第三章空域图像增强1.pptVIP

中值滤波去噪声性能 对于零均值正态分布的噪声输入， 中值滤波输出的噪声方差σ2med近似为 (1) 式中：σ2i为输入噪声功率（方差），m为中值滤波窗口长度（点数）， 为输入噪声均值，  为输入噪声密度函数。 而均值滤波的输出噪声方差σ20为 (2) 比较公式(1)和(2)，可以看出，中值滤波的输出与输入噪声的密度分布有关。对随机噪声的抑制能力，中值滤波比平均值滤波要差一些。但对脉冲干扰， 特别是脉冲宽度小于m／2、相距较远的窄脉冲干扰，中值滤波的效果较好。 中值滤波方法，它对脉冲干扰和椒盐噪声的抑制效果好，在抑制随机噪声的同时能够保持边缘减少模糊。 邻域平均法虽然可以平滑图像，但在消除噪声的同时，会使图像中的一些细节变得模糊。中值滤波则在消除噪声的同时还能保持图像中的细节部分，防止边缘模糊 。 二维中值滤波快速算法 (1)先作行方向的一维中值滤波，再作列方向的一维中值滤波，可以得到与二维中值滤波类似的结果，计算量大大降低。 (2) 对图像进行滑动窗为N?N的中值滤波时，每次求中值仅仅考虑去掉最左侧的像素，补上最右侧的像素，其余像素不变。当N比较大时，计算量明显降低。 (3)对于一个有序序列，可以通过求最大最小值方法求中值。 在计算机上制作了一组用于平滑实验的图像，如图4所示。图(d)和(e)分别是采用3×3窗口算术平均平滑去除噪声后的图像， 图(f)和(g)分别是采用5×5十字中值滤波后的图像。显然， 算术平均平滑对含有高斯噪声的图像有效； 而中值滤波对含有椒盐噪声图像的去噪声效果较好。 图4 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 第3章 百分比滤波器 基于对模板所覆盖像素的灰度值的排序 最大值滤波器 最小值滤波器 * * * * * * 卷积运算中的卷积核就是模板运算中的模板，卷积就是作加权求和的过程。邻域中的每个像素（假定邻域为3×3大小，卷积核大小与邻域相同），分别与卷积核中的每一个元素相乘，乘积求和所得结果即为中心像素的新值。卷积核中的元素称作加权系数（亦称为卷积系数），卷积核中的系数大小及排列顺序， 决定了对图像进行区处理的类型。改变卷积核中的加权系数， 会影响到总和的数值与符号， 从而影响到所求像素的新值。 在模板或卷积的加权运算中，还存在一些具体问题需要解决：首先是图像边界问题，当在图像上移动模板（卷积核）至图像的边界时，在原图像中找不到与卷积核中的加权系数相对应的9个像素，即卷积核悬挂在图像缓冲区的边界上， 这种现象在图像的上下左右四个边界上均会出现。例如，当模板为 设原图像为 经过模板操作后的图像为 “－”表示无法进行模板操作的像素点。 解决这个问题可以采用两种简单方法：一种方法是忽略图像边界数据， 另一种方法是在图像四周复制原图像边界像素的值，从而使卷积核悬挂在图像四周时可以进行正常的计算。实际应用中，多采用第一种方法。 其次，是计算出来的像素值的动态范围问题， 对此可简单地将其值置为0或255即可。 第3章 技术分类 (1)　平滑滤波器 减弱或消除图像中的高频率分量，可用于消除图像中的噪声 (2)　锐化滤波器 减弱或消除图像中的低频率分量，可使图像反差增加，边缘明显 还可分成线性的和非线性的两类 噪声及其特性 噪声是最常见的退化因素之一，对信号来说，噪声是一种外部干扰。 但噪声本身也是一种信号（携带了噪声源的信息）。 1）关于噪声的度量 人们常只关心噪声的强度 ，可用信噪比(signal-to-noise ratio,SNR)、能量比(电压平方比) 等来描述。分别表示为： 2）常见噪声 热噪声：白噪声（频率覆盖整个频谱均匀） 高斯噪声（幅度符合高斯分布） 闪烁噪声：具有反比于频率（1/f）的频谱； 粉色噪声（在对数频率间隔内有相同的能量） 发射噪声：高斯分布（电子运动的随机性） 3）噪声的概率密度函数 噪声为随机变量，用概率密度来刻画。 (1) 高斯噪声 (2) 均匀噪声 其均值和方差为： (3) 脉冲噪声 噪声脉冲可以是正的或负的，一 般假设a和b。都是“饱和”值双极性脉 冲噪