第五讲-空间域平滑处理.ppt

第五讲 Lecture 5空间域平滑滤波器Smoothing Filter in the Spatial Domain 空间滤波基础 例1 邻域平均法可看作一个掩模作用于图像f(x,y)的低通空间滤波，掩模就是一个滤波器，它的响应为H(r,s)，于是滤波输出的数字图像g(x,y)用离散卷积表示为 空间低通滤波法(Spatial Low-pass Filtering) 由于噪声频谱能量多集中在高频段，因此，采用衰减高频分量的低通滤波器可以平滑噪声。 理想低通滤波器（ILPF—— Ideal Low-pass Filter） 低通滤波器 巴特沃思滤波器（Butterworth Filter） 指数滤波器（Exponential Filter） 梯形滤波器（Ladder-type Filter） 使用以下方式，可产生一个低通滤波器立体图： h=fspecial(gaussian) h = 0.0113 0.0838 0.0113 0.0838 0.6193 0.0838 0.0113 0.0838 0.0113 freqz2(h) 显示出的高斯低通 滤波器如图所示： 例题：使用高斯低通滤波器，对含椒盐噪声图像进行平滑降噪。 解：(image50.m) f=imread(Fig0318(a).tif); subplot(221); imshow(f,[]) title(原图); fn=imnoise(f,salt pepper,0.2); subplot(222); imshow(fn,[]) title(含椒盐噪声图像); h=fspecial(gaussian,[3 3],1); fn=im2double(fn); mean=imfilter(fn,h)/(3*3); subplot(223); imshow(mean,[]) title(3*3 高斯平滑降噪) h=fspecial(gaussian,[9 9],1); mean=imfilter(fn,h)/(9*9); subplot(224); imshow(mean,[]) title(9*9 高斯平滑降噪) 常用的掩模有 掩模不同，中心点或邻域的重要程度也不相同，因此，应根据问题的需要选取合适的掩模。但不管什么样的掩模，必须保证全部权系数之和为单位值，这样可保证输出图像灰度值在许可范围内，不会产生“溢出”现象。 * * 空间滤波(Spatial Filtering)主要是以邻域(Neighborhood)处理为基础，邻域的处理工作经常是操作邻域的图像像素以及相应的与邻域相同维数的子图像的值。这些子图像可以被称为滤波器(Filter)、掩模(Mask)、模板(Template)等，在滤波器子图像中的值是系数值，而不是像素值。 H(m+1,n+1) H(m+1,n) H(m+1,n-1) H(m,n+1) H (m,n) H(m,n-1) H(m-1,n+1) H(m-1,n) H(m-1,n-1) 模板 f(m+1,n+1) f(m+1,n) f(m+1,n-1) f(m,n+1) f (m,n) f(m,n-1) f(m-1,n+1) f(m-1,n) f(m-1,n-1) 在图像中逐点的移动掩模，将掩模中心图像中某个像素重合； 将模板上系数和模板下对应像素灰度相乘； 将所有乘积相加 将模板的输出响应赋给图中对应模板中心位置的像素 9 8 7 6 5 8 8 7 6 5 9 6 5 4 5 4 4 4 3 1 3 4 1 2 1 模 板 空间域平滑 平滑滤波器的主要目的是模糊和去噪声，模糊主要是在提取较大目标之前去除太小的细节或将目标内的小间断连接起来，常用预处理。 邻域平滑法(Neighbor Averaging) 邻域平滑法是一种直接在空间域上进行平滑处理的技术。假设图像是由许多灰度恒定的小块组成，相邻像素间存在很高的空间相关性，而噪声则是统计独立的。因此，可用邻域内各像素的灰度平均值代替该像素原来的灰度值，实现图像的平滑。 设有一幅N×N的图像f(x,y)，若平滑图像为g(x,y),则有 式中x,y=0,1,…,N-1； s为（x,y）邻域内像素坐标的集合； M表示集合