同态滤波图像的灰度函数fxy.pptVIP

●中值滤波再看第二类图：原图经Box模板处理后的图 经中值滤波处理后的图●中值滤波从原图中不难看出，中间的灰度要比两边高许多。这也是一类很典型的图，称之为Impulse(脉冲)。可见，中值滤波对Impulse噪声非常有效。?综合以上二类图，不难得出下面的结论：中值滤波在去除孤立点，线的噪声同时保持图像的边缘，它能很好的去除椒盐噪声。●中值滤波常用中值滤波的窗口还有：?● ● ●●●●●●● ● ● ●●● ●●●●●●●●★ ●★● ●●★●● ●★●●●★●●●●★●●● ●● ●●● ●●●●●●●●● ● ●●●●●●?注意:①当窗口内噪声点的个数大于窗口宽度的一半时，中值滤波的效果不好;②中值滤波会删除一些图像细节如：细线、拐角等。●中值滤波中值滤波是一种非线性滤波，即两幅图像不满足：对于细节较多的复杂图像，可以多次使用不同的中值滤波得到的综合结果作为输出，可以获得更好的平滑和保护边缘的效果。如：线性组合中值滤波。●中值滤波线性组合中值滤波：利用形状和大小不同的窗口对同一幅图像进行多次中值滤波，结果进行线性组合。表示第k种窗口，ak是加权系数。●灰度最相近的k个邻点平均法思想：在n×n的窗口内，属于同一集合体的象素，它们的灰度值高度相关。因此，窗口中心的象素值可用窗口内与中心点灰度最接近的K个邻点的平均灰度来代替。若K取得较小，保持细节较好；K取得较大，平滑噪声较好，但会使图像边缘模糊。对3×3的窗口，取K＝6较为适宜。●梯度倒数加权平滑法思想：图像在一个区域内的灰度变化比在区域之间变化要小，所以在边缘处梯度的绝对值比区域内部梯度的绝对值高。在一个n×n的窗口内，若把中心象素与其各邻点之间梯度绝对值的倒数定义为各邻点的加权值，这样区域内的点加权值大，边缘附近和区域外的点，加权值小。这样对加权后n×n邻域进行局部平均，可使图像得到平滑，又不致于使边界和细节有明显模糊。●梯度倒数加权平滑法设点(x,y)的灰度值为f(x,y)。在它的3×3邻域内，定义梯度倒数为：这里i,j=-1,0,1，但i和j不能同时为0。计算(x,y)同8个邻点的g(x,y,i,j)值，若f(x+i,y+j)=f(x,y)，梯度为0，则定义g(x,y,i,j)＝2。因此g(x,y,i,j)范围在【0，2】之间。●梯度倒数加权平滑法定义一个归一化的权重矩阵W作为平滑掩模。规定w(x,y)＝1/2，其余8个加权元素之和为1/2，使w各元素总和为1，于是有：(i,j=-1,0,1,且i,j不同时为0)w(x-1,y-1)w(x-1,y)w(x-1,y+1)W=w(x,y-1)w(x,y)w(x,y+1)w(x+1,y-1)w(x+1,y)w(x+1,y+1)●最大均匀性平滑思想：为避免消除噪声引起边缘模糊，处理时先找出环绕图中每象素最均匀区域，然后用这区域的灰度均值代替该象素原来的灰度值。●最大均匀性平滑举例说明如下：对图像中任一象素(x,y)的5个重叠的3×3方形邻域，用梯度算子计算它们灰度变化的大小。把其中灰度变化最小的邻域作为最均匀的区域，用它的平均灰度代替象素(x,y)的值。这种算法在消除图像噪声的同时可以保持边缘清晰度。缺点：对复杂形状的边界会过分平滑并使细节消失。

●有选择保边缘平滑法思想：是对最均匀平滑法的一种改进。对图像中任一象素(x,y)的5×5邻域，采用9个模板，包括一个3×3正方形、4个五边形、4个六边形。计算各个模板的均值和方差，对方差进行排序。最小方差对应的掩模区的灰度均值就是象素(x,y)的输出值。●有选择保边缘平滑法●有选择保边缘平滑法这种方法以方差作为各个区域灰度均匀性的测度。若区域含有尖锐的边缘，它的灰度方差很大，而不含边缘或灰度均匀的区域，它的方差就小。因此它能够消除噪声，又不破坏区域边界的细节。另外，五边形和六边形在(x,y)处都有锐角，这样，即使象素位于一个复杂形状区域的锐角处，也能找到均匀的区域。