空间滤波

3.1 背景知识 3.1.1 灰度变换和空间滤波基础 本节讨论的所有图像处理技术都是在空间域进行的。空间与包含图像像素的简单平面。与频率域相反，空间域技术是直接操作图像像素的简单平面。 本章讨论的空间域处理可有下式表示： g ( x , y ) = T ⋅ [ f ( x , y ) ] g(x,y)=T\cdot [f(x,y)] g ( x , y ) = T ⋅ [ f ( x , y ) ] 式中， f ( x , y ) f(x,y) f ( x , y ) 是输入图像， g ( x , y ) g(x,y) g ( x , y ) 是输出图像， T T T 是在点的邻域上定义的关于f的一种算子。算子可应用于单幅图像或图像集合。 邻域与预定义的操作一起称为空间滤波器(也称为空间掩模、核、模板、窗口)。在邻域中执行的操作据欸的那个了滤波处理的特性。 最小邻域为 1 × 1 1\times 1 1 × 1 。在这种情况下， g g g 仅取决于点(x,y)处的 f f f 值，而式(3.1-1)中的 T T T 则成为一个形如下式的灰度(也称为灰度级或映射)变换函数： s = T ( r ) s=T(r) s = T ( r ) 式中，令 s s s 和 t t t 分别表示 g g g 和 f f f 在任意点 ( x , y ) (x,y) ( x , y ) 处的灰度。

learning to see.pdf @lutingting 2016-11-04 16:15 字数 10899 阅读 4087 SIFT特征提取及匹配 数字图像处理 图像特征提取 SIFT特征提取及匹配 1.SIFT（Scale-invariant feature transform）算子的核心思想 2.什么是尺度空间呢？ 2.1 一篇百度文库的文章关于尺度空间的分析 例子1 例子2 现实生活中的例子 2.2 SIFT中的尺度空间的概念 3.SIFT特征提取 3.1 尺度空间极值检测 3.1.1 尺度空间的建立（高斯金字塔的建立） 3.1.2 图像差分高斯金字塔（DoG）的建立 3.1.3 尺度空间中特征点的检测（DoG中极值点的检测） 3.2 关键点位置及尺度确定 3.3 关键点方向确定 3.4 特征向量生成 4.SIFT特征的匹配 5.下面是一些参考程序 5.1 5.2 1.SIFT（Scale-invariant feature transform）算子的核心思想 利用不同尺度的高斯核函数对图像进行平滑，即构造图像的尺度空间 比较不同尺度平滑后的图像差别，在某局部范围内，差别最大或者差别最小的像素点就是特征明显的点 由于SIFT特征的检测方式，使得它具有： 尺度不变性：在尺度空间内进行的特征点检测 2.什么是尺度空间呢？ 2.1 一篇百度文库的文章关于尺度空间的分析

一、目的 实现算术均值滤波器、几何均值滤波器、中值滤波器、修正的阿尔法均值滤波器、自适应中值滤波器，并比较不同滤波器的降噪结果。 二、代码 代码的思路如下： （1）先对原始的电路图先后进行加高斯噪声和椒盐噪声；之后设置滤波器的模板大小为5*5，分别对被噪声污染的图像进行算术均值、几何均值、中值、修正的阿尔法滤波，并输出图像，方便结果比较。 （2）为了比较中值滤波器和自适应中值滤波器的滤波结果，先对原始电路图添加椒盐噪声；接着对噪声图像进行模板大小为5*5的中值滤波；最后对噪声图像进行最大模板为5*5的自适应中值滤波，分别输出滤波后的图像，比较结果。 代码具体实现如下： %******************************************************% %目的：比较几种不同均值滤波器和自适应中值滤波器的去噪声效果 %日期：2018.5.18 %******************************************************% %读入图像 img = imread('img.tif'); figure; subplot(1,3,1); imshow(img); title('原始图像'); %分别添加加入高斯噪声和椒盐噪声 f1 = imnoise(img,'gaussian'); subplot(1,3,2) imshow

本文链接：https://blog.csdn.net/LYduring/article/details/80443573 一、目的 实现算术均值滤波器、几何均值滤波器、中值滤波器、修正的阿尔法均值滤波器、自适应中值滤波器，并比较不同滤波器的降噪结果。 二、代码 代码的思路如下： （1）先对原始的电路图先后进行加高斯噪声和椒盐噪声；之后设置滤波器的模板大小为5*5，分别对被噪声污染的图像进行算术均值、几何均值、中值、修正的阿尔法滤波，并输出图像，方便结果比较。 （2）为了比较中值滤波器和自适应中值滤波器的滤波结果，先对原始电路图添加椒盐噪声；接着对噪声图像进行模板大小为5*5的中值滤波；最后对噪声图像进行最大模板为5*5的自适应中值滤波，分别输出滤波后的图像，比较结果。 代码具体实现如下： %******************************************************% %目的：比较几种不同均值滤波器和自适应中值滤波器的去噪声效果 %日期：2018.5.18 %******************************************************% %读入图像 img = imread('img.tif'); figure; subplot(1,3,1); imshow(img); title('原始图像');

\documentclass[12pt]{article}%{ctexart} \usepackage{ctex} \usepackage{amsmath} \usepackage{amssymb} \usepackage{amsfonts} \usepackage{changepage} \usepackage{graphicx} \usepackage{url} %\usepackage{setspace} \title{一周进展报告} \author{杨拓} \date{\today} \setlength{\parskip}{0.5\baselineskip} \begin{document} \maketitle %生成文档目录 \tableofcontents %构建各章节的一级小结 \pagebreak \section{SIFT} \subsection{SIFT简介\cite{2}} \textbf{尺度不变特征转换(Scale-invariant feature transform或SIFT)}，由David Lowe于1999年首次提出，作用是将一幅图像映射为一个局部特征向量集；特征向量具有平移、缩放、旋转不变性，同时对光照变化、仿射及投影变换也有一定的不变性。 \begin{adjustwidth}{1cm}{1cm} SIFT算法的特点有：~\\ 1

\section{SIFT} \subsection{SIFT简介\cite{2}} \textbf{尺度不变特征转换(Scale-invariant feature transform或SIFT)}，由David Lowe于1999年首次提出，作用是将一幅图像映射为一个局部特征向量集；特征向量具有平移、缩放、旋转不变性，同时对光照变化、仿射及投影变换也有一定的不变性。 \begin{adjustwidth}{1cm}{1cm} SIFT算法的特点有：~\\ 1.SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性；\\ 2.独特性（Distinctiveness）好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配；\\ 3.多量性，即使少数的几个物体也可以产生大量的特征向量；\\ 4.高速性，经优化的匹配算法甚至可以达到实时的要求；\\ 5.可扩展性，可以很方便的与其他形式的特征向量进行联合。 \end{adjustwidth} \begin{adjustwidth}{1cm}{1cm} SIFT算法的基本步骤为：~\\ 1.高斯差分（DoG）滤波；\\ 2.尺度空间的极值检测和关键点位置确定；\\ 3.关键点方向确定；\\ 4.构建关键点特征描述符； \end{adjustwidth}

%%%%%%------------------图像复原之空间滤波--------------------------------- clc; clear; %读入图像，并转换为double型 I=imread('D:\Gray Files\5-13.tif'); I_D=im2double(I); [MM,NN]=size(I_D); %%%%%----------------------2、顺序统计滤波器------------------------------- %%======================= 2.1 中值滤波器============================= %定义子窗口的尺寸 m=3; n=3; %确定要扩展的行列数 len_m=floor(m/2); len_n=floor(n/2); %将原始图像进行扩展，这里采用了镜像扩展，以进行图像边缘计算 I_D_pad=padarray(I_D,[len_m,len_n],'symmetric'); %获得扩展后的图像尺寸 [M,N]=size(I_D_pad); J_Median=zeros(MM,NN); %逐点计算子窗口的谐波平均 for i=1+len_m:M-len_m for j=1+len_n:N-len_n %从扩展图像中取出子图像 Block=I_D_pad(i-len_m:i

%%%%%%------------------图像复原之空间滤波--------------------------------- clc; clear; %读入图像，并转换为double型 I=imread('D:\Gray Files\5-13.tif'); I_D=im2double(I); [MM,NN]=size(I_D); %%%%%----------------------1、均值滤波器----------------------------------- %%===================== 1.2 几何均值滤波器================================= %定义子窗口的尺寸 m=7; n=7; %确定要扩展的行列数 len_m=floor(m/2); len_n=floor(n/2); %将原始图像进行扩展，这里采用了镜像扩展，以进行图像边缘计算 I_D_pad=padarray(I_D,[len_m,len_n],'symmetric'); %获得扩展后的图像尺寸 [M,N]=size(I_D_pad); J_Geometric=zeros(MM,NN); %逐点计算子窗口的几何平均 for i=1+len_m:M-len_m for j=1+len_n:N-len_n %从扩展图像中取出子图像 Block=I_D_pad

%%%%%%------------------图像复原之空间滤波--------------------------------- clc; clear; %读入图像，并转换为double型 I=imread('D:\Gray Files\5-13.tif'); I_D=im2double(I); [MM,NN]=size(I_D); %%%%%----------------------1、均值滤波器----------------------------------- %%======================= 1.3 谐波均值滤波器=============================== %定义子窗口的尺寸 m=5; n=5; %确定要扩展的行列数 len_m=floor(m/2); len_n=floor(n/2); %将原始图像进行扩展，这里采用了镜像扩展，以进行图像边缘计算 I_D_pad=padarray(I_D,[len_m,len_n],'symmetric'); %获得扩展后的图像尺寸 [M,N]=size(I_D_pad); J_Harmonic=zeros(MM,NN); %逐点计算子窗口的谐波平均 for i=1+len_m:M-len_m for j=1+len_n:N-len_n %从扩展图像中取出子图像 Block=I_D_pad(i

%%%%%%------------------图像复原之空间滤波--------------------------------- clc; clear; %读入图像，并转换为double型 I=imread('D:\Gray Files\5-13.tif'); I_D=im2double(I); [MM,NN]=size(I_D); %%%%%----------------------1、均值滤波器----------------------------------- %%======================= 1.4 逆谐波均值滤波器============================= %定义子窗口的尺寸 m=3; n=3; %确定要扩展的行列数 len_m=floor(m/2); len_n=floor(n/2); %将原始图像进行扩展，这里采用了镜像扩展，以进行图像边缘计算 I_D_pad=padarray(I_D,[len_m,len_n],'symmetric'); %获得扩展后的图像尺寸 [M,N]=size(I_D_pad); %滤波器阶数 Q=1.5; J_Contraharmonic=zeros(MM,NN); %逐点计算子窗口的谐波平均 for i=1+len_m:M-len_m for j=1+len_n:N-len_n