圖像加強之空間域濾波

時間 2020-02-06

標籤圖像加強空間濾波简体版

原文原文鏈接

1、爲何進行圖像加強html

圖像加強是指加強圖像中某些特徵，同時削弱或去除某些不須要的信息，即爲了某種應用而去改善圖像的質量，消除噪聲，顯現那些被模糊了的細節或簡單的突出一副圖像中感興趣的特徵。因此圖像加強並非加強圖像的原始信息，而是隻針對某一特徵以提升某種信息的辨別能力，圖像加強須要根據需求採用特定的方法，當加強一些信息時另一些信息一定被損失，不存在一種通用的方法，必須根據需求決定保留哪些信息丟棄哪些信息。spa

圖像加強技術基本上能夠分爲兩類：空間域加強、頻域加強。.net

2、空間域濾波理論3d

2.1定義rest

空間域濾波就是在圖像平面上對像素進行操做。code

空間域濾波大致分爲兩類：平滑、銳化。orm

平滑濾波：模糊處理，用於減少噪聲，其實是低通濾波，典型的濾波器是高斯濾波。htm

銳化濾波：提取邊緣突出邊緣及細節、彌補平滑濾波形成的邊緣模糊。其實是高通濾波。blog

空間域處理可由下式表示：排序

g(x,y)=T[f(x,y)]

式中，f(x,y)是輸入圖像，g(x,y)是處理後的圖像，T是在點(x,y)的鄰域上定義的關於f的一種算子，算子可應用於單幅圖像或圖像集合。

2.2空間域濾波和鄰域處理

1）空間濾波器由一個鄰域（一般是一個較小的矩形）和對該鄰域所包圍圖像像素執行的預約義操做組成。對預約義的點（x，y）爲中心的領域內的像素進行計算。

2）濾波產生一個新像素，新像素的座標等於鄰域中心的座標（x，y），像素的值是濾波操做的結果。即用計算後的新像素值做爲點（x，y）的值。

3）循環步驟1和2，濾波器的中心遍歷圖像中的每一個像素後，就生成了濾波後的圖像。

4）若是在圖像像素上執行的是線性操做，則該濾波器稱爲線性空間濾波器，不然，稱爲非線性空間濾波器。

通常來講，使用大小爲 m×n的濾波器對大小爲 M×N的圖像進行線性空間濾波，可由下式表示：

3、平滑濾波

平滑濾波能夠減小和抑制圖像中的噪聲，平滑後圖像變得模糊，噪聲下降。模糊處理經常使用於預處理任務中，如在目標提取以前去除圖像中的一些瑣碎細節，以及橋接直線或曲線的縫隙。

1）工做原理

通常來講，圖像具備局部連續的性質，即相鄰的像素的值相近，而噪聲使得噪點處產生像素跳躍，因此經過平滑噪點能夠減小噪聲，去除圖像中的不相關細節。

2）均值濾波和加權濾波

平滑濾波的輸出是包含在濾波器模板鄰域內的像素的簡單平均值，也就是均值濾波器。

均值濾波器是低通濾波器，常見的操做有均值濾波和加權濾波。

W是濾波模板，模板的大小取決於須要濾除的物體的大小，使用時須要更具圖像特色選擇模板尺寸。

爲何使用加權，平滑濾波對領域內的像素一視同仁，可是通常認爲距離模板中心的像素應對濾波結果有較大的貢獻，因此將模板中心的係數取得比模板周邊的係數大，隨着距離中心距離增大，權重迅速減少。高速濾波就是一種加權濾波，只不過模板中的係數由高斯分佈來肯定的。

3）實現

Matlab濾波能夠用fspecial產生濾波模板。

f=fspecial('average', 3)產生係數爲：

f =

0.1111 0.1111 0.1111

例1：均值濾波

imgPath = 'E:\opencv_pic\src_pic\pic4.bmp';
img = imread(imgPath);
img = imnoise(img,'salt & pepper', 0.02);
 
f=fspecial('average', 3);
img1=imfilter(img, f);
f=fspecial('average', 10);
img2=imfilter(img, f2);
 
subplot(1,3,1),imshow(img), title('原始圖像');
subplot(1,3,2),imshow(img1),title('均值濾波1');
subplot(1,3,3),imshow(img2),title('均值濾波2');

可見下圖，當濾波係數爲3*3時，能夠濾波大部分噪聲，當濾波係數爲10時，濾除了所有噪聲可是圖像變得模糊。

例2：高斯噪聲濾波

imgPath = 'E:\opencv_pic\src_pic\pic4.bmp';
img = imread(imgPath);
img = imnoise(img, 'gaussian', 0, 0.01);
 
f=fspecial('average', 5);
img1=imfilter(img, f);
f2=fspecial('gaussian', 5, 0.8);
img2=imfilter(img, f2);
 
subplot(1,3,1),imshow(img), title('原始圖像');
subplot(1,3,2),imshow(img1),title('均值濾波');
subplot(1,3,3),imshow(img2),title('高斯濾波');

兩個濾波模板分別爲：

f =

0.0400 0.0400 0.0400 0.0400 0.0400

f2 =

0.0005 0.0050 0.0109 0.0050 0.0005

0.0050 0.0522 0.1141 0.0522 0.0050

0.0109 0.1141 0.2491 0.1141 0.0109

0.0050 0.0522 0.1141 0.0522 0.0050

0.0005 0.0050 0.0109 0.0050 0.0005

濾波效果以下圖。

放大後觀察細節，均值濾波在漸變處出現嚴重的模糊現象，高斯濾波因爲使用了帶權重的濾波係數，狀況好不少。

4、自適應平滑濾波

1）原理

利用平均模板平滑在消除噪聲的同時也使得圖像變得模糊，高斯平滑在必定程度上緩解了這些現象，但因爲平滑濾波的原理可知這種模糊是不可避免的。因此能夠進行選擇性的平滑，即只對噪聲局部區域進行平滑，對無噪聲的局部區域不進行平滑，將模糊的影響降到最低。

2）實現

自適應的關鍵是對噪聲區域的識別，哪些區域是須要平滑的，哪些區域不須要。通常地，噪聲的存在使噪聲點產生灰度跳躍，從而使噪聲點局部區域灰度跨度較大。

因此，方法1：能夠設定閾值T，當局部最大灰度和最小灰度只差大於閾值，則進行平滑；不然不平滑。方法2：當局部區域灰度方差大於閾值T則進行平滑；不然不平滑。

5、中值濾波

1）原理

中值濾波是一種統計排序濾波器，圖像上點（x，y），中值濾波以該點爲中心，領域內全部像素的統計排序中值做爲此點的響應，中值濾波是非線性濾波。

相比與均值濾波和高斯濾波，中值濾波能夠有效的下降隨機噪聲，直接忽略掉噪聲點，把噪聲引發的模糊降到最低。典型的應用就是中值濾波消除椒鹽噪聲。

2）中值濾波效果對比

imgPath = 'E:\opencv_pic\src_pic\pic4.bmp';
img = imread(imgPath);
img0 = rgb2gray(img);
img = imnoise(img0,'salt & pepper');
 
f=fspecial('average', 3);
img1=imfilter(img, f);
f2=fspecial('gaussian', 3, 0.8);
img2=imfilter(img, f2);
img3=medfilt2(img, [3,3]);
 
subplot(2,3,1),imshow(img0), title('原始圖像');
subplot(2,3,2),imshow(img), title('噪聲圖像');
subplot(2,3,3),imshow(img1),title('均值濾波');
subplot(2,3,4),imshow(img2),title('高斯濾波');
subplot(2,3,5),imshow(img3),title('中值濾波');