【滤波算法】一览和小结

滤波算法

深度学习和滤波算法的结合是一个很好的新方向，无论是理论上的结合还是直接的运用，都是非常好的融合算法。
最近做了很多的调研和实现，做一个小总结八，嘻嘻。

思维导图理一理 思维导图的出处

img_mean = cv2.blur(img, (5,5))# 均值滤波
img_Guassian = cv2.GaussianBlur(img,(5,5),0)# 高斯滤波
img_median = cv2.medianBlur(img, 5)# 中值滤波
img_bilater = cv2.bilateralFilter(img,9,75,75)# 双边滤波

---

滤波算法的历史

传统滤波

• Gaussian_Filter：邻域内像素的加权平均灰度值去替代滑动窗口像素点的值

• Median_Filter：滑动窗口取中值

• Smoothing_Filter：滑动窗口取平均值

• 一阶微分算子：水平边缘，垂直边缘的，乘完再做均值
  Differential / Sobel / Prewitt

• 二阶微分算子: 只有一个窗口
  laplacian：经过窗口之后求均值（容易受噪声影响，一般先做平滑处理，算子还分4邻域和8邻域）
  Emboss虚焦，算子不一样，窗口之后是sum

• 均值偏移(mean shift)算法作用和cv源码

• 双边滤波器 算法原理链接
  实现：cv源码实现 和 基于cv源码的python实现 和 opencv-python

• 联合双边滤波平滑python实现

• Canny边缘检测
  做菜步骤：图像降噪，计算图像梯度，非极大值抑制，双阈值筛选，完事
  但是opencv里面的canny没有直接处理的参数，需要自己先降噪=模糊。

• Average_Pooling，Max_Pooling相当于不同的下采样

---

系统状态滤波

• 卡尔曼滤波 链接

---

图像评估

PSNR：Peak Signal to Noise Ratio”的缩写，即峰值信噪比，是一种评价图像的客观标准，它具有局限性，一般是用于最大值信号和背景噪音之间

---

特征检测

霍夫变换(Hough Transform)
主要思想：一条直线在平面直角坐标系(x-y)中可以用y=ax+b式表示，对于直线上一个确定的点(x0,y0)，总符合y0-ax0=b，而它可以表示为参数平面坐标系(a-b)中的一条直线。因此，图像中的一个点对应参数平面的一条直线，同样，图像中的一条直线对应参数平面上的一个点。原理传送门