第五章线性滤波器.pptVIP

N=20,50,150,250,400处理的结果 Matlab源码： I = imread(dynamic.bmp); subplot(1,2,1),imshow(I); I = double(I); h = [0,1,0;1,-4,1;0,1,0]*0.1; for N = 1:400 I = I + filter2(h,I); end I = im2bw(uint8(I),0.5); subplot(1,2,2),imshow(I); 从结果可以看出，随着t的增加，图像的细节信息越来越少，但没有实现保留重要信息的目的，因为图像的内容的拓扑结构发生了变化，两个物体变成了一个物体。 为解决上面的问题，介绍Bence-Merrman-Osher算法（BMO），整个过程是一个迭代过程，描述如下： （1）求1x，t，选择参数t足够小至于（2）作用后不影响形状的拓扑结构； （2）定义X1={ x | 1x,t(x)≥1/2 }，得到二值图像 1X1 ； （3）令X = X1，再回到（1）。 随着迭代次数的增加，细节信息越来越少，同时还保留了形状的拓扑结构。 N=2,5,10,20,30处理的结果 Matlab源码： I = imread(dynamic.bmp); subplot(1,2,1),imshow(I); I = double(I); h = [0,1,0;1,-4,1;0,1,0]*0.1; for M = 1:30 for N = 1:50 I = I + filter2(h,I); end I = im2bw(uint8(I),0.5)*255; end subplot(1,2,2),imshow(I); 第五章 线性滤波器和热传导方程 针对均值滤波器，在局部性和迭代条件下，推导出：算术平均滤波器经局部化和迭代作用的极限状态是热传导方程初值问题的解，且所有的线性滤波器都具有同样的特性。 5.1 线性滤波器 根据前面的内容知道，滤波T的过程可以看做 其中，滤波器系数为 w(i, j), i, j = -n,-n+1,…,-1,0,1,…,n-1,n 在连续模型下，相应的变换是 Tu(x) = u(x) ﹡ j(x) 其中j(x)是事先定义的一个关于原点对称的，且满足归一化条件的函数，即 通常，把上面的图像变换T称为线性滤波器，因为对于任意两幅图像f，g和任意的实数a，b，T满足 T(af + bg) = aT(f) + bT(g) 线性滤波器的频率分析 通常认为噪声是由图像中的高频信号引起的，因此在许多情况下，采用傅立叶变换的方法对图像进行滤波，即先把一副空间形式下的图像u0(x,y)通过傅立叶变换变成频率域中的形式 再通过一个低通滤波器 H(x,h)去掉 U0(x,h) 的高频分量，得到 U(x,h) = H(x,h) · U0(x,h) 其中低通滤波器H(x,m) 满足x或h足够大时 H(x,m) = 0 最后再通过一个傅立叶逆变换，把U(x,h)变换成空间中的图像形式u1(x,y)。 若记h(x,y)为 H(x,h)的傅立叶逆变换，对参数t﹥0，作核函数 定义如下线性滤波器 Mt : u0 → ht﹡u0 其中*表示卷积。操作结果：u0经过滤波后得到u1，就是当t=1时，经过滤波器M1滤波后的图像。 5.2 算术均值滤波器迭代和热传导方程 连续模型下，记算术均值滤波器算子为Mh,滤波操作为 且积分区域选择一x为圆心，h为半径的圆。此时，只有在x点的h邻域D(x,h)中的值才对滤波的结果起作用。假设u0在x点附近C2连续，不失一般性，令 由Taylor展式 其中D表示微分算子，因此 第一项： 第二项： 第三项： 第四项同理： 第五项： 最后一项： 所以有 即 对事先确定的t，如果有序列{hn}和{nn}满足 hn→0，nn→∞，并且nnh2n= t, 记un = Mnhu0。 若将Mn-1hu0看作原图像， Mnhu0看作滤波后图像，且nh2= t，(n-1)h2=s，则由上式有 取极限得 5.3 线性滤波器和热传导方程 一般的线性滤波器Mr（r为参数），经过n次迭代后的结果图像为Mnru0。可以证明，在一些适当的条件下，当滤波器的参数r