数字图像滤波方法比较.ppt

图像滤波方法的比较 实现的目标 噪声： 三类噪声：高斯噪声、椒盐 噪声、随机噪声（2种） 滤波： 编写8种滤波方法，实现了7个：均值滤波、中值滤波、高斯滤波、KNN滤波、高通滤波、低通滤波（3*3）、最大均匀性平滑滤波 ；未实现的两种：梯度倒数加权滤波及低通滤波（ 5*5 ，7*7，9*9，11*11） 计算滤波时间：实现了计算滤波的处理时间 彩色/灰色显示 ： 对原彩色图像处理后的色彩选择：彩色（部分程序）、灰色（实现） 菜单形式 ： 实现了将所有命令控件整合为菜单形式，减少了控件占用界面的空间 图片显示 ：6个图片存放框，实现了将处理的图片显示在指定的图片框，便于各种滤波方法的比较 图像滤波的概念 图像滤波，即在尽量保留图像细节特征的条件下对目标像的噪声进行抑制，是图像预处理中不可缺少的操作，其处理效果的好坏将直接响到后续图像处理和分析的有效性和可靠性。 基本原理 中值滤波 中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。 均值滤波 均值滤波也称为线性滤波，其采用的主要方法为领域平均法。线性滤波的基本原理是用均值代替原图像中的各个像素值，即对待处理的当前像素点（x，y），选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点（x，y），作为处理后图像在该点上的灰度个g（x，y），即g（x，y）=1/m ∑f（x，y）， m为该模板中包含当前像素在内的像素总个数。 高斯滤波 高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。通俗的讲，高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。 高斯滤波的具体操作是：用一个模板(或称卷积、掩模)扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。 K近邻均值滤波 边界保持滤波器的核心是确定边界点与非边界点。如图所示，点1是黄色区域的非边界点，点2是蓝色区域的边界点。 在模板中，分别选出5个与点1或点2灰 度值最相近的点进行计算，不影响效果。 换句话说，对非边界点的影响不是很大， 但是对边界点的影响就非常大。 其算法步骤为： 1) 以待处理像素为中心，作一个m*m的作用模板。 2）在模板中，选择K个与待处理像素的灰度方差为最小的像素。 3）将这K个像素的灰度均值替换掉原来的像素值。 最大均匀性平滑滤波 最大均匀性平滑滤波是针对一些滤波方法在消除噪声时引起边缘退化的现象而提出的，其基本思想是，若图像中的一个区域含有边缘，它的灰度方差必定较大。该方法采用了9种不同形状的模板，1个正方形模板，4个对称的五边形模板，4个对称的六边形模板，用各模板内的灰度方差作为各个区域不均匀性的测试，以最为均匀的区域灰度均值作为被处理点的像素值。 梯度倒数加权平均法滤波 梯度倒数加权法平滑基于如下的假设：在一幅离散图像中，相邻区域的变化大于区域内部的变化，在同一区域中中间像素的变化小于边缘像素的变化。梯度值正比于邻近像素灰度级差值，也就是说在图像变化缓慢区域，梯度值小，反之则大。而取梯度倒数大小与梯度相反，因此，以梯度倒数作权重因子，则区域内部的邻点权重就大于边缘近旁或区域外的邻点。即该种平滑其贡献上要来自区域内部的像素，平滑后图像的边缘和细节不会受到明显的损害。 高通空域滤波 高通空域滤波可以增强图像的高频成分而不改变图像的低频成分。这种情况下，相对来说，削弱了图像的低频成分。因为图像的边缘或线条与图像中的高频分量相对应，高通滤波可以让高频分量顺利通过，使图像的边缘轮廓变得清楚。 低通空域滤波 低通空域滤波是一种保留图像的低频成分，减少图像的高频成分的处理方法，有的称之为消噪声掩膜法。因为图像噪声常常以高频、随机的形式表现出来，大面积的背景区和亮度渐变区域则属低频成分。 低通空域滤波以卷积方法进行。 卷积方法实质是一种加权求和的过程。选择某种形状的邻域，将邻域中的每个像素与卷积核中的对应元素相乘，乘积求和的结果即为模板中