数字图像处理与深度学习技术应用 课件 第6、7章 图像平滑处理、图像边缘锐化处理.pptx

第6章图像平滑处理;6.1概述;概述;6.1平滑处理的基本方法;噪声是随机产生的，分布不规则，大小也不规则。噪声像素的灰度是空间不相关，与邻近像素显著不同。

;噪声;一幅图像往往受到各种噪声的干扰,噪声常为一些孤立的像素点，往往是叠加在图像上的随机噪声,像雪花使图像被污染，而图像灰度应该相对连续变化的，一般不会突然变大或变小，这种噪声可以用邻域平均法使它得到抑制。;邻域平均法是一种利用模板对图像进行模板操作（卷积运算）法，常用的3×3和5×5模板如下：;邻域平均法是一种利用模板对图像进行模板操作（卷积运算）的方法;邻域平均法:通过一点和邻域内像素点求平均来去除突变的像素点，优点是算法简单，计算速度快，代价是会造成图像一定程度上的模糊。;如果窗口内各点的噪声是独立等分布的，经过这种方法平滑后，信噪比可提高倍。在此算法中，M,N的值不宜过大，因为M,N值的大小对速度有直接影响，且M,N值越大变换后的图像越模糊,特别是在边缘和细节处。;可以抑制高频成分，但也使图像变得模糊。平滑效果不好，减少噪音的同时，损失了高频信息。;效果展示;邻域平均法是一种利用模板对图像进行模板操作（卷积运算）法，常用的3×3和5×5模板如下：;邻域平均法:，代价是会造成图像一定程度上的模糊。;M,N值越大变换后的图像越模糊,特别是在边缘和细节处。;按照与中心点的距离不同，赋予像素点不同的权值，靠近中心点的权重值较大，远离中心点的权重值较小，在此基础上计算邻域内各个像素值不同权重的和。

;邻域处理---模板;1)将模板在图中漫游，并将模板中心与图中某个像素位置重合；

2)将模板上系数与模板下对应像素相乘；

3)将所有乘积相加；

4)将和赋给图中对应模板中心位置的像素。;卷积的处理过程;;“－”表示无法进行模板操作的像素点。;边界问题的解决;1）忽略图像边界数据；多采用该方法。2）在图像四周复制原图像边界像素的值，从而使卷积核悬挂在图像四周时可以进行正常的计算。

3）计算出来的像素值的超出范围问题，对此可简单地将其值置为0或255。;中值滤波法;取3X3窗口;3×3模板：中间值序号是5。

5×5模板：中间值序号是13。

7×7模板：中间值序号是25。

9×9模板：中间值序号是41。;中值滤波几种常用窗口;均值滤波器对高斯噪声的滤波效果较好，对椒盐噪声的滤波效果不好。

中值滤波器对椒盐噪声的滤波效果较好，对高斯噪声的滤波效果不好。

;均值滤波器对高斯噪声的滤波效果较好，对椒盐噪声的滤波效果不好。

中值滤波器对椒盐噪声的滤波效果较好，对高斯噪声的滤波效果不好。

;高斯滤波Python实现;importcv2ascv

image=cv.imread(F:/picture/g1.jpg)#读取一幅图像

cv.imshow(image,image)#显示原图

#定义卷积和为5*5，

gauss=cv.GaussianBlur(image,(5,5),0,0)

cv.imshow(gauss,gauss)#显示滤波后的图像

;均值滤波Python实现;【例】

importcv2ascv

image=cv.imread(F:/picture/g1.jpg)#读取一幅图像

cv.imshow(image,image)#显示原图

means5=cv.blur(image,(5,5))#定义卷积和为5×5，实现均值滤波

means10=cv.blur(image,(10,10))#定义卷积和10×10，实现均值滤波

means20=cv.blur(image,(20,20))#定义卷积和20×20，实现均值滤波

;

; 在方框滤波中，可以选择是否对均值滤波的结果进行归一化，即可以选择滤波结果是邻域像素值之和的平均值，还是邻域像素值之和。

;方框滤波Python实现;#定义卷积和为5*5，-1深度与原图同，normalize=0不进行归一化

box5_0=cv.boxFilter(image,-1,(5,5),normalize=0)

box2_0=cv.boxFilter(image,-1,(2,2),normalize=0)

#定义卷积和为5*5，normalize=1进行归一化

box5_1=cv.boxFilter(image,-1,(5,5),normalize=1)

#定义卷积和为2*2，normalize=1进行归一化

box2_1=cv.boxFilter(image,-1,(2,2),normalize=1)

cv.imshow(box5_0,box5_0)