【数字图像处理】空间滤波

这篇具有很好参考价值的文章主要介绍了【数字图像处理】空间滤波。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

1. 概述

图像空间滤波是一种常用的图像处理技术,用于改变图像的亮度、对比度、锐度、噪声等特性。它是一种直接在图像空间进行像素操作的处理方法,与频域滤波不同,频域滤波是通过对图像进行傅里叶变换,然后在频域进行滤波处理。本文仅对常用的低通和高通空间滤波进行概括和总结。

2 低通(平滑)滤波

2.1 均值滤波

假设均值滤波器的大小为 n × n n\times n n×n,则该卷积核可以表示为如下的 n × n n\times n n×n 矩阵:
1 n 2 ( 1 1 ⋯ 1 1 1 ⋯ 1 ⋮ ⋮ ⋱ ⋮ 1 1 ⋯ 1 ) \frac{1}{n^2} \begin{pmatrix} 1 & 1 & \cdots & 1 \\ 1 & 1 & \cdots & 1 \\ \vdots & \vdots & \ddots & \vdots \\ 1 & 1 & \cdots & 1 \\ \end{pmatrix} n21 111111111
其中,矩阵中的每个元素都是 1 / n 2 1/n^2 1/n2,表示该像素点的权重值等于周围所有像素点的权重之和的平均值。这样,在卷积操作时,该卷积核将对图像中的每个像素点取周围像素点的平均值,从而实现平滑处理。

需要注意的是,均值滤波器的大小 n n n 越大,滤波器的平滑程度越强,但也可能会导致图像细节的丢失。因此,在实际应用中需要根据具体的需求和图像特点选择合适的滤波器大小。

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取彩色图像
img = cv2.imread('example.jpg')

# 添加高斯噪声
mean = 0
var = 0.5
sigma = var ** 0.5
gaussian = np.random.normal(mean, sigma, img.shape)
noisy_img = np.clip((img/255.0 + gaussian)*255, 0, 255).astype(np.uint8)

# 使用不同大小的卷积核进行均值滤波
k_sizes = [3, 13, 23, 33]  # 卷积核大小
fig, axs = plt.subplots(1, 6, figsize=(12, 3))
axs[0].imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
axs[0].set_title("Original")
axs[1].imshow(cv2.cvtColor(noisy_img, cv2.COLOR_BGR2RGB))
axs[1].set_title("Noisy")

for i, ksize in enumerate(k_sizes):
    # 使用均值滤波器进行处理
    denoised_img = cv2.blur(noisy_img, (ksize, ksize))

    # 显示处理后的图像
    axs[i+2].imshow(cv2.cvtColor(denoised_img, cv2.COLOR_BGR2RGB))
    axs[i+2].set_title(f"Denoised (ksize={ksize})")

plt.tight_layout()
plt.show()

【数字图像处理】空间滤波
从实验结果可以看出,均值滤波器的卷积核尺寸越大,去噪强度越高,但同时图像也越模糊。

2.2 中值滤波

中值滤波的原理是将像素点周围的邻域中的像素灰度值排序,然后取中间值作为该像素的灰度值。由于中值滤波是一种非线性滤波方法,其不受噪声分布的影响,可以有效地去除图像中的椒盐噪声和斑点噪声,并且可以保留图像的边缘信息和细节信息。

中值滤波的具体操作步骤如下:

  1. 选定滤波器的大小,通常取一个奇数的正整数,如 3 × 3 3 \times 3 3×3 5 × 5 5 \times 5 5×5 等。
  2. 针对每个像素点,将其周围的邻域像素点的灰度值排序,从小到大排列。
  3. 取排序后的中间值作为该像素点的新灰度值。
  4. 对于边缘上的像素,可以选择对其不做处理或者根据需要进行特殊处理。
import numpy as np
import matplotlib.pyplot as plt
import cv2
import random

# 添加椒盐噪声
def pepper_and_salt(img, percentage):
    num = int(percentage * img.shape[0] * img.shape[1])  # 椒盐噪声点数量
    img2 = img.copy()
    for _ in range(num):
        X = random.randint(0, img2.shape[0] - 1)
        Y = random.randint(0, img2.shape[1] - 1)
        if random.randint(0, 1) == 0:  # 黑白色概率55开
            img2[X, Y] = (255, 255, 255)
        else:
            img2[X, Y] = (0, 0, 0)
    return img2

# 读取彩色图像
img = cv2.imread('example.jpg')
noisy_img = pepper_and_salt(img, 1.0)

blur_mean = cv2.blur(noisy_img, ksize=(5, 5))
blur_median = cv2.medianBlur(noisy_img, ksize=5)

# 显示原始图像、噪声图像和滤波后的图像
fig, axs = plt.subplots(1, 4)
axs[0].imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
axs[0].set_title('Original')
axs[1].imshow(cv2.cvtColor(noisy_img, cv2.COLOR_BGR2RGB))
axs[1].set_title('Noisy')
axs[2].imshow(cv2.cvtColor(blur_mean, cv2.COLOR_BGR2RGB))
axs[2].set_title('Mean Filtered')
axs[3].imshow(cv2.cvtColor(blur_median, cv2.COLOR_BGR2RGB))
axs[3].set_title('Median Filtered')
plt.show()

【数字图像处理】空间滤波
从实验结果可以看出,相比均值滤波,中值滤波能够更有效地去除椒盐噪声。

2.3 高斯低通滤波

通常我们使用的高斯模糊指的是高斯低通滤波,高斯滤波是一种线性平滑滤波方法,常用于图像降噪、模糊和平滑处理。高斯滤波的核心思想是对图像进行加权平均,其中每个像素的权重由高斯分布函数确定。由于高斯分布函数具有平滑性,因此高斯滤波可以在保持图像边缘信息的同时,减小图像的噪声和细节。

高斯滤波的具体操作步骤如下:

  1. 选定高斯核大小,通常取一个奇数的正整数,如 3 × 3 3 \times 3 3×3 5 × 5 5 \times 5 5×5 等,并计算出高斯分布函数。
  2. 对于每个像素点,在其周围的邻域内应用高斯核,并将每个像素点的值与其邻域内像素点的加权平均值进行替换。
  3. 对于边缘上的像素,可以选择对其不做处理或者根据需要进行特殊处理。

高斯滤波的公式可以表示为:
I ′ ( x , y ) = 1 2 π σ 2 ∑ i = − ⌊ k / 2 ⌋ ⌊ k / 2 ⌋ ∑ j = − ⌊ k / 2 ⌋ ⌊ k / 2 ⌋ I ( x + i , y + j ) ⋅ exp ⁡ ( − i 2 + j 2 2 σ 2 ) I'(x,y) = \frac{1}{2\pi\sigma^2}\sum_{i=-\lfloor k/2 \rfloor}^{\lfloor k/2 \rfloor}\sum_{j=-\lfloor k/2 \rfloor}^{\lfloor k/2 \rfloor}I(x+i,y+j) \cdot \exp\left(-\frac{i^2+j^2}{2\sigma^2}\right) I(x,y)=2πσ21i=k/2k/2j=k/2k/2I(x+i,y+j)exp(2σ2i2+j2)其中, I ( x , y ) I(x,y) I(x,y) 表示原始图像中坐标为 ( x , y ) (x,y) (x,y) 的像素点的灰度值, I ′ ( x , y ) I'(x,y) I(x,y) 表示滤波后图像中坐标为 ( x , y ) (x,y) (x,y) 的像素点的灰度值, k k k 表示高斯核的大小, σ \sigma σ 表示高斯核的标准差。

2.4 双边滤波

双边滤波的基本原理是将每个像素周围的像素按照它们的像素值和像素间距离进行加权平均。这里的像素间距离是指像素之间的欧几里得距离或者曼哈顿距离等。在加权平均的过程中,距离较近且像素值相似的像素将被赋予更大的权重,距离远或像素值不相似的像素将被赋予较小的权重。
I filtered ( x , y ) = 1 W p ∑ i = − k k ∑ j = − k k w i j ( x , y ) f ( i + x , j + y ) w i j ( x , y ) = ω i j ( x , y ) ⋅ ϕ i j ( x , y ) ω i j ( x , y ) = exp ( − ( i 2 + j 2 ) 2 σ d 2 ) ϕ i j ( x , y ) = exp ( − ( f ( i + x , j + y ) − f ( x , y ) ) 2 2 σ r 2 ) W p = ∑ i = − k k ∑ j = − k k ω i j ( x , y ) ⋅ ϕ i j ( x , y ) \begin{aligned} I_{\text{filtered}}(x,y) = \frac{1}{W_p}\sum_{i=-k}^{k}\sum_{j=-k}^{k}w_{ij}(x,y)f(i+x,j+y)\\ w_{ij}(x,y) = \omega_{ij}(x,y)\cdot\phi_{ij}(x,y) \\ \omega_{ij}(x,y) = \text{exp}\left(\frac{-(i^2+j^2)}{2\sigma_d^2}\right) \\ \phi_{ij}(x,y) = \text{exp}\left(\frac{-(f(i+x,j+y)-f(x,y))^2}{2\sigma_r^2}\right) \\ W_p = \sum_{i=-k}^{k}\sum_{j=-k}^{k}\omega_{ij}(x,y)\cdot\phi_{ij}(x,y) \end{aligned} Ifiltered(x,y)=Wp1i=kkj=kkwij(x,y)f(i+x,j+y)wij(x,y)=ωij(x,y)ϕij(x,y)ωij(x,y)=exp(2σd2(i2+j2))ϕij(x,y)=exp(2σr2(f(i+x,j+y)f(x,y))2)Wp=i=kkj=kkωij(x,y)ϕij(x,y)
其中, I filtered ( x , y ) I_{\text{filtered}}(x,y) Ifiltered(x,y)是双边滤波后的像素值, f ( i + x , j + y ) f(i+x,j+y) f(i+x,j+y)是在位置 ( i + x , j + y ) (i+x,j+y) (i+x,j+y)处的原始像素值, w i j ( x , y ) w_{ij}(x,y) wij(x,y)是像素 ( i + x , j + y ) (i+x,j+y) (i+x,j+y)对像素 ( x , y ) (x,y) (x,y)的权重, ω i j ( x , y ) \omega_{ij}(x,y) ωij(x,y)是距离权重, ϕ i j ( x , y ) \phi_{ij}(x,y) ϕij(x,y)是像素值相似性权重, W p W_p Wp是归一化因子, k k k是滤波器的半径, σ d \sigma_d σd σ r \sigma_r σr分别是距离和像素值相似性的标准差。

距离权重 ω i j ( x , y ) \omega_{ij}(x,y) ωij(x,y)用于衡量像素 ( i + x , j + y ) (i+x,j+y) (i+x,j+y)与像素 ( x , y ) (x,y) (x,y)之间的距离,距离越近,权重越大。像素值相似性权重 ϕ i j ( x , y ) \phi_{ij}(x,y) ϕij(x,y)用于衡量像素 ( i + x , j + y ) (i+x,j+y) (i+x,j+y)和像素 ( x , y ) (x,y) (x,y)之间的像素值相似性,像素值越相似,权重越大。最后,归一化因子 W p W_p Wp用于将所有像素的权重加起来归一化到 [ 0 , 1 ] [0,1] [0,1]的范围内,确保滤波后的像素值仍然在原始像素值的范围内。

2.5 导向滤波

导向滤波(guided filter)是一种非线性滤波方法,旨在平滑图像并保留其细节。导向滤波是双边滤波的一种扩展,它使用一张辅助图像作为滤波器的导向信息,这张图像应当与待处理的原始图像在一定程度上相关。导向滤波器的输出是输入图像的加权平均值,其中权重由导向图像和滤波器参数决定。

以下是导向滤波的数学公式:

I I I 是待处理的原始图像, p p p 是该图像中的像素点, I p I_p Ip 表示该像素的亮度值。设 p ′ p' p 是导向图像中的像素点, P p ′ P_{p'} Pp 表示该像素的亮度值。那么在导向滤波中,滤波器的输出 q p q_p qp 可以表示为:
q p = 1 ω p ∑ p ′ ∈ N p f ( I p ′ , P p ′ ) I p ′ q_p=\frac{1}{\omega_p}\sum_{p'\in\mathcal{N}_p}f(I_{p'}, P_{p'})I_{p'} qp=ωp1pNpf(Ip,Pp)Ip其中, N p \mathcal{N}_p Np 表示像素点 p p p 周围的邻域, ω p \omega_p ωp 是归一化的权重系数,可以表示为:
ω p = ∑ p ′ ∈ N p f ( I p ′ , P p ′ ) \omega_p=\sum_{p'\in\mathcal{N}_p}f(I_{p'}, P_{p'}) ωp=pNpf(Ip,Pp)函数 f f f 可以使用以下的高斯函数:
f ( I p ′ , P p ′ ) = 1 2 π σ s exp ( − ∥ p − p ′ ∥ 2 2 σ s 2 ) ⋅ 1 2 π σ r exp ( − ∥ I p − I p ′ ∥ 2 2 σ r 2 ) f(I_{p'}, P_{p'})=\frac{1}{\sqrt{2\pi}\sigma_s}\text{exp}\left(-\frac{\lVert p-p'\rVert^2}{2\sigma_s^2}\right)\cdot\frac{1}{\sqrt{2\pi}\sigma_r}\text{exp}\left(-\frac{\lVert I_p-I_{p'}\rVert^2}{2\sigma_r^2}\right) f(Ip,Pp)=2π σs1exp(2σs2pp2)2π σr1exp(2σr2IpIp2)其中, N p \mathcal{N}_p Np 表示像素点 p p p 周围的邻域, σ s \sigma_s σs σ r \sigma_r σr 是两个参数,分别控制空间距离和亮度差异对滤波结果的影响。

可以看出,导向滤波的核心思想是使用辅助图像来调整卷积核的权重,从而在滤波过程中保留图像的结构信息和纹理信息,同时抑制噪声。

辅助图像通常可以是:原始图像、模糊图像、边缘图像、梯度图像或者是以上图像的自适应组合。

3 高通(锐化)滤波

3.1 Laplacian滤波器

拉普拉斯滤波器是一种常用的图像处理滤波器,它可以增强图像中的边缘特征,同时抑制图像中的高频噪声。其数学原理基于拉普拉斯算子,其作用类似于对图像进行二阶微分,从而提取出图像中的高频信息。

具体来说,拉普拉斯滤波器对于图像中的每个像素,会将其周围像素与自身像素的加权和减去自身像素的权重,从而得到该像素的滤波结果。这个权重矩阵通常是一个3x3或5x5的矩阵,例如:
[ 0 1 0 1 − 4 1 0 1 0 ] \begin{bmatrix}0 & 1 & 0 \\ 1 & -4 & 1\\ 0 & 1 & 0\end{bmatrix} 010141010 这是一个3x3的拉普拉斯核,其中中心像素的权重是-4,周围像素的权重为1。这个核可以用于对图像进行边缘检测,因为它会强调图像中的高频分量,即图像中的边缘。

另外,拉普拉斯滤波器还可以通过对原始图像和滤波后的图像求差来实现图像锐化。这是因为拉普拉斯滤波器可以增强图像中的高频分量,从而使图像的细节更加明显。

3.3 Sobel滤波器

Sobel滤波器采用两个3×3的卷积核,一个用于检测水平边缘,另一个用于检测垂直边缘。

卷积核如下所示:
G x = [ − 1 0 1 − 2 0 2 − 1 0 1 ] ,   G y = [ − 1 − 2 − 1 0 0 0 1 2 1 ] G_{x} = \begin{bmatrix} -1 & 0 & 1 \\ -2 & 0 & 2 \\ -1 & 0 & 1 \end{bmatrix},\ G_{y} = \begin{bmatrix} -1 & -2 & -1 \\ 0 & 0 & 0 \\ 1 & 2 & 1 \end{bmatrix} Gx= 121000121 , Gy= 101202101

其中,Gx卷积核用于检测水平边缘,Gy卷积核用于检测垂直边缘。卷积核中的数字表示像素的权重,该权重决定了卷积核与图像的卷积结果。

Sobel算子算法的优点是计算简单,速度快。但是由于只采用了两个方向的模板,只能检测水平和垂直方向的边缘,因此这种算法对于纹理较为复杂的图像,其边缘检测效果就不是很理想。文章来源地址https://www.toymoban.com/news/detail-443704.html

到了这里,关于【数字图像处理】空间滤波的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • <图像处理> 空间滤波基础

    图像滤波是一种常见的图像处理技术,用于平滑图像、去除噪音和边缘检测等任务。图像滤波的基本原理是在进行卷积操作时,通过把每个像素的值替换为该像素及其邻域的设定的函数值来修改图像。 预备知识:可分离滤波核、边缘填充。 1、盒式滤波器(方框滤波器) 盒式

    2024年02月09日
    浏览(39)
  • 图像处理之空间滤波

    1.1 空间滤波简介   滤波器即只让一部分频率的波形通过来达到波形过滤目的的器件。空间域指一张图像像素平面一定范围内的像素域,相对的是时间域,即多帧图像之间的关系,主要在处理视频帧时描述。在图像处理中,滤波分为两种: 频域滤波,将图像转换到频域进行

    2024年02月06日
    浏览(36)
  • 数字图像处理(七)均值滤波

    题目:使用均值滤波器对图像进行滤波。 采用国际标准测试图像Lena。 3*3的均值滤波器定义如下: c++代码: 结果展示: 均值滤波器的特点: 计算均值会将图像中的边缘信息和特征信息模糊掉,丢失很多特征,使得景物的清晰度降低,画面变得模糊。对于高斯噪声,当滤波器

    2024年02月11日
    浏览(90)
  • 算法 | 数字图像处理之「中值滤波」

    中值滤波就是用一个奇数点的移动窗口(要求奇数主要是为了保证整个模板有唯一中心元素),将窗口中心点的值用窗口内各点的中值代替。假设窗口内有5点,其值为80、90、200、110和120,那么此窗口内各点的中值即为110。 设有一个一维序列 (f_1,f_2,...,f_n) ,取窗口长度(点

    2023年04月13日
    浏览(36)
  • 数字图像处理——图像退化(大气湍流模型与运动模糊模型)与图像复原(逆滤波与维纳滤波)

    一般来说,图像的退化模型可以表示为 其中g(x,y) 表示退化后的图像,h(x,y)表示退化模型,f(x,y)表示原图像,n(x,y)表示噪声。 在频域上面可以表示为 下面介绍常见的两种退化模型:基于大气湍流物理特性的大气湍流模型和运动模糊模型。 1.大气湍流模型 退化模型: 伴随着

    2024年02月05日
    浏览(42)
  • 数字图像处理---低高通滤波实验(MATLAB实现)

    1. 了解图像傅里叶变换的意义和手段; 2. 熟悉理想低通滤波器、巴特沃斯低通滤波器、高斯低通滤波器的基本原理和性质; 3. 熟悉理想高通滤波器、巴特沃斯高通滤波器、高斯高通滤波器的基本原理和性质; 4. 掌握MATLAB编程实现数字图像的低高通滤波器的变换,并分析各参

    2024年02月05日
    浏览(40)
  • 【数字图像处理】四种常用的滤波器

    空域滤波是在待处理图像f(x,y)上逐点移动模板,在每一点(x,y)的滤波响应通过事先定义的关系来计算。该响应就是空间滤波的输出。 模糊处理,来去除图像中的一些不重要的细节; 消除图像中的高频分量,同时不影响低频分量;高频分量对应途中的边缘等灰度值具有较大变化

    2024年02月07日
    浏览(45)
  • (数字图像处理MATLAB+Python)第七章图像锐化-第三节:高斯滤波与边缘检测

    高斯函数 :是一种常见的连续函数,通常用符号 G ( x ) G(x) G ( x ) 表示。它可以用下面的公式定义 G ( x ) = 1 σ 2 π e − x 2 2 σ 2 G(x)=frac{1}{sigma sqrt{ 2pi }}e^{-frac{x^{2}}{2sigma^{2}}} G ( x ) = σ 2 π ​ 1 ​ e − 2 σ 2 x 2 ​ 其中, x x x 是自变量, σ sigma σ 是一个正实数,表示高斯函

    2024年02月06日
    浏览(56)
  • 【遥感数字图像处理(朱文泉)】第三章 空间域处理方法

     一、空间域与变换域  二、常见数字图像空间域处理方法   - 空间域处理方法是根据图像像元数据的空间表示f(x, y)进行处理;   - 变换域处理方法是对图像像元数据的空间表示f(x, y)先进行某种变换,然后针对变换数据进行处理,最后再把处理的结果反变换到空间域。 注

    2024年01月21日
    浏览(57)
  • 【Python数字图像处理】基于LAB空间的图像去阴影方法

    整体架构流程 (1)阴影区域检测 ①LAB颜色空间 ②阴影检测 ③代码  (2)阴影去除 ①在LAB空间上对单独目标区域去除阴影 ②处理每个阴影区域 ③代码 (3)阴影边缘校正 ①中值滤波器的实现 ②调用中值滤波器 ③代码 效果展示 ①环境图片 ②文档上的阴影 全部代码 基于CNN的进阶方

    2024年02月20日
    浏览(43)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包