数字图像处理python实现-图像去噪之空间域自适应滤波

最新推荐文章于 2024-08-07 17:33:40 发布

图像弟弟

最新推荐文章于 2024-08-07 17:33:40 发布

阅读量5k

点赞数 6

分类专栏：数字图像处理文章标签： python 算法 opencv 图像识别

本文链接：https://blog.csdn.net/ab136681/article/details/104264811

版权

本文介绍了数字图像处理中的自适应滤波技术，包括自适应局部降低噪声滤波和自适应中值滤波。自适应中值滤波通过确保可用的中值并根据条件选择输出，有效减少了细节和边缘损失。与普通中值滤波相比，自适应滤波在效果上更优，但速度较慢。示例代码展示了滤波效果，并提醒了对原文的转载规定。

摘要由CSDN通过智能技术生成

自适应滤波器

自适应局部降低噪声滤波

先看书上的介绍如下：
在这里插入图片描述
解释如下：

这个滤波的编码方面关键点在

总体方差的未知，
以及高斯噪声和原图相互独立，故在实际情况中是无法做到高斯噪声参数的正确估计，

如果明确了高斯参数的值，上面过程的编码非常简单，这里故不给出！！！
但是在实际过程中的高斯噪声处理，在小波域去噪的效果非常好，特别是BM3D算法在小波域章节将做介绍！！！

自适应中值滤波

如下这里使用我们上课时讲义的介绍，感觉这里会更容易理解：
在这里插入图片描述
分为两个步骤

a进程保证有个可用的中值，
b进程判断当前像素值如果满足条件则原值输出，否则则输出a进程的值

其中做法的原因上面的图片中已经注释，下面给出代码：

# 自适应中值滤波
# count 为最大窗口数，original 为原图
def adaptiveMedianDeNoise(count, original):
    # 初始窗口大小
    startWindow = 3
    # 卷积范围
    c = int(count/2)
    rows, cols = original.shape
    newI = np.zeros(original.shape)
    for i in range(c, rows - c):
        for j in range(c, cols - c):
            k = int(startWindow / 2)
            median = np.median(original[i - k:i + k + 1, j - k:j + k