中值滤波均值滤波.pptVIP

* * * * * * * Sigma平滑滤波器 —— 例题 如下，是一个5*5的模板。 1 1 3 4 5 2 1 4 5 5 2 3 5 4 5 3 2 3 3 2 4 5 4 1 1 σ =1.56 置信区间为： [f(i,j)-2σ, f(i,j)+2σ]=[5-3.12,5+3.12]=[1.88,8.12] 1 1 3 4 5 2 1 4 5 5 2 3 5 4 5 3 2 3 3 2 4 5 4 1 1 g(i,j) =4.33 4 边界保持类平滑滤波器 —— 总结 边界保持类平滑滤波器的核心是：尽可能地将平滑处理避开两个或多个不同区域进行计算。可以采用不同形状结构判别，也可以采用同类相似的概念进行判别。 噪声图像示意图 图像的噪声示例 椒盐噪声示例 高斯噪声示例 均值滤波器滤椒盐噪声的效果 均值滤波器滤高斯噪声的效果 加权均值滤波器的效果(H1) H0的比较例 H1的效果 加权均值滤波器的效果（H2） H0的比较例 H2的效果 加权均值滤波器的效果(H3) H0的比较例 H3的效果 加权均值滤波器的效果(H4) H0的比较例 H4的效果 中值滤波器的效果（椒盐噪声） 中值滤波器的效果（高斯噪声） 中值滤波与均值滤波效果比较 （椒盐噪声） 中值滤波 均值滤波 中值滤波与均值滤波效果比较（高斯噪声） 中值滤波 均值滤波 KNN均值滤波器的效果（椒盐噪声） 均值滤波 中值滤波 KNN均值滤波 KNN均值滤波器的效果（高斯噪声） 均值滤波 中值滤波 KNN均值滤波 画面边框保留效果 * * * * * * * * * * * * * 信号的噪声抑制 所谓的信号噪声，是信号在摄取时或是传输时所受到的随机干扰信号。 常见的有椒盐噪声和高斯噪声。 信号噪声的概念 椒盐噪声的特征: 出现位置是随机的，但噪声的幅值是基本相同的。 高斯噪声的特征： 出现在位置是一定的（每一点上），但噪声的幅值是随机的。 图像噪声的概念 设计噪声抑制滤波器，在尽可能保持原图信息的基础上，抑制噪声。 均值滤波器 中值滤波器 边界保持类滤波器 图像噪声的抑制方法 均值滤波器 —— 原理 在图像上，对待处理的像素给定一个模板，该模板包括了其周围的邻近像素。将模板中的全体像素的均值来替代原来的像素值的方法。 以模块运算系数表示即： 1 2 1 4 3 1 2 2 3 4 5 7 6 8 9 5 7 6 8 8 5 6 7 8 9 1 2 1 4 3 1 2 2 3 4 5 7 6 8 9 5 7 6 8 8 5 6 7 8 9 3 4 4 4 5 6 6 7 8 C=6.6316 C=5.5263 均值滤波器 —— 处理方法 待处理像素 示例 边框保留不变的效果示例 均值滤波器的改进 —— 加权均值滤波 均值滤波器的缺点是，会使图像变的模糊，原因是它对所有的点都是同等对待，在将噪声点分摊的同时，将景物的边界点也分摊了。 为了改善效果，就可采用加权平均的方式来构造滤波器。 均值滤波器的改进 —— 加权均值滤波 如下，是几个典型的加权平均滤波器。 示例 示例 示例 示例 中值滤波器 —— 问题的提出 虽然均值滤波器对噪声有抑制作用，但同时会使图像变得模糊。即使是加权均值滤波，改善的效果也是有限的。 为了有效地改善这一状况，必须改换滤波器的设计思路，中值滤波就是一种有效的方法。 中值滤波器 —— 设计思想 因为噪声（如椒盐噪声）的出现，使该点像素比周围的像素亮（暗）许多。 如果在某个模板中，对像素进行由小到大排列的重新排列，那么最亮的或者是最暗的点一定被排在两侧。 取模板中排在中间位置上的像素的灰度值替代待处理像素的值，就可以达到滤除噪声的目的。 中值滤波器 —— 原理示例 数值排序 m-2 m-1 m m+1 m+2 6 10 2 5 8 m m+1 m - 2 m+2 m - 1 6 10 2 5 8 2 6 2 中值滤波器 —— 处理示例 例：模板是一个1*5大小的一维模板。 原图像为：　2 2 6 2 1 2 4 4 4 2 4 处理后为： 2 2 (1,2,2,2,6) 2 (1,2,2,2,6) 2 (1,2,2,4,6) 2 2 4 4 4 4 4 (2,4,4) 中值滤波器