滤波器可以说是信号处理中最重要的研究对象,滤波器可以将原始信号的有用信息通过各种组合来凸显出来,因此很多时候也将它们称为Neighborhood operators,基本上所有涉及到特征的应用场合都要考虑滤波器,即使是发展到看起来很高大上的深度学习等,各种滤波器如果设计的好的话,能够极大地提高整个算法的准确度和效率。
除了一些简单的滤波器外,今天主要介绍两种滤波器。
1.线性滤波器
在图像处理中,对邻域中的像素的计算为线性运算时,如利用窗口函数进行平滑加权求和的运算,或者某种卷积运算,都可以称为线性滤波。常见的线性滤波有:均值滤波、高斯滤波、盒子滤波、拉普拉斯滤波等等,通常线性滤波器之间只是模版系数不同。
1.1 均值滤波
均值滤波一般是用下面的系数模版与图像做卷积运算,公式表示为:
g(x,y)=1/n∑I∈NeighbourI(x,y)
n跟系数模版大小有关,一般3*3的模版,n取为9,如:
⎡⎣⎢111111111⎤⎦⎥
1.2 高斯滤波
高斯滤波一般针对的是高斯噪声,能够很好的抑制图像输入时随机引入的噪声,将像素点跟邻域像素看作是一种高斯分布的关系,它的操作是将图像和一个高斯核进行卷积操作:
Iσ=I∗Gσ
其中,Gσ是标准差为σ的二维高斯核,定义为:
Gσ=12πσe−(