【图像降噪】几种边缘保持的图像降噪方法

最新推荐文章于 2024-08-27 21:46:53 发布
最新推荐文章于 2024-08-27 21:46:53 发布
阅读量2.1k 收藏 29
点赞数 15
文章标签： 计算机视觉 图像处理 matlab 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/G_redsky/article/details/136357693
版权

边缘保持的图像平滑方法旨在去除噪声或细节而不损害图像的结构边缘。以下是一些常用的边缘保持平滑技术：

  1. 双边滤波（Bilateral Filter）：结合空间邻近度和像素值相似度的加权平均，能够在平滑图像的同时保持边缘信息。

  2. 引导滤波（Guided Filter）：使用一幅引导图像来指导平滑过程，使得输出图像在保持边缘方面更为精确。

  3. 小波变换去噪（Wavelet Denoising）：利用小波变换分解图像，然后对小波系数进行阈值处理以去除噪声，最后进行重建。

  4. 非局部均值去噪（Non-Local Means Denoising）：考虑图像中所有像素之间的相似性，通过加权平均来自图像其他区域的像素来减少噪声。

  5. 总变分去噪（Total Variation Denoising）：通过最小化能量函数来达到去噪的目的，能量函数包含数据项和正则项，后者促进图像的平滑性。

  6. 锐化滤波器（Sharpening Filters）：例如拉普拉斯滤波器、高通滤波器等，它们可以增强图像的高频部分，即边缘和细节。

  7. 边缘检测滤波器（Edge Detection Filters）：如索贝尔滤波器（Sobel）、坎尼滤波器（Canny），它们主要用于识别图像中的边缘。

  8. 频域滤波（Frequency Domain Filtering）：通过对图像的傅立叶变换进行低通滤波来去除高频噪声，同时保持低频的边缘信息。

每种方法都有其优缺点，适用于不同类型的图像和噪声情况。在实际应用中，可能需要结合多种技术来达到最佳的去噪和边缘保持效果

 

以下是一些常用边缘保持滤波算法的简单代码实现示例，采用Python语言和OpenCV库。请确保您已经安装了这些库才能运行这些代码。

  1. 双边滤波（Bilateral Filter）:

import cv2
import numpy as np

def bilateral_filter(image, d=9, sigmaColor=75, sigmaSpace=75):
    return cv2.bilateralFilter(image, d, sigmaColor, sigmaSpace)

# 读取图像
image = cv2.imread('image.jpg')
# 应用双边滤波
smoothed_image = bilateral_filter(image)
# 显示结果
cv2.imshow('Bilateral Filtered Image', smoothed_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

  1. 引导滤波（Guided Filter）:

import cv2
import numpy as np

def guided_filter(input_image, guidance_image, r, eps=1e-3):
    rows, cols = input_image.shape
    height, width = guidance_image.shape
    if rows != height or cols != width:
        raise ValueError("The size of input image and guidance image must be the same.")

    # 计算均值
    mean_input = np.mean(input_image, axis=(0, 1))
    mean_guidance = np.mean(guidance_image, axis=(0, 1))
    mean_product = np.mean(input_image * guidance_image, axis=(0, 1))

    # 计算协方差
    cov_input_guidance = mean_product - mean_input * mean_guidance

    # 计算方差
    var_input = mean_input**2 + eps

    # 计算权重
    kernel = cv2.getGaussianKernel(r, sigmaSpace)
    kernel = kernel*kernel.T
    A = cv2.filter2D(cov_input_guidance/var_input, -1, kernel)
    mean_A = np.mean(A, axis=(0, 1))

    # 局 以下是一些常用边缘保持滤波算法的简单代码实现示例，采用Python语言和OpenCV库。请确保您已经安装了这些库才能运行这些代码。

1. 双边滤波（Bilateral Filter）:

```python
import cv2
import numpy as np

def bilateral_filter(image, d=9, sigmaColor=75, sigmaSpace=75):
    return cv2.bilateralFilter(image, d, sigmaColor, sigmaSpace)

# 读取图像
image = cv2.imread('image.jpg')
# 应用双边滤波
smoothed_image = bilateral_filter(image)
# 显示结果
cv2.imshow('Bilateral Filtered Image', smoothed_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

  1. 引导滤波（Guided Filter）:

import cv2
import numpy as np

def guided_filter(input_image, guidance_image, r, eps=1e-3):
    rows, cols = input_image.shape
    height, width = guidance_image.shape
    if rows != height or cols != width:
        raise ValueError("The size of input image and guidance image must be the same.")

    # 计算均值
    mean_input = np.mean(input_image, axis=(0, 1))
    mean_guidance = np.mean(guidance_image, axis=(0, 1))
    mean_product = np.mean(input_image * guidance_image, axis=(0, 1))

    # 计算协方差
    cov_input_guidance = mean_product - mean_input * mean_guidance

    # 计算方差
    var_input = mean_input**2 + eps

    # 计算权重
    kernel = cv2.getGaussianKernel(r, sigmaSpace)
    kernel = kernel*kernel.T
    A = cv2.filter2D(cov_input_guidance/var_input, -1, kernel)
    mean_A = np.mean(A, axis=(0, 1))

    # 局部参数a和b
    a = cov_input_guidance / (var_input + eps) / mean_A
    b = mean_guidance - a * mean_input

    # 计算输出图像
    q = np.zeros_like(input_image)
    for y in range(rows):
        for x in range(cols):
            q[y, x] = np.sum(A[y, x] * (a[y, x] * input_image[y, x] + b[y, x]))

    return q

# 读取图像
input_image = cv2.imread('image.jpg')
guidance_image = cv2.imread('guidance.jpg')
# 应用引导滤波
smoothed_image = guided_filter(input_image, guidance_image, 7)
# 显示结果
cv2.imshow('Guided Filtered Image', smoothed_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

  1. 非局部均值去噪（Non-Local Means Denoising）:

import cv2
import numpy as np

def non_local_means_denoising(image, h=15):
    denoised_image = cv2.fastNlMeansDenoisingColored(image, None, h, h, h, 31)
    return denoised_image

# 读取图像
image = cv2.imread('image.jpg')
# 应用非局部均值去噪
denoised_image = non_local_means_denoising(image)
# 显示结果
cv2.imshow('Non-Local Means Denoised Image', denoised_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

这些代码片段提供了如何在Python中使用OpenCV库应用不同的边缘保持滤波算法的示例。您可以将'image.jpg'替换为您自己的图像文件名，并根据需要调整参数。

。

在MATLAB中实现上述方法，您可以使用内置函数来简化代码。以下是MATLAB中实现双边滤波、引导滤波和非局部均值去噪的示例：

  1. 双边滤波（Bilateral Filter）:

% 读取图像
I = imread('image.jpg');
% 应用双边滤波
J = imbilatfilt(I);
% 显示结果
figure;
imshowpair(I, J, 'montage');
title('Bilateral Filtered Image');

  1. 引导滤波（Guided Filter）:

% 读取图像
I = imread('image.jpg');
guidanceImage = imread('guidance.jpg'); % 假设guidance.jpg是引导图像
% 应用引导滤波
J = imguidedfilter(I, guidanceImage, 7);
% 显示结果
figure;
imshowpair(I, J, 'montage');
title('Guided Filtered Image');

  1. 非局部均值去噪（Non-Local Means Denoising）:

% 读取图像
I = imread('image.jpg');
% 应用非局部均值去噪
J = imnlmeadenoise(I, 15, 7, 21);
% 显示结果
figure;
imshowpair(I, J, 'montage');
title('Non-Local Means Denoised Image');

在这些代码中，imread函数用于读取图像文件，imshowpair用于并排显示原始图像和处理后的图像。对于双边滤波，imbilatfilt函数用于应用滤波器；对于引导滤波，imguidedfilter函数用于应用滤波器；而对于非局部均值去噪，imnlmeadenoise函数用于应用去噪。

在图像边缘检测中，边缘保持特性的滤波器通常用于图像预处理阶段，以去除噪声而不损害边缘信息。以下是几种滤波器在MATLAB中的应用示例代码：

  1. 双边滤波器（Bilateral Filter）: 双边滤波器在预处理中用于去除噪声，同时保持边缘。

I = imread('peppers.png'); % 读取图像
J = imbilatfilt(I); % 应用双边滤波
BW = edge(J, 'canny'); % 应用Canny边缘检测
imshowpair(I, BW, 'montage'); % 显示原图与边缘检测结果

  1. 引导滤波器（Guided Filter）: 引导滤波器使用一个引导图像来引导滤波过程，这样可以更好地保持边缘信息。

I = imread('peppers.png'); % 读取图像
p = imread('peppers_gray.png'); % 读取灰度图像作为引导图像
J = imguidedfilt(I, p); % 应用引导滤波
BW = edge(J); % 应用Sobel边缘检测
imshowpair(I, BW, 'montage'); % 显示原图与边缘检测结果

  1. 非局部均值去噪（Non-local Means Denoising）: 非局部均值去噪算法通过考虑图像中每个像素与所有其他像素的相似性，来实现降噪同时保持边缘。

I = imread('peppers.png'); % 读取图像
K = imnoise(I, 'salt & pepper', 0.05); % 添加椒盐噪声
J = imnlmeadenoise(K); % 应用非局部均值去噪
BW = edge(J); % 应用Prewitt边缘检测
imshowpair(I, BW, 'montage'); % 显示原图与边缘检测结果

在以上代码中，imread函数用于读取图像，imbilatfilt、imguidedfilt和imnlmeadenoise分别用于应用双边滤波、引导滤波和非局部均值去噪，edge函数用于执行边缘检测。最后，imshowpair函数用于并排显示原始图像和边缘检测结果。

G_redsky
关注
【CV系列】图像保边去噪算法：导向滤波
CSDN明星博主，认证博客专家，视频、Matlab领域优质创作者。
05-31 2206
DATE: 2019-5-31【Tag：图像处理算法】 先记录一下，导向滤波据说既可以保边去噪又可以去雾，值得深入研究一下。
边缘保留滤波器
ZHANGWENJUAN1995的博客
12-22 2356
边缘保留滤波器（图像平滑方法） 1.多尺度边缘保留与分解 Z. Farbman, R. Fattal, D. Lischinski, Edge-preserving decompositions for multi-scale tone and detail manipulation, ACM Trans. Graph. 27 (3) (2008) 1–10. 2.均值滤波 S. Li, X. K...
OpenCV--边缘保留滤波（EPF）
weixin_49453918的博客
10-16 1435
均值与滤波的缺点：并没有考虑中心像素点对整个输出像素的贡献，实际上锚定的那个点贡献应该是最大的 高斯滤波的缺点：当边缘值梯度很大的时候，应减少中心像素点的权重，而高斯滤波没有考虑 边缘保留滤波： 高斯双边 均值迁移 高斯双边 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。 新的改变 我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markd.
Bilateral Filter：保护边缘的平滑滤波器
akingkang的专栏
01-01 3415
原理 滤波器是图像处理和计算机视觉中最基础的运算。而Bilateral Filter又是十分经典的一种滤波器，这主要得益于它的一个突出的特点，就是对图像进行平滑时，能进行边缘保护。 而Bilateral Flter的这个特性主要是因为他在平滑滤波时同时考虑了像素间的几何距离和色彩距离。 下面将详细具体讲述原因。 通俗的讲，对图像进行滤波就是一个加权平均的运算过程，滤波后图像中的每个像素点都
计算机视觉5：图像平滑
KingGodZ的博客
08-16 1439
图像平滑主要是消除噪音。一些噪音干扰使图像退化，质量下降，表现为图像模糊、特征淹没、对图像分析不利。去除噪音、恢复原始图像是图像处理中一个重要的内容。
一些保边滤波器搜集（中值滤波、双边滤波、导向滤波等）
wds555的专栏
05-31 5783
（1）中值滤波 中值滤波器 ( Median Filter ) C++ 实现   http://blog.csdn.net/hhygcy/article/details/4325462 非线性滤波专场：中值滤波、双边滤波 http://blog.csdn.net/poem_qianmo/article/details/23184547 Fast Median and Bila
边缘保留滤波（EPF）
qq_39624528的博客
03-27 1466
1.高斯双边 #导入cv模块 import cv2 as cv import numpy as np def bi_demo(image): dst = cv.bilateralFilter(image, 0, 100, 15) cv.imshow("bi_demo", dst) #读取图像，支持 bmp、jpg、png、tiff 等常用格式 img = cv.imrea...
ROF图像降噪处理python程序
03-02
在图像处理领域，ROF（Rudin-Osher-Fatemi）图像降噪算法是一种广泛应用的方法，它基于Total Variation（TV）理论，旨在保持图像的边缘锐利度同时去除噪声。Python作为强大的数据处理和科学计算语言，为实现这一算法...
基于C语言的一种数字图像降噪方法.pdf
09-19
本文介绍了一种基于C语言的数字图像降噪方法，主要采用中值滤波技术，属于非线性信号处理技术的范畴。以下是对本文所提及知识点的详细介绍。 ### C语言在数字图像处理中的应用 C语言因其高效性、灵活性以及接近...
边缘保留的图像滤波方法
02-03
算法空域滤波是在图像空问借助掩模进行邻域操作完成的，它 们根据其特点一般可分成线性的和非线性的两类。线性系统的 转移函数和脉冲函数或点扩散函数构成傅立叶变换对，所以线 性滤波器的设计常基于对傅立叶变换的分析。非线性空问滤波 器则一般直接对邻域进行操作
边缘保留的图像滤波方法（pdf）
03-23
传统的高斯滤波在去除图像噪声的同时产生了边缘模糊的问题。本文通过对传统高斯滤波算法的改进, 不仅考虑距离的影响, 而且还考虑图像灰度值的影响。尤其是当邻域间像素的距离近并且灰度值相似时, 则它们对结果有较大的影响。实验结果表明该方法在滤除图像噪声的同时又能保留图像边缘。
论文研究-一种基于局部统计参数的图像扩散降噪新算法.pdf
07-22
针对各向同性扩散算法容易模糊图像特征信息以及张量扩散算法在图像同质区域内的噪声点处易产生伪条纹的问题，提出了一...实验结果表明，所提算法较几种经典的算法能更有效地去除噪声和保护、增强图像的边缘等特征信息。
基于Matlab的数字图像处理降噪方法.ppt
12-21
图像降噪处理的目的是对给定的图像进行有效的改善，提高图像的质量。 研究意义 ---------- 图像噪声是指存在于图像数据中的不必要的或多余的干扰信息。图像的噪声在图像的采集和处理的全过程中都会产生，主要是...
BPFA_Denoising_Inpainting_codes_BPFA；SAR图像降噪；图像处理_
09-29
**BPFA（Block Probability Field Estimation and Adaptive Filtering）是一种先进的图像处理技术，主要应用于SAR（Synthetic Aperture Radar）图像的降噪与修复。SAR图像由于其独特的成像原理，常常受到噪声的严重...
降噪 (Noise Reduction)对于图像边缘检测 (Edge Detection)的意义
热门推荐
认真你就输了
05-27 1万+
对于拍摄到的图像，在识别其中物体的边缘时，一定要先降噪
图片去噪及边缘检测
最新发布
Y_warmth
08-27 1579
一：在Python中，图片去噪可以通过不同的方法实现，这些方法包括使用简单的滤波技术到更复杂的算法，比如高斯模糊、中值滤波、非局部均值去噪（Non-local Means Denoising）等。Sobel边缘检测是基于Sobel算子的边缘检测方法，它通过计算图像灰度的空间梯度来检测边缘区域。二：在Python中，进行图片边缘检测常用的方法是使用OpenCV库，它提供了多种边缘检测算法，如Canny边缘检测、Sobel边缘检测、Laplacian边缘检测等。ksize: 核的大小。默认值为False。
BPFA技术实现SAR图像降噪与修复代码解析
SAR图像降噪；图像处理" 一、BPFA技术概述 BPFA（Bayesian Principal Factor Analysis）是一种基于贝叶斯原理的主成分分析方法，它通过概率模型对数据的潜在因子进行建模，以实现对数据的去噪和恢复。BPFA在图像...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值