3.3.1线性平滑滤波.ppt

* * * * * * * * * 中值滤波对持续期小于窗宽（N=5）的1/2的脉冲将进行抑制---三脉冲 中值滤波对持续期小于窗宽（N=5）的1/2的脉冲将进行抑制---三角形 计算2-D中值 计算2-D中值的方法有3种： ①直接使用2-D模板；3×3模板 ②先使用第1个1-D模板再使用第2个1-D模板 ③先使用第2个1-D模板再使用第1个1-D模板 3.4.1 非线性平滑滤波 ① ② ③ 序统计滤波 更广泛的滤波——百分比（percentile）滤波 中值滤波（位于50%） 最大值滤波（位于100%） 最小值滤波（位于0%） 中点滤波：结合了排序和平均的优点，对多种随机分布 的噪声，如高斯噪声、均匀噪声，都比较有效 3.4.1 非线性平滑滤波 中值滤波去除噪声 中值滤波去除噪声 中值滤波去除噪声 3.4 非线性滤波 {非线性滤波可区分图象中有用的内容和无用的噪声} {基于集合的、基于形状的、基于排序的} 3.4.1 非线性平滑滤波 3.4.2 非线性锐化滤波 3.4.2 线性和非线性混合滤波 3.4.2 非线性锐化滤波 微分法 为方便起见，以后把梯度长度也简称为梯度。 对数字图象，用差分来近似微分。 两种常用差分算法 （1）典型梯度算法 1、基于梯度的锐化滤波 利用微分可以锐化图像（积分平滑图像） 梯度：对应一阶导数 最常用的微分矢量 （需要用2个模板分别沿X和Y方向计算） 3.4.2 非线性锐化滤波 （2）罗伯茨（Roberts）梯度算法 微分法 罗伯茨梯度算法 典型梯度算法 注：对NxN数字图象，不可能在最后一行(x=N)和最后一列(y=N)象素上计算梯度值。一种补救办法：用前一行(x=N-1)和前一列(y=N-1)对应象素的梯度值。 微分法 某象素上的梯度值是该象素与相邻象素的灰度差值的单调递增函数。 图象轮廓上，象素灰度有陡然变化，梯度值很大。 图象灰度变化平缓区域，梯度值很小。 等灰度区域，梯度值为零。 微分法 pp.110-111 1、基于梯度的锐化滤波 实际滤波中，常只使用梯度矢量的幅度（即矢量的模） 模以2为范数/模计算（对应欧氏距离） 以1为范数（城区距离） 以?为范数（棋盘距离） 3.4.2 非线性锐化滤波 2、最大-最小锐化变换 最大值滤波和最小值滤波结合 将一个模板覆盖区域里的中心象素值与该区域里的最大值和最小值进行比较，然后将中心象素值用与其较接近的极值（最大或最小值）替换 可以锐化模糊的边缘并让模糊的目标清晰起来 迭代实现： 3.4.2 非线性锐化滤波 3.4 非线性滤波 {非线性滤波可区分图象中有用的内容和无用的噪声} {基于集合的、基于形状的、基于排序的} 3.4.1 非线性平滑滤波 3.4.2 非线性锐化滤波 3.4.2 线性和非线性混合滤波 线性滤波和非线性滤波各有优缺点，实际中常结合使用 当使用比较大尺寸的模板时，实现非线性滤波会需要很大的计算量（排序比较的计算量大） 结合使用线性滤波（一般比较快）和非线性滤波（常用排序统计滤波），不但滤波后效果接近期望的要求，而且计算复杂度有较大改进 3.4.3 线性和非线性混合滤波 常将线性滤波运算和中值滤波运算混合串联起来，先对较大的区域进行计算量较小的线性滤波操作，然后再计算线性滤波输出的中值，作为混合滤波的最终输出 3.4.3 线性和非线性混合滤波 最简单的结构包括使用相同的平均滤波模板HL和HR以及直通的模板HC[f(i)]=f(i) 常取子滤波模板的个数为5 3.4.3 线性和非线性混合滤波 第3章 空域增强:模板操作 3.1 图像间联系 3.2 模板运算 3.3 线性滤波 3.4 非线性滤波 3.5 局部增强（扩展应用） 全局增强 vs. 局部增强 把一幅图象作为一个整体 对图象某些局部区域的 细节进行增强 局部信息在对整幅图计算时常被忽略掉 用全局增强不能保证在所关心的局部区域得到 所需要的增强效果 局部增强多了一个选择局部区域的步骤 直接利用局部信息以达到局部增强的目的 3.5 局部增强 1、直方图变换局