八讲图像噪声及抑制教程.ppt

8.3 中值滤波 另例： 一个图像子块的数据序列为： {80，90，200，110，120，120}，该子块中200为脉冲噪声。 排序后为： {80，90，110，120 ，120，200} 取中值（110+120）/2后的图像子块数据序列为： {80，90，115，110，120 ，120} 剔除了脉冲噪声。 8.3 中值滤波 一维中值滤波： 有一个一维图像块数据序列： {0008002320232035303530023455555000} 对其进行中值滤波。 图像特性及噪声分析： 序列中的8是一个脉冲性噪声； 中间一段是一种寄生振荡； 后面是希望保留的斜坡和跳变； 选一个宽度为3的邻域或窗口： 8.3 中值滤波 滤波前： {0008002320232035303530023455555000} 滤波后： {0000002222222233333330023455555000} 滤波效果分析： 脉冲噪声8被滤除了； 振荡平滑掉了； 斜坡和阶跃部分保存了下来； 8.3 中值滤波 二维中值滤波： 以某个像素点为中心，选取一个窗口，把窗口内所有像素值排序，取中值代替该像素点的值。 8.3 中值滤波 中值滤波窗口类型 线状 方形 十字形 X形 圆形 菱形 8.3 中值滤波 示例：选取3×3的方形滤波窗口 8.3 中值滤波 示例：选取3×3的方形滤波窗口 8.3 中值滤波 中值滤波效果示例 8.3 中值滤波 中值滤波效果示例 8.3 中值滤波 中值滤波效果示例 8.3 中值滤波 中值滤波效果示例 8.3 中值滤波 中值滤波与均值滤波效果比较 中值滤波 均值滤波 8.3 中值滤波 中值滤波与均值滤波效果比较 中值滤波 均值滤波 8.3 中值滤波 中值滤波效果分析 与均值滤波相比，去除椒盐噪声效果好，而且模糊轻微，边缘保留较好； ?? 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。 8.3 中值滤波 中值滤波与均值滤波效果比较 中值滤波 均值滤波 8.3 中值滤波 中值滤波效果分析 对于高斯噪声，均值滤波效果比中值滤波效果好。 ?? 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。 ?? 实际上只能减弱，不能消除。 8.3 中值滤波 中值滤波窗口的选择 线状 方形 十字形 X形 圆形 菱形 8.3 中值滤波 中值滤波效果分析： 对脉冲性噪声、随机噪声滤除性较好； 对斜坡和阶跃信号保留较好； 对点线等细节较多的图像不适用； 当模板窗口内噪声点的个数大于窗口宽度的一半时，中值滤波的效果不好。 8.4 边界保持平滑滤波 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；平滑处理时采用均值运算，降低了边界的灰度显著性，导致图像模糊。 边界保持平滑滤波 ?? 平滑的同时，检测出边界，予以保留。 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。 8.4 边界保持平滑滤波 若以边缘模糊程度逐渐减少为标准，则平滑算法的顺序为邻域平均法、高斯平滑、中值滤波法、保边平滑法。 8.4 边界保持平滑滤波 K近邻(KNN)平滑滤波器 在一个与待处理像素邻近的范围内，寻找出其中像素值与之最接近的K个邻点，将该K个邻点的均值（或中值）替代原像素。 如图所示，点1是黄色区域的非边界点，点2是蓝色区域的边界点。 8.4 边界保持平滑滤波 K近邻(KNN)平滑滤波器 在模板中，分别选出3个与点1灰度值最相近的点进行计算，不影响效果。 选出3个与点2灰度值最相近的点进行计算，发生较大变换。 对非边界点的影响不是很大，但对边界点的影响就非常大。 8.4 边界保持平滑滤波 K近邻(KNN)平滑滤波器算法： 以待处理像素为中心，作一个N×N的作用模板。 在