DIP4图象增强.ppt

2. 中值滤波主要特性 1） 对某些输入信号中值滤波的不变性 对某些特定的输入信号，如在窗口内单调增加或单调减少的序列， 中值滤波输出信号仍保持输入信号不变，即：fi-n≤…≤fi≤…≤fi+n或fi-n≥…≥fi≥…≥fi+n，则 {yi}={fi}。 一维中值滤波这种不变性可以从图4-20中(a)和(b)上看出来。二维中值滤波的不变性如图4-21所示。它不但与输入信号有关， 而且还与窗口形状有关。图4-22给出了几种二维窗口及与之对应的最小尺寸的不变输入图形。一般与窗口对顶角连线垂直的边缘线保持不变性。利用这个特点，可以使中值滤波既能去除图像中的噪声，又能保持图像中一些物体的边缘。 图4-21 中值滤波不变性示例 (a) 原始图像； (b) 中值滤波输出 图4-22 中值滤波几种常用窗口及其相应的不变图形 对于一些周期性的数据序列，中值滤波也存在着不变性。例如，下列一维周期性二值序列 {fi}=…, +1, +1, -1, -1, +1, +1, -1, -1, … 若设窗口长度为9，则中值滤波对此序列保持不变性。对于二维周期序列不变性，如周期网状结构图案，分析起来就更复杂了， 可以通过试验改变窗口形状和尺寸来获取。 图4-24 噪声平滑实验图像 （a） Lena原图； （b） 高斯噪声； （c） 椒盐噪声； (d) 对(b)平均平滑； (e) 对(c)平均平滑； (f) 对(b)5×5中值滤波； (g) 对(c)5×5中值滤波 a b c d e f g 3. 复合型中值滤波 对一些内容复杂的图像，可以使用复合型中值滤波。如, 中值滤波线性组合、高阶中值滤波组合、加权中值滤波以及迭代中值滤波等。 （1）中值滤波的线性组合是将几种窗口尺寸大小和形状不同的中值滤波器复合使用，只要各窗口都与中心对称，滤波输出可保持几个方向上的边缘跳变，而且跳变幅度可调节。其线性组合方程如下： (4-23) 式中：Ak为窗口。 （2） 高阶中值滤波组合如下式所示： (4-24) 式中：ak为不同中值滤波的系数，Ak为窗口。 这种中值滤波可以使输入图像中任意方向的细线条保持不变。例如, 可选择图4-25中的4种线状窗口A1～A4，用式(4-24)组合的中值滤波, 可以使输入图像中各种方向的线条保持不变，而且又有一定的噪声平滑性能。 图4-25 几种线性窗口 （3） 其他类型的中值滤波：为了在一定的条件下尽可能去除噪声，又有效保持图像细节，可以对中值滤波器参数进行修正， 如加权中值滤波， 也就是对输入窗口进行加权。也可以是对中值滤波器的使用方法进行变化， 保证滤波的效果， 还可以和其他滤波器联合使用。 4.4.4 其他去噪技术 1. 空间域低通滤波 从信号频谱角度来看，信号的缓慢变化部分在频率域属于低频部分，而信号的迅速变化部分在频率域是高频部分。对图像来说，它的边缘以及噪声干扰的频率分量都处于频率域较高的部分，因此， 可以采用低通滤波的方法来去除噪声。而频域的滤波又很容易从空间域的卷积来实现，为此只要适当设计空间域的单位冲激响应矩阵，就可以达到滤除噪声的效果。下面是几种用于噪声平滑低通卷积模板。 这些模板中引入了加权系数，以区分邻域中不同位置像素对输出像素值的影响，常称其为加权模板。与邻域平均法中采用的Box模板相比较可知，Box模板并没有考虑邻域中各点位置的影响， 对于所有的邻点都一视同仁，所以其平滑的效果并不理想。 另外，二维Gaussian离散模板也是一种常用的低通卷积模板。由于Gaussian函数有着一些良好的特性，对二维连续Gaussian分布经采样、量化，并使模板归一化，便可得到二维Gaussian离散模板。3×3二维Gaussian模板如下： 可见Gaussian离散模板也是一种加权模板，并且它是按二维正态分布进行加权的。 2. 频率域低通滤波 利用卷积定理， 可以把式(4-10)写成以下形式： (4-25) 式中：F(u, v)是含噪声图像的傅立叶变换，G(u, v)是平滑后图像的傅立叶变换，H(u, v)是低通滤波器传递函数。 利用H(u, v)使F(u, v)的高频分量得到衰减，得到G(u, v)后再经过反变换就得到所希望的图像g(x, y)。低通滤波平滑图像的系统框图如图4-26所示。 图4-26 低通滤波平滑图像的系统框图 常用的频率域低通滤波器有：理想低通滤波器（ILPF）、 巴特沃思低