中值滤波与均值滤波.pptVIP

Sigma平滑滤波器 —— 基本原理 根据统计数学的原理，属于同一类别的元素的置信区间，落在均值附近±2σ 范围之内。 Sigma滤波器是构造一个模板，计算模板的标准差σ，置信区间为当前像素值的±2σ范围。 将模板中落在置信范围内的像素的均值替换原来的像素值。 第三十页，共四十九页，2022年，8月28日 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 第三十一页，共四十九页，2022年，8月28日 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。 第三十二页，共四十九页，2022年，8月28日 噪声图像示意图 第三十三页，共四十九页，2022年，8月28日 图像的噪声示例 第三十四页，共四十九页，2022年，8月28日 椒盐噪声示例 第三十五页，共四十九页，2022年，8月28日 第一页，共四十九页，2022年，8月28日 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 第二页，共四十九页，2022年，8月28日 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 第三页，共四十九页，2022年，8月28日 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 第四页，共四十九页，2022年，8月28日 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。 第五页，共四十九页，2022年，8月28日 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 第六页，共四十九页，2022年，8月28日 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。 第七页，共四十九页，2022年，8月28日 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 第八页，共四十九页，2022年，8月28日 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。 第九页，共四十九页，2022年，8月28日 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。 第十页，共四十九页，2022年，8月28日 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 第十一页，共四十九页，2022年，8月28日 中值滤波器 —— 处理示例 例：模板是一个1