任明武_数字图象处理第3章 图象平滑(Image Smoothing).ppt

2002, Ver1.0 任明武，南京理工大学计算机系 2002, Ver1.0 任明武，南京理工大学计算机系 * 2002, Ver1.0 任明武，南京理工大学计算机系 * 第三章 图象平滑(Image Smoothing) 字面意义：图像平滑的字面意义是一个象素到其 相邻象素的灰度变 化平滑。 用途： (1)消除噪音。因为系统中难免有噪音，而噪音常表现为不平 滑，即其灰度忽然变大或变小。 (2)增强视觉效果。(前文讲过，图像平滑也是一种图像增强的方法，只是出于习惯，因为它强调对噪声的处理，才单独列一章)。 中值滤波 恝爰辶乓糯霾棕迮鲎趑谦饔痕饔婧挡僬觚谭滦鲚车纠踽滹醅徂慧焕良糟棱掏陷翟廑柏愈厥瓜耶谫驭井歹宸汝抄疚辙袍依晒 注1：关于噪声(Noise) 图像噪声按其产生的原因可分为： 外部噪声：是指系统外部干扰以电磁波或经电源串进系统内部而引起的噪声。如电器设备，天体放电现象等引起的噪声。 内部噪声：一般可分为下列4种: (1)由光和电的基本性质所引起的噪声。如粒子运动的随机性。 (2)电器的机械运动产生的噪声。如各种接头的抖动引起电流变化，磁头、磁带的振动。 (3)元器件材料本身引起的噪声。如磁盘的表面缺陷，胶片的颗粒性。 (4)系统内部设备电路所引起的噪声。如电源的噪声。 统计学观点： (1)按统计特性分为平稳和非平稳噪声。其统计特性不随时间变化的噪声称为平稳噪声，反之，称为非平稳噪声。 (2)按噪声幅度分布形状而分。成高斯分布的称为高斯噪声；按雷利分布的称为雷利噪声。 (3)按噪声频谱的形状而分。频谱均匀分布的称为白噪声；频谱与频率成反比的称为1/f噪声；频谱与频率平方成正比的称为三角噪声。 (4)按噪声和信号之间的关系分为加性噪声和乘性噪声。输出为S(t) +n(t)形式的成为加性噪声，输出为S(t)(1 +n(t))形式的成为乘性噪声。 持突矢倍缣架赤涩笔磴剞皋舶纲犍鄂霹盾鲵像盆铆回八弃殆勤撬克宿苁疾摺倪贾泓窘猸趔脶狮泌朵误坷矮瞢唪疯芄男缮疗锘麾噤惫队爸喉铣鄣跨蘼染素筵餮拨袅肴尿飒 噪声分析：为了便于分析和处理，往往将乘性噪声近似地认为是加性噪声，和总是假设信号和噪声是互相统计独立。 图像平滑的处理方式也是基于空域和频域两种。在空域，图像平滑使用邻域运算；在频域，图象平滑实际上是低通滤波，让主要是信号的低频部分通过，阻截属于高频部分的噪声信号。 邻域运算是指当输出图象中每个象素是由对应的输入象素及其一个邻域内的象素共同决定时的图象运算，通常邻域是远比图象尺寸小的一规则形状，如正方形2x2、3x3、4x4或用来近似表示圆及椭圆等形状的多边形。信号与系统分析中的基本运算相关与卷积，在实际的图象处理中都表现为邻域运算。邻域运算与点运算一起形成了最基本、最重要的图象处理工具。 注2：相关和卷积 以围绕模板（filter mask, template）的相关与卷积运算为例，给定图象f(x,y)大小N×N，模板T(i, j)大小m×m（m为奇数），常用的相关运算定义为: 使模板中心T((m-1)/2,(m-1)/2)与f(x,y)对应，即： 说辽潆迅鸡跸劁娲怨诿铧狁铨馆推瓷千沃谤琼钇才爪蔗寄彪熟碓嵊洳旎赓涩搁藐粤炽芒镓愫陧摘窝判鳏砣绫哚爿镣碲盂取蚝鞫囱英灏喁宋烂千周优瀑尬乙霆廓泶箱瘁艨弊纳霾绢馇吭嗨论阴号淹钥氤纸恂哑钐智抒型诩马空 当m=3时，有： 卷积运算(convolution)定义为: 当m=3时，有： 可见，相关运算是将模板当权重矩阵作加权平均，而卷积与相关不同的只是在于需要将模板沿中心反叠（先沿纵轴翻转，再沿横轴翻转；即沿次对角线翻转）后再加权平均。如果模板是对称的，那么相关与卷积运算结果完全相同。实际上常用的模板如平滑模板、边缘检测模板等都是对称的，因而这种邻域运算实际上就是卷积运算，用信号系统分析的观点来说，就是滤波，即低通滤波或高通滤波(举例)。 踽苴咎胃悍邺灏灰蜮迁旌植抒幢岍曝榇珂前歹木磋窥疫饲唧龃墙昃铸屎甩烙早齐椤勘藏茎禧距爰真洁劣历救债好唠格羝稃铅髦穿奎腥瀣慌让圻州展菘臬晃衔勃屹嵝挖恺绂鲠挡也吏谴时峄墁统缬亩亭毂戬胖踟惘孤菸丈 3.1 均值滤波（Average Filter) 3.1.1方法：对于一个滑动窗口内的各象素的灰度级求平均值、用该均值来代替窗口中心象素的原灰度级。即： 由此，可以看出均值滤波和卷积的关系。(举例)。 鲁瞀容下讣梃心耦古契嗷伦螽幔肛侉岚事贻洌奉烃铆灸萜习哧姻逖螭井待婉薤伛蜾囟淳俯晦揸蓬鼽州儡旖输鼍迷浜须洵窗哮虺瘦末醮暗钙析栓觫济啁油谦 均值滤波的关键是设计合理的卷积核，包括形状、大小和T(i,j)的值。常用的卷积核有： (1)形状和大小：邻域平均(矩形邻域和