【图像处理】图像滤波去噪声——均值滤波、中值滤波、对称均值滤波 低通滤波 高通滤波(opencv)
2018-01-19 23:10
1621 查看
概述
噪声对图像处理的影响很大,它影响图像处理的输入、采集和处理等各个环节以及输出结果。因此,在进行其它的图像处理前,需要对图像进行去噪处理。从统计学的观点来看,凡是统计特征不随时间变化的噪声称为平稳噪声,而统计特征随时间变化的噪声称为非平稳噪声。幅值基本相同,但是噪声出现的位置是随机的,称为椒盐噪声;如果噪声的幅值是随机的,根据幅值大小的分布,有高斯型和瑞利型两种,分别称为高斯噪声和瑞利噪声。常见的去噪处理有均值滤波,中值滤波,灰度最小方差均值滤波,K近邻平滑滤波,对称近邻均值滤波,西戈玛平滑滤波等。
均值滤波
定义
均值滤波方法是,对待处理的当前像素,选择一个模板,该模板为其邻近的若干个像素组成,用模板的均值来替代原像素的值的方法。如下图,1~8为(x,y)的邻近像素。
权系数矩阵模板
g = (f(x-1,y-1) + f(x,y-1)+ f(x+1,y-1) + f(x-1,y) + f(x,y) + f(x+1,y)
+ f(x-1,y+1) + f(x,y+1) + f(x+1,y+1))/9
方法优缺点
优点:算法简单,计算速度快;缺点:降低噪声的同时使图像产生模糊,特别是景物的边缘和细节部分。
中值滤波
定义
中值滤波方法是,对待处理的当前像素,选择一个模板,该模板为其邻近的若干个像素组成,对模板的像素由小到大进行排序,再用模板的中值来替代原像素的值的方法。
权系数矩阵模板
g = median[(x-1,y-1) + f(x,y-1)+ f(x+1,y-1) + f(x-1,y) + f(x,y) + f(x+1,y) + f(x-1,y+1) + f(x,y+1) + f(x+1,y+1)]
优缺点
优点:抑制效果很好,画面的清析度基本保持;缺点:对高斯噪声的抑制效果不是很好。
对称近邻均值滤波
定义
对称近邻(SNN:Symmetric Nearest Neighbor)均值滤波的核心思想是,在一个局部范围内,通过几对对称点像素的比较,获得相对区域及不同区域的差别,然后将均值计算在所判定的同一个区域内进行,这样可以使边界的保持更加灵活的同时又降低计算。设一个(2N+1)*(2N+1)的模板,则有2N*(2N+1)个对称点,2N*(2N+1)个选择点的像素均值代替原像素值,如下:
优缺点
使边界的保持更加灵活的同时又降低计算。
图像滤波----低通滤波,中值滤波,高通滤波,方向滤波(Sobel),拉普拉斯变换
①观察灰度分布来描述一幅图像成为空间域,观察图像变化的频率被成为频域。 ②频域分析:低频对应区域的图像强度变化缓慢,高频对应的变化快。低通滤波器去除了图像的高频部分,高通滤波器去除了图像的低频部分。
(1)低通滤波
①栗子:
#include <iostream> #include <opencv2/core/core.hpp> #include <opencv2/imgproc/imgproc.hpp> #include <opencv2/highgui/highgui.hpp> int main() { // Read input image cv::Mat image= cv::imread("boldt.jpg",0); if (!image.data) return 0; // Display the image cv::namedWindow("Original Image"); cv::imshow("Original Image",image); // Blur the image with a mean filter cv::Mat result; cv::blur(image,result,cv::Size(5,5)); // Display the blurred image cv::namedWindow("Mean filtered Image"); cv::imshow("Mean filtered Image",result);
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
结果:每个像素变为相邻像素的平均值, 快速的强度变化转化为平缓的过度
②栗子:近的像素添加更多的权重。:高斯滤波器
cv::GaussianBlur(image,result,cv::Size(5,5),1.5);
1
(2)中值滤波 :非线性滤波
有效去除椒盐噪点
cv::medianBlur(image,result,5);
1
(3)方向滤波(Sobel)
强调图像中的高频分量,使用高通滤波器进行边缘检测。
Sobel算子是一种经典的边缘检测线性滤波器,可被认为是图像在垂直和水平方向变化的测量。
#include <iostream> #include <iomanip> #include <opencv2/core/core.hpp> #include <opencv2/imgproc/imgproc.hpp> #include <opencv2/highgui/highgui.hpp> #include "laplacianZC.h" int main() { //Read input image cv::Mat image= cv::imread("boldt.jpg",0); if (!image.data) return 0; // Display the image cv::namedWindow("Original Image"); cv::imshow("Original Image",image); // Compute Sobel X derivative cv::Mat sobelX; cv::Sobel(image,sobelX,CV_8U,1,0,3,0.4,128); // Display the image cv::namedWindow("Sobel X Image"); cv::imshow("Sobel X Image",sobelX); // Compute Sobel Y derivative cv::Mat sobelY; cv::Sobel(image,sobelY,CV_8U,0,1,3,0.4,128); // Display the image cv::namedWindow("Sobel Y Image"); cv::imshow("Sobel Y Image",sobelY); // Compute norm of Sobel 得到sobel的摸 cv::Sobel(image,sobelX,CV_16S,1,0); cv::Sobel(image,sobelY,CV_16S,0,1); cv::Mat sobel; //compute the L1 norm sobel= abs(sobelX)+abs(sobelY); double sobmin, sobmax; cv::minMaxLoc(sobel,&sobmin,&sobmax); std::cout << "sobel value range: " << sobmin << " " << sobmax << std::endl; // Print window pixel values for (int i=0; i<12; i++) { for (int j=0; j<12; j++) std::cout << std::setw(5) << static_cast<int>(sobel.at<short>(i+135,j+362)) << " "; std::cout << std::endl; } std::cout << std::endl; std::cout << std::endl; std::cout << std::endl; // Conversion to 8-bit image // sobelImage = -alpha*sobel + 255 cv::Mat sobelImage; sobel.convertTo(sobelImage,CV_8U,-255./sobmax,255); // Display the image cv::namedWindow("Sobel Image"); cv::imshow("Sobel Image",sobelImage); // Apply threshold to Sobel norm (low threshold value) cv::Mat sobelThresholded; cv::threshold(sobelImage, sobelThresholded, 225, 255, cv::THRESH_BINARY); // Display the image cv::namedWindow("Binary Sobel Image (low)"); cv::imshow("Binary Sobel Image (low)",sobelThresholded); // Apply threshold to Sobel norm (high threshold value) cv::threshold(sobelImage, sobelThresholded, 190, 255, cv::THRESH_BINARY); // Display the image cv::namedWindow("Binary Sobel Image (high)"); cv::imshow("Binary Sobel Image (high)",sobelThresholded);
结果:
(4)图像的拉普拉斯变换
是一种基于图像导数的高通线性滤波器,计算二阶倒数已衡量图像的弯曲度。
// Compute Laplacian 3x3 cv::Mat image = cv::imread("boldt.jpg", 0); cv::Mat laplace; cv::Laplacian(image,laplace,CV_8U,1,1,128); // Display the image cv::namedWindow("Laplacian Image"); cv::imshow("Laplacian Image",laplace); // Print window pixel values for (int i=0; i<12; i++) { for (int j=0; j<12; j++) std::cout << std::setw(5) << static_cast<int>(laplace.at<uchar>(i+135,j+362))-128 << " "; std::cout << std::endl; } std::cout << std::endl; std::cout << std::endl; std::cout << std::endl; // Compute Laplacian 7x7 cv::Laplacian(image,laplace,CV_8U,7,0.01,128); // Display the image cv::namedWindow("Laplacian Image"); cv::imshow("Laplacian Image",laplace); // Print window pixel values for (int i=0; i<12; i++) { for (int j=0; j<12; j++) std::cout << std::setw(5) << static_cast<int>(laplace.at<uchar>(i+135,j+362))-128 << " "; std::cout << std::endl; } // Extract small window cv::Mat window(image,cv::Rect(362,135,12,12)); cv::namedWindow("Image window"); cv::imshow("Image window",window); cv::imwrite("window.bmp",window); // Compute Laplacian using LaplacianZC class LaplacianZC laplacian; laplacian.setAperture(7); cv::Mat flap= laplacian.computeLaplacian(image); double lapmin, lapmax; cv::minMaxLoc(flap,&lapmin,&lapmax); std::cout << "Laplacian value range=[" << lapmin << "," << lapmax << "]\n"; laplace= laplacian.getLaplacianImage(); cv::namedWindow("Laplacian Image (7x7)"); cv::imshow("Laplacian Image (7x7)",laplace); // Print Laplacian values std::cout << std::endl; for (int i=0; i<12; i++) { for (int j=0; j<12; j++) std::cout << std::setw(5) << static_cast<int>(flap.at<float>(i+135,j+362)/100) << " "; std::cout << std::endl; } std::cout << std::endl; // Compute and display the zero-crossing points cv::Mat zeros; zeros= laplacian.getZeroCrossings(lapmax); cv::namedWindow("Zero-crossings"); cv::imshow("Zero-crossings",zeros); // Compute and display the zero-crossing points (Sobel version) zeros= laplacian.getZeroCrossings(); zeros= laplacian.getZeroCrossingsWithSobel(50); cv::namedWindow("Zero-crossings (2)"); cv::imshow("Zero-crossings (2)",zeros); // Print window pixel values for (int i=0; i<12; i++) { for (int j=0; j<12; j++) std::cout << std::setw(2) << static_cast<int>(zeros.at<uchar>(i+135,j+362)) << " "; std::cout << std::endl; } // Display the image with window cv::rectangle(image,cv::Point(362,135),cv::Point(374,147),cv::Scalar(255,255,255)); cv::namedWindow("Original Image with window"); cv::imshow("Original Image with window",image); cv::waitKey(); return 0; }
频域分析将图像分成从低频到高频的不同部分。低频对应图像强度变化小的区域,而高频是图像强度变化非常大的区域。目前已存在若干转换方法,如傅立叶变换或余弦变换,可以用来清晰的显示图像的频率内容。注意,由于图像是一个二维实体,所以其由水平频率(水平方向的变化)和竖直频率(竖直方向的变化)共同组成。
在频率分析领域的框架中,滤波器是一个用来增强图像中某个波段或频率并阻塞(或降低)其他频率波段的操作。低通滤波器是消除图像中高频部分,但保留低频部分。高通滤波器消除低频部分、
用低通滤波来平滑图像
低通滤波器的目标是降低图像的变化率。如将每个像素替换为该像素周围像素的均值。这样就可以平滑并替代那些强度变化明显的区域。图像的拉普拉斯变换
是一种基于图像导数的高通线性滤波器,计算二阶倒数已衡量图像的弯曲度。
[b](3)方向滤波(Sobel)强调图像中的高频分量,使用高通滤波器进行边缘检测。
Sobel算子是一种经典的边缘检测线性滤波器,可被认为是图像在垂直和水平方向变化的测量。
[/b]
相关文章推荐
- 图像噪声的抑制——均值滤波、中值滤波、对称均值滤波
- 图像噪声的抑制——均值滤波、中值滤波、对称均值滤波
- Python实现椒盐噪声、中值滤波、均值滤波,OpenCV
- MatLab 自编的 均值滤波、中值滤波、高斯滤波 图像处理函数
- MatLab 自编的 均值滤波、中值滤波、高斯滤波 图像处理函数(转)
- OpenCV图像处理之均值滤波
- 转载:发个MatLab 自编的 均值滤波、中值滤波、高斯滤波 图像处理函数
- opencv实现图像邻域均值滤波、中值滤波、高斯滤波
- 题目:opencv下对图像进行图像模糊(均值滤波)处理和边缘检测
- MatLab自编的均值滤波、中值滤波、高斯滤波三种滤波算子,可以直接调用 图像处理函数
- opencv实现图像邻域均值滤波、中值滤波、高斯滤波
- 图像平滑技术之核算子、均值滤波、中值滤波、高斯滤波、双边滤滤、导向滤波的原理概要及OpenCV代码实现
- MatLab 自编的 均值滤波、中值滤波、高斯滤波 图像处理函数(转)
- 发个MatLab 自编的 均值滤波、中值滤波、高斯滤波 图像处理函数
- 图像噪声的抑制——均值滤波、中值滤波、对称均值滤波
- 【OpenCV3图像处理】线性滤波:均值滤波,高斯滤波
- 发个MatLab 自编的 均值滤波、中值滤波、高斯滤波 图像处理函数
- 【OpenCV3图像处理】非线性滤波:中值滤波、双边滤波、引导滤波
- 发个MatLab 自编的 均值滤波、中值滤波、高斯滤波 图像处理函数
- 10. 对一幅灰度图像进行均值滤波、中值滤波。(自己可适当对原图像增加高频噪声)