数字图像处理与深度学习技术应用教材配套课件 第6章 图像平滑处理.pptx

第6章图像平滑处理

6.1概述

概述图像平滑或滤波目的是消除噪声，降低干扰，改善图像质量。图像平滑常用的方法是采用区域处理，利用相邻的像素值，进行均值滤波或中值滤波。

6.1平滑处理的基本方法图像在获取、传输过程中，受干扰的影响，会产噪声，噪声干扰正常信号。造成图像毛糙。图像去噪是一种信号滤波的方法，目的是保留有用信号，去掉噪音信号。

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。图像噪声

噪声(a)随机噪声(b)椒盐噪声

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（均值滤波）

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

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（b)5x5模版邻域平均法也叫均值滤波，是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，用模板中的全体像素的均值来替代原来的像素值。（a）3x3模版邻域平均法

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。邻域平均法存在的问题

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。邻域平均法存在的问题

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。邻域平均法存在的问题

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

邻域平均法:，代价是会造成图像一定程度上的模糊。邻域平均法存在的问题

M,N值越大变换后的图像越模糊,特别是在边缘和细节处。邻域平均法存在的问题

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。Gaussian平滑法

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。卷积步骤

卷积的处理过程卷积的处理过程为得到一幅经过完整的经过滤波处理的图像，必须对x=0,1,2,…,M-1和y=0,1,2,…,N-1依次应用公式。

在M×N的图像f上，用m×n大小的掩模：其中a=(m-1)/2且b=(n-1)/2，处理的掩模长与宽都为奇数。简化表达形式：3×3的掩模：模板操作

“－”表示无法进行模板操作的像素点。卷积运算的边界问题？

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。边界问题的解决

中值滤波法中值滤波:抑制噪声又要保持细节。将窗口中奇数个数据按大小顺序排列,处于中心位置的那个数作为处理结果。

取3X3窗口从小到大排列，取中间值中值滤波法

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。模板操作

中值滤波几种常用窗口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cv2.GassianBlur()函数来实现图像的高斯滤波。dst=cv2.GassianBlur(src,ksize,sigmaX,sigmaY,borderType)dst表示返回的高斯滤波处理结果。src表示原始图像，该图像不限制通道数目。ksize表示滤波卷积核的大小，奇数。sigmaX--卷积核在水平方向上的权重值。sigmaY--卷积核在垂直方向上的权重值。borderType表示以哪种方式处理边界值。

importcv2ascvimage=cv.imread(F:/picture/g1.jpg)#读取一幅图像cv.imshow(image,image)#