，统计特性不随时间变化 非平稳噪声 按频谱特性 白噪声，功率谱均匀分布 按与图像的相关性 加性噪声 g(x,y)=T[f(x,y)]+n 图像噪声分类 按噪声幅值的统计分布 高斯分布。大多数内部噪声。 泊松分布。传感器，shot noise。在弱光照的情况下，此时常用具有泊松密度分布的随机变量作为光电噪声的模型。在光照较强时，趋向高斯分布。 椒盐噪声，CCD坏点，A/D错误，传输错误，随机的白点或者黑点，出现位置随机。 一般地，平稳、加性、白噪声 原始图像 高斯噪声 椒盐噪声 sigma=0.01 sigma=0.1 5% 10% 图像平滑--多幅图像均值 多幅图像均值 有效降低加性白噪声 白噪声的非相关性 多幅图像均值效果图 对8，16，32，64个 噪声图像取平均的结果 图像平滑—均值滤波器 均值滤波 图像相邻像素灰度值相关性与白噪声的非相关性 均值滤波器的输出（响应）是包含在滤波模板邻域内像素值的简单平均值 均值滤波器 均值滤波器 均值滤波计算 (1+2+1+1+2+2+5+7+6)/9=3 均值滤波效果图 使用3×3,5×5,9×9,15×15,35×35 均值滤波器的滤波效果 均值滤波 模糊细节，去除小的干扰 加权均值滤波 均值滤波的一个不足 对邻域内所有点都同等对待。在“分摊”噪声的同时，将景物边界点的灰度也分摊了 加权均值 高斯模板 高斯滤波的计算 高斯滤波器系数 fspecial(‘gaussian’, [3,3], 1) ? 便于计算，避免除法 高斯滤波效果图 中值滤波 中值滤波是将邻域中的像素按灰度级排序，取其中间值为输出 噪声点与邻域的灰度有明显差异，排序后噪声点趋向于被排在两侧 中值