中值滤波

1.噪声 1.1噪声分类 噪声是图像干扰的重要原因。一幅图像在实际应用中可能存在各种各样的噪声,这些噪声可能在传输中产生，也可能在量化等处理中产生。 根据噪声和信号的关系可将其分为三种形式:(f(x,y)表示给定原始图像,g(x,y)表示图像信号,n(x,y)表示噪声。) 1)加性噪声,此类噪声与输入图像信号无关，含噪图像可表示为f(x,y)=g(x,y)+ n(x,y),信道噪声及光导摄像管的摄像机扫描图像时产生的噪声就属这类噪声。 2)乘性噪声,此类噪声 与图像信号有关,含噪图像可表示为f(x,y)=g(x,y)+ n(x,y)g(x,y),飞点扫描器扛描图像时的噪声,电视图像中的相干噪声,胶片中的颗粒噪声就属于此类噪声。 3)量化噪声,此类噪声 与输入图像信号无关,是量化过程存在量化误差,再反映到接收端而产生。 1.2椒盐噪声 椒盐噪声是由图像传感器,传输信道,解码处理等产生的黑白相间的亮暗点噪声。椒盐噪声往往由图像切割弓|起。去除脉冲干扰及椒盐噪声最常用的算法是中值滤波。 路面图像属于结构光图像,使用区域分割技术中的阈值分割法消除白噪声及部分椒盐噪声,而不能使用中值滤波对白噪声及椒盐噪声进行滤波,因为滤波模板在图像中漫游时会改变光条中像素的真实灰度分布,给随后的重心法细化过程带来负面影响。 大量的实验研究发现,由摄像机拍摄得到的图像受离散的脉冲

1 、图像滤波理论 1.1 图像滤波理论 图像滤波即在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，是图像预处理中不可缺少的操作。消除图像中的噪声又叫做图像滤波或平滑，滤波的目的有两个，一是突出特征以方便处理，二是抑制噪声。 空间域滤波就是在图像平面上对像素进行操作。空间域滤波大体分为两类：平滑、锐化。 平滑滤波：模糊处理，用于减小噪声，实际上是低通滤波，典型的滤波器是高斯滤波。 锐化滤波：提取边缘突出边缘及细节、弥补平滑滤波造成的边缘模糊。实际上是高通滤波。 空间域处理可由下式表示： g(x,y)=T[f(x,y)] 式中，f(x,y)是输入图像，g(x,y)是处理后的图像，T是在点(x,y)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。 1.2 邻域滤波算子 1）空间滤波器由一个邻域（通常是一个较小的矩形）和对该邻域所包围图像像素执行的预定义操作组成。对预定义的点（x，y）为中心的领域内的像素进行计算。 2）滤波产生一个新像素，用计算后的新像素值代替点（x，y）的值。 3）循环步骤1和2，滤波器的中心遍历图像中的每个像素后，就生成了滤波后的图像。 4）如果在图像像素上执行的是线性操作，则该滤波器称为线性空间滤波器，否则，称为非线性空间滤波器。 一般来说，使用大小为 m×n的滤波器对大小为 M×N的图像进行线性空间滤波，可由下式表示： 2 、OpenCV

1 、为什么进行图像增强 图像增强是指增强图像中某些特征，同时削弱或去除某些不需要的信息，即为了某种应用而去改善图像的质量，消除噪声，显现那些被模糊了的细节或简单的突出一副图像中感兴趣的特征。所以图像增强并不是增强图像的原始信息，而是只针对某一特征以提高某种信息的辨别能力，图像增强需要根据需求采用特定的方法，当增强一些信息时另外一些信息必定被损失，不存在一种通用的方法，必须根据需求决定保留哪些信息丢弃哪些信息。 图像增强技术基本上可以分为两类：空间域增强、频域增强。 2 、空间域滤波理论 2.1定义 空间域滤波就是在图像平面上对像素进行操作。 空间域滤波大体分为两类：平滑、锐化。 平滑滤波：模糊处理，用于减小噪声，实际上是低通滤波，典型的滤波器是高斯滤波。 锐化滤波：提取边缘突出边缘及细节、弥补平滑滤波造成的边缘模糊。实际上是高通滤波。 空间域处理可由下式表示： g(x,y)=T[f(x,y)] 式中，f(x,y)是输入图像，g(x,y)是处理后的图像，T是在点(x,y)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。 2.2空间域滤波和邻域处理 1）空间滤波器由一个邻域（通常是一个较小的矩形）和对该邻域所包围图像像素执行的预定义操作组成。对预定义的点（x，y）为中心的领域内的像素进行计算。 2）滤波产生一个新像素，新像素的坐标等于邻域中心的坐标（x，y）

文章目录 1.噪声与imnoise函数 2.平滑滤波器 3.中值滤波器 4.自适应滤波器 5.锐化滤波器 使用空域模板进行的图像处理，称为图像的空域滤波增强，模板本身称为空域滤波器。空域滤波增强的机理就是在待处理的图像中逐点的移动模板，滤波器在该点的响应通过事先定义的滤波器系数和滤波模板扫过区域的相应像素值的关系来计算。 空域滤波器可以分为平滑滤波器、中值滤波器、自适应除噪滤波器和锐化滤波器。 1.噪声与imnoise函数 图像噪声按照其干扰源可以分为内部噪声和外部噪声。外部噪声，既指系统外部干扰以电磁波或经电源串进系统内部而引起的噪声，如电气设备、天体放电现象等引起的噪声。内部噪声，一般可分为以下4种： （1）由光和电的基本性质所引起的噪声 （2）电器的机械运动产生的噪声 （3）器件材料本身引起的噪声 （4）系统内部设备电路所引起的噪声 按噪声与信号的关系分类，可以将噪声分为加性噪声和乘性噪声两大类。设f（x，y）为信号，n（x，y）为噪声，噪声影响信号后的输出为g（x，y）。表示加性噪声的公式如下： 加性噪声和图像信号强度是不相关的，如运算放大器。图像在传输过程中引进的“信道噪声”，电视摄像机扫描图像的噪声，这类带有噪声的图像g（x，y）可看成理想无噪声图像f（x，y）与噪声n（x，y）之和。形成的波形是噪声和信号的叠加，其特点是n（x，y）和信号无关。如一般的电子线性放大器

自适应中值滤波器 传统中值滤波器处理低概率椒盐噪声退化的图像效果令人满意 但是对于 P = 0.2 的脉冲噪声退化过的图片的处理效果就很令人失望，会丢失很多细节，由此，自适应中值滤波器诞生，与传统不同的是，自适应中值滤波器尝试保留细节。 冈萨雷斯中给出的过程是： 进程A： A1 = Z_med -Z_min A2 = Z_med -Z_max if（A1 > 0 && A2 < 0 ） goto B else if ( S < S_max) goto A else return Z_med 进程B： B1 = Z_xy -Z_min B2 = Z_xy -Z_max if（B1 > 0 && B2 < 0 ） return Z_xy else return Z_med 过程的主要思想就是 如果当前像素点灰度值不是脉冲，则保留，当滤波器扩大到指定最大之后则选取中值为结果，可能该处是边缘。 突发奇想 既然要尽可能多的保留图像原本细节 为什么不把B过程和A过程交换一下逻辑 经过试验结果是差不多的0。0 实验图片 #include < opencv2

一 中值滤波概念 中值滤波算法以某像素的领域图像区域中的像素值的排序为基础，将像素领域内灰度的中值代替该像素的值[1]； 如：以3*3的领域为例求中值滤波中像素5的值 图1 1）int pixel[9]中存储像素1，像素2...像素9的值； 2）对数组pixel[9]进行排序操作； 3）像素5的值即为数组pixel[9]的中值pixel[4]。 中值滤波对处理椒盐噪声非常有效。 二 中值滤波代码实现 项目工程： https://github.com/ranjiewwen/Everyday_Practice/tree/master/MedianFilter/MedianFilter/MedianFilter //中值滤波：本算法采用3*3的领域范围 void MyImage::MedianFilterOper() { //0. 准备：获取图片的宽，高和像素信息， int const num = 3 * 3; unsigned char pixel[num] = { 0 }; //保存领域的像素值 int width = m_bmpInfo.biWidth; int height = m_bmpInfo.biHeight; int widthbyte = (width * m_bmpInfo.biBitCount / 8 + 3) / 4 * 4; //保证为4的倍数 //相对于中心点

中值滤波 　　 中值滤波法 是一种非线性平滑技术，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值. 　　实现方法： 　　1：通过从图像中的某个采样窗口取出奇数个数据进行排序 　　2：用排序后的中值取代要处理的数据即可 　　中值滤波法对消除椒盐噪音非常有效，在光学测量条纹图象的相位分析处理方法中有特殊作用，但在条纹中心分析方法中作用不大. 　　中值滤波在 图像处理 中,常用于用来保护边缘信息,是经典的平滑噪声的方法 　　中值滤波原理 　　中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是 把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。方法是去某种结构的二维滑动模 板，将板内像素按照像素值的大小进行排序，生成单调上升（或下降）的为二维数据序列。二维中值滤波输出为g（x,y）=med{f(x-k,y-l), (k,l∈W)} ，其中,f(x,y)，g(x,y)分别为原始图像和处理后图像。W为二维模板，通常为2*2，3*3区域，也可以是不同的的形状，如线状，圆形，十字 形，圆环形等。 来源： https://www.cnblogs.com/cplusplus/archive/2012/05/11/2495449.html

中值平滑 原理详解   中值平滑，类似于卷积，也是一种邻域运算，但计算的不是加权求和，而是对邻域中的像素点按灰度值进行排序，然后选择该组中的中值作为输出的灰度值。   比如，取以图像的位置 （1，1）为中心的 3X3 的邻域，对邻域中的像素点灰度值按从大到小进行排序， [ 11 , 21 , 31 , 125 , 141 , 165 , 190 , 234 , 234 ] [11,21,31,125,141,165,190,234,234] [ 1 1 , 2 1 , 3 1 , 1 2 5 , 1 4 1 , 1 6 5 , 1 9 0 , 2 3 4 , 2 3 4 ] 可知，141是该组灰度值的中值，那么输出图像在位置（1，1）的值便为141，以此类推，得到输出图像的所有像素点的灰度值。对边界的处理可采用多种策略，而对边界进行镜像补充是较为理想的一种选择。   中值滤波最重要的能力是去除椒盐噪声。椒盐噪声是指在图像传输系统中由于解码误差等原因，导致图像中出现孤立的白点或者黑点。 Python实现   对于python实现的中值平滑，首先利用命令 n d a r r a y [ r 1 : r 2 + 1 , c 1 : c 2 + 1 ] \mathrm{ndarray}[r_1:r_2 + 1, c_1:c_2+1] n d a r r a y [ r 1 ​ : r 2

1 前备知识　　 中值滤波本质上是统计排序滤波器的一种，中值滤波对图像特定噪声类型（椒盐噪声）会取得比较好的去噪效果，也是常见的图像去噪声与增强的方法之一，相对的还有最小值滤波，最大值滤波。中值滤波也是窗口在图像上移动，其覆盖的对应ROI区域下，所有像素值排序，取中值作为中心像素点的输出值，与均值滤波相对比，该滤波方法不用做卷积(点乘相加)。具体操作方法如下图： 2 所用到的主要OpenCv API /** @brief Blurs an image using the median filter. The function smoothes an image using the median filter with the \f$\texttt{ksize} \times \texttt{ksize}\f$ aperture. Each channel of a multi-channel image is processed independently. In-place operation is supported. @note The median filter uses #BORDER_REPLICATE internally to cope with border pixels, see #BorderTypes @param src input 1-, 3-, or

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