图像检测-5噪声抑制.pptVIP

第五章 图像噪声的抑制 5.1 图像噪声的基本概念 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。 5.2 均值滤波器 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。 均值滤波可以用来对椒盐噪声和高斯噪声进行滤波。 5.2.1 均值滤波器 5.2.2 加权均值滤波器 5.3 中值滤波器 1. 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。中值滤波就是一种有效的方法。 例： 原图像为：　2 2 6 2 1 2 4 4 4 2 4 处理后为： 3. 二维中值滤波模板： 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。 例： 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。 对于高斯噪声，均值滤波效果比均值滤波效果好。 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，所以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？） 5.4 边界保持平滑滤波器 1. 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。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。 5.4.1 边界保持平滑滤波器设计思想 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。 5.4.2 K近邻(KNN)平滑滤波器 边界保持滤波器的核心是确定边界点与非边界点。 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。 在模板中，分别选出5个与点1或点2灰度值最相近的点进行计算，不影响 效果。 换句话说，对非边界点的影响 不是很大，但是对边界点的影 响就非常大。 5.4.3 K近邻(KNN)平滑滤波器算法 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。 5.4.4 KNN平滑滤波例题 例：3×3模板，K=5 5.4.5 KNN平滑滤波器的效果分析 首先来看一下KNN均值滤波的效果。 KNN滤波器因为有了边界保持的作用，所以在去除椒盐以及高斯噪声时，对图像景物的清晰度保持方面的效果非常明显； KNN滤波器的像素选择，同时也使噪声得到了最大程度的抑制。 当然，所付出的代价是：算法的复杂度增加了。 5.4.6 KNN中值滤波器 1) 作一个m×m的作用模板。 2）在其中选择K个与待处理像素的灰度差为最小的像素。 3）将这K个像素的灰度中值替换掉原来的值。 5.4.7 SNN对称近邻（均值滤波器) 核心思想:在一个局部范围内，通过几对对称点像素值的比较，获得对相同区域及不同区域的判别，之后将均值计算在所判定的同一个区域内进行，这样可以使边界的保持更加灵活的同时又可以降低计算量。 找到12对对称点为(2,9)，(1,9)，(4,8)，(3,7)，(3,6)，(10,8)，(2,8)，(3,0)，(4,7)，(4,5)，(2,6)，(6,8)； 找出与灰度值相近的点为[9,9,8,7,6,10,8,3,7,5,7,8] 求均值得 补充:代数运算 (图像间运算: + - ? ?) 迭加: 相减：DSA、运动物体检测。 相乘：提取或删掉图像某部分。 相除：遥感多光谱图像相除抵消入射分量i(x,y)。 CT原理示意图 顺便提: 多幅图像的均值滤波应用 照相B门的运用，（长时间曝光可以看成多幅图迭加），生成特效照片： 千手观音表演（中国残疾