空间滤波1008.ppt

空域滤波增强 所谓的图像噪声，是图像在摄取时或是传输时所受到的随机干扰信号。这些干扰信号的抑制称为图像的噪声抑制。 一．平滑滤波 　　邻域均值滤波 　　中值滤波 二．锐化滤波 1 均值滤波器 　所谓的均值滤波是指在图像上对待处理的像素给一个模板，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。 以模块运算系数表示即： 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 6 8 9 5 7 6 8 8 5 6 7 8 9 3 4 4 4 5 6 6 7 8 均值滤波器 将以上的均值滤波器加以修正，可以得到加权平均滤波器。 2 中值滤波器 前面我们看到，虽然均值滤波器对噪声有抑制作用，但同时会使图像变得模糊。为了改善这一状况，必须寻找新的滤波器。中值滤波就是一种有效的方法。 2 中值滤波器 中值滤波的设计思想： 因为噪声的出现，使该点像素比周围的像素亮（暗）许多， 给出滤波用的模板，如下图所示是一个一维的模板，对模板中的像素值由小到大排列，最终待处理像素的灰度取这个模板中的灰度的中值。 m-2 m-1 m m+1 m+2 2 中值滤波器 二维中值滤波： 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。 2 中值滤波器 例： 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 6 8 9 5 7 6 8 8 5 6 7 8 9 2 3 4 5 6 6 6 7 8 均值滤波器的效果 返回 中值滤波器的效果 返回 中值滤波器与均值滤波器的比较 对于椒盐噪声，中值滤波效果比均值滤波效果好。 原因： 椒盐噪声是幅值近似相等但随机分布在不同位置上，图像中有干净点也有污染点。 中值滤波是选择适当的点来替代污染点的值，所以处理效果好。 因为噪声的均值不为0，所以均值滤波不能很好地去除噪声点。 中值滤波器与均值滤波器的比较 对于高斯噪声，均值滤波效果比中值滤波效果好。 原因： 高斯噪声是幅值近似正态分布，但分布在每点像素上。 因为图像中的每点都是污染点，所中值滤波选不到合适的干净点。 因为正态分布的均值为0，所以根据统计数学，均值可以消除噪声。 （注意：实际上只能减弱，不能消除。思考为什么？） 边界保持平滑滤波器 问题的提出： 前面的处理结果可知，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。 边界保持平滑滤波器设计思想 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，则不进行处理，如果不是，则进行平滑处理。 图像的锐化处理 图象锐化的目的是加强图象中景物的边缘和轮廓。锐化的作用是要使灰度反差增强。因为边缘和轮廓都位于灰度突变的地方。所以锐化算法的实现是基于微分作用。 1 一阶微分算法 一、单方向的一阶梯度算法(浮雕效果) 1. 水平方向的锐化 1 一阶微分算法 例： 1 2 3 2 1 2 1 2 6 2 3 0 8 7 6 1 2 7 8 6 2 3 2 6 9 0 0 0 0 0 0 -3 -13 -20 0 0 -6 -13 -13 0 0 1 12 5 0 0 0 0 0 0 1+2*2+3-3-2*0-8=-3 1 一阶微分算法 2. 垂直方向的锐化 1 一阶微分算法 二、 交叉微分算法（Roberts梯度算法） 1 一阶微分算法 三、 Sobel锐化算法 1 一阶微分算法 四、 Priwitt锐化算法 2 二阶微分算法 1. 二阶微分算法的提出背景： 当边界呈尖顶型分布时，一阶微分很难识别，而二阶微分算法则没有问题。 2 二阶微分算法 2. 二阶微分算法的基本原理 2 二阶微分算法 3. Laplacian锐化算子 由前面的推导，写成模板系数形式形式即为Laplacian算子： 2 二阶微分算法 4. Laplacian变形算子 2 二阶微分算法 5. Wallis算子 它可以看作是校正了视觉的指数特性后的Laplacian运算。