计算机视觉与深度学习-卷积神经网络-卷积&图像去噪&边缘提取-图像去噪 [北邮鲁鹏]

这篇具有很好参考价值的文章主要介绍了计算机视觉与深度学习-卷积神经网络-卷积&图像去噪&边缘提取-图像去噪 [北邮鲁鹏]。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。

参考学习链接

计算机视觉与深度学习-04-图像去噪&卷积-北邮鲁鹏老师课程笔记

图像噪声

噪声点,其实在视觉上看上去让人感觉很难受,直观理解就是它跟周围的像素点差异比较大,显得比较突兀,视觉看起来很不舒服,这就是噪声点。
神经网络图像降噪,# 计算机视觉,深度学习,cnn,计算机视觉

噪声分类

椒盐噪声

黑丝像素和白色像素随机出现

神经网络图像降噪,# 计算机视觉,深度学习,cnn,计算机视觉

脉冲噪声

白色像素随机出现

神经网络图像降噪,# 计算机视觉,深度学习,cnn,计算机视觉

对椒盐噪声&脉冲噪声去噪

使用高斯卷积核

神经网络图像降噪,# 计算机视觉,深度学习,cnn,计算机视觉
高斯卷积核(低通滤波器)并不能去除椒盐噪声和脉冲噪声。

中值滤波器

中值滤波器是非线性操作。

刚开始的卷积核没有权重
神经网络图像降噪,# 计算机视觉,深度学习,cnn,计算机视觉

当图像处理时,将3 * 3的卷积核套在图像的9个像素上,取这9个图像向上的像素值,排序求出其中值,并用该中值替换当前中心点像素值
神经网络图像降噪,# 计算机视觉,深度学习,cnn,计算机视觉
中值滤波对图像处理后
神经网络图像降噪,# 计算机视觉,深度学习,cnn,计算机视觉
中值滤波 vs 均值滤波

  • 中值滤波:卷积结果的像素值是图像原本就有这个像素值。
  • 均值滤波:卷积结果的像素值是加权平均计算出的,可能原本并没有这个像素值。(高斯滤波)

高斯噪声

噪声强度变化服从高斯分布(正态分布)

神经网络图像降噪,# 计算机视觉,深度学习,cnn,计算机视觉
高斯噪声数学模型是一个独立的加和模型 f ^ ( x , y ) = f ( x , y ) + μ ( x , y ) \hat{f}(x,y) = f(x,y)+ μ(x,y) f^(x,y)=f(x,y)+μ(x,y),一般认为 η ( x , y ) ∼ N ( μ , σ ) η ( x , y ) ∼ N ( μ , σ ) η(x,y)N(μ,σ),通常μ = 0 , σ很小。
神经网络图像降噪,# 计算机视觉,深度学习,cnn,计算机视觉

即认为 图像是由真实图像 + 高斯噪声组成的,高斯噪声的产生一个是由于采集器附加的噪声,另一个是由于光学问题带来的噪声。将两者合起来就是最终看到的带有噪声的图像。

因此对于高斯噪声就有了这样的假设:首先噪声的产生是相互独立的,而且服从均值为0的正态分布。

减少高斯噪声

神经网络图像降噪,# 计算机视觉,深度学习,cnn,计算机视觉
噪声的方差越大,高斯卷积核的方差或尺寸就要越大。

虽然高斯卷积核可以去除高斯噪声,但是更模糊(最下图比最上图模糊),坏的噪声去掉了,好的像素也受到了影响。文章来源地址https://www.toymoban.com/news/detail-732098.html

到了这里,关于计算机视觉与深度学习-卷积神经网络-卷积&图像去噪&边缘提取-图像去噪 [北邮鲁鹏]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

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