任明武_数字图象处理第3章 图象平滑(Image Smoothing)教材.pptVIP

第三章 图象平滑(Image Smoothing);注1：关于噪声(Noise) 图像噪声按其产生的原因可分为： 外部噪声：是指系统外部干扰以电磁波或经电源串进系统内部而引起的噪声。如电器设备，天体放电现象等引起的噪声。 内部噪声：一般可分为下列4种: (1)由光和电的基本性质所引起的噪声。如粒子运动的随机性。 (2)电器的机械运动产生的噪声。如各种接头的抖动引起电流变化，磁头、磁带的振动。 (3)元器件材料本身引起的噪声。如磁盘的表面缺陷，胶片的颗粒性。 (4)系统内部设备电路所引起的噪声。如电源的噪声。 统计学观点： (1)按统计特性分为平稳和非平稳噪声。其统计特性不随时间变化的噪声称为平稳噪声，反之，称为非平稳噪声。 (2)按噪声幅度分布形状而分。成高斯分布的称为高斯噪声；按雷利分布的称为雷利噪声。 (3)按噪声频谱的形状而分。频谱均匀分布的称为白噪声；频谱与频率成反比的称为1/f噪声；频谱与频率平方成正比的称为三角噪声。 (4)按噪声和信号之间的关系分为加性噪声和乘性噪声。输出为S(t) +n(t)形式的成为加性噪声，输出为S(t)(1 +n(t))形式的成为乘性噪声。;噪声分析：为了便于分析和处理，往往将乘性噪声近似地认为是加性噪声，和总是假设信号和噪声是互相统计独立。;当m=3时，有：;3.1 均值滤波（Average Filter); 均值滤波的关键是设计合理的卷积核，包括形状、大小和T(i,j)的值。常用的卷积核有： (1)形状和大小：邻域平均(矩形邻域和圆形邻域) ;(2)T(i,j)的取值：高斯滤波(Gaussian Filters) –高斯加权平滑 高斯函数即正态分布函数常用作加权函数。 一维高斯函数：常用于一维数据的滤波，比如直方图。高斯函数的形式为：; ;3.1.2特点： (1)系数之和等于1。 (2)系数都是正数。 (3)执行速度快。 (4)容易造成图像模糊。实质上在求平均值的过程中，噪 声的灰度值也代入了均值中，从而向周围扩散，导致图象模 糊，边缘不清晰。 (5)”能量守恒”，即滤波前后图像的亮度不变。 例：[2,2,2,2,10,10,10,10]和T=[1,1,1]/3，得到[2,2,2,5,7,10,10,10];例：(1) [2,2,2,2,10,10,10,10]和k=2，得到2,2,2,2,10,10,10,10] (2) [2,2,2,2,10,10,1,10]和k=2，得到2,2,2,2,10,10,6,10]。因为噪音的???度值跟目标和背景的灰度值都不接近，所以噪音能被其周围(即邻域)的灰度值修改掉。(注：这是很理想的情况，在实际应用中的问题，远非如此简单！);3.2 中值滤波(Median Filter);例：(1)[2,2,2,2,10,10,10,10]和N=1,M=3，得到[2,2,2,2,10,10,10,10] (2) [2,2,2,2,10,10,1,10]和N=1,M=3，得到2,2,2,2,10,10,10,10]。;3.2.3说明： 中值滤波的效果依赖于两个要素：邻域的空间范围和中值计算中涉及的象素数（当空间范围较大时，一般只取若干稀疏分布的象素作中值计算）。如：;3. 3极值滤波器 最大值滤波：对于一个滑动窗口NxM内的各象素求灰度级的最大值，用该最大值来代替窗口中心象素原来的灰度级。 最小值滤波：对于一个滑动窗口NxM内的各象素求灰度级的最小值，用该最大值来代替窗口中心象素原来的灰度级。 注：一般很少使用极值滤波器来消除噪声，因为需要知道噪声表现为极大或极小。相反，极值滤波器倒是常用在目标形状的处理中。;例：假设在一个二值图像中，目标表现为白色，但目标有部分的断裂或裂缝，如何消除裂缝呢？; 可以看出，上述的例子涉及到了二值图像的分析，对于二值图像的滤波，有专门的方法，称为形态学运算(Morphology)。;3. 4.1 包含、击中、不击中 按照集合的概念，给定两个集合：对象（Object）X和结构元素(Structure Element)B，它们之间的关系有如图所示的三种情况：; 也就是说，由B对X膨胀所产生的二值图象D是满足以下条件的点(x,y)的集合：如果B的原点平移到点(x,y)，那么它与X的交集非空。 　 腐蚀是一种消除边界点，使边界向内部收缩的过程。可以用来消除小且无意义的物体。一般意义的腐蚀概念定义为:;例:;3. 4.3开运算、闭运算 先腐蚀后膨胀的过程称为开运算。用来消除小物体、在纤细点处分离物体、平滑较大物体的边界的同时并不明显改变其面积。;3. 4.4击中击不中变换HMT(Hit-Miss Transform) 将形态学运算推广到