计算机视觉_图像-讲义版.pptVIP

线性滤波与非线性滤波 线性滤波 输出图像像素g(m,n)的计算结果是输入图像像素f(m,n)一个局部邻域Ω的亮度线性组合。邻域Ω中的像素贡献通过系数h进行加权： h：滤波器、卷积掩膜、核、窗口 非线性滤波 基于邻域进行非线性操作，如中值滤波 Matlab函数 conv2：计算二维卷积 imfilter：多尺度图像滤波，通过边界选项和输出尺寸选项得到不同的输出效果 边界选项：X，symmetric，replicate， circular 输出尺寸选项：same，full filter2：二维数字滤波 OpenCV函数 cvFilter2D：线性滤波，用replicate填充边界 cvSmooth ：基于各种方法进行图像平滑 2.5.1 线性滤波 滤波中的边界 1）平均 假设每个像素上的噪声是一个均值为0，标准差为σ的独立随机变量，则可通过多次采集相同的静态景物来获得一幅平均图像： 平均图像中的噪声仍是随机变量，均值为0，标准差为 若只能获得一幅带有噪声的图像，则通过图像的局部邻域实现平均 如果噪声大小小于图像中感兴趣的最小尺寸，处理结果是可以接受的，但仍存在边缘模糊的问题 在单幅图像中做平滑，需要假设图像数据中的灰度级没有变化，这种假设在图像边缘处显然是不成立的 1）平均 平均是离散卷积的一个特例，对于3×3的邻域，卷积掩膜h为： 其他形式的卷积掩膜： 2）高斯滤波 高斯滤波器基于高斯函数的形状形成卷积掩膜，对于去除服从正态分布的噪声很有效 一维零均值高斯函数 参数 决定高斯滤波器的宽度，进而决定平滑程度 二维零均值高斯函数 高斯函数的性质(I) 高斯函数具有旋转对称性，高斯滤波器在各个方向上的平滑程度是相同的，从而使后续的边缘检测不会偏向某一方向 高斯函数的参数 决定高斯滤波器的宽度，可通过调节 在图像过于模糊（过平滑）与图像噪声/细纹理过多（欠平滑）之间进行折衷 原始图像 高斯函数的性质(II) 高斯函数的可分离性 二维高斯函数的卷积可以分两步进行：首先图像与水平方向一维高斯函数进行卷积，然后将卷积结果与垂直方向相同的一维高斯函数卷积 二维高斯滤波的计算量随模板宽度成线性增长 加噪声结果 原始图像 7×7平均掩膜 3×3平均掩膜 Matlab i = imread(miss.bmp); i =i(:,:,1); imshow(i); figure; in = imnoise(i, gaussian, 0, 0.001); imshow(in); figure; if1 = imfilter(in,ones(3,3)/9, conv,replicate); imshow(if1); figure; if2 = imfilter(in,ones(7,7)/49, conv,replicate); imshow(if2); 7×7平均掩膜 3×3平均掩膜 Matlab h1 = fspecial (gaussian,3,0.5); gf1 = imfilter(in,h1, conv, replicate); imshow(gf1); figure; h2 = fspecial(gaussian,7,1); gf2 = imfilter(in,h2, conv, replicate); imshow(gf2); 7×7高斯掩膜 3×3高斯掩膜 OpenCV 2.5.2 非线性滤波 图像平滑主要用来抑制噪声，同时也会模糊承载图像中重要信息的边缘 需要集中考虑具有边缘保持功能的平滑方法，此类方法的基本思路：仅使用邻域中与被处理像素有类似性质的点进行平均 非线性滤波 中值滤波 限制数据有效性下的平均 反梯度平均 旋转掩膜平均 1）中值滤波 基本原理：用像素点邻域灰度值的中值来代替该像素点的灰度值 中值滤波的步骤： 1）确定掩膜大小和掩膜中心 2）在掩膜内将像素点按亮度值大小排序 3）选择序列的中间值作为掩膜中心的新像素值 如果像素点数为偶数，中值取排序像素中间两点的平均值 中值滤波不依赖于邻域内与典型值差别很大的灰度值，可以减少边缘的模糊，对去除脉冲噪声、椒盐噪声非常有效 加椒盐噪声 原始图像 3×3窗口 2×2窗口 Matlab i = imread(miss.bmp); i =i(:,:,1); imshow(i); figure in = imnoise(i, salt pepper, 0.1); imshow(in); figure; if1 = medfilt2(in,[2 2], symmetric); imshow(if1); figure; if2 = medfilt2(in,[3 3], symmetric); imshow(if2)