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。
噪声分类
椒盐噪声
黑丝像素和白色像素随机出现
脉冲噪声
白色像素随机出现
对椒盐噪声&脉冲噪声去噪
使用高斯卷积核
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
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。
中值滤波对图像处理后
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)
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。
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
噪声的方差越大,高斯卷积核的方差或尺寸就要越大。文章来源:https://www.toymoban.com/news/detail-732098.html
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!