Machine Vision Technology：Lecture2 Linear filtering

计算机视觉（本科） 北京邮电大学 鲁鹏

---

Types of Images

二进制图像Binary：黑白图像。0表示Black，1表示White。

灰度图像Grayscale：每个像素用范围在0-255的灰度值表示。

彩色图像Color：RGB三通道。

Image denoising图像去噪

Moving average移动平均：一种通过使用过去若干时间段的平均值计算得出的平均值。移动平均值会定期变化，最早的数值会被基于最新数据的数值所替代。

• 用邻域的加权平均值替换每个像素
• 权重被称为滤波器核 filter kernel

一个3x3的权重为平均值的滤波核：

Defining convolution卷积的定义

Let f be the image and g be the kernel. The output of convolving fwith g is denoted f * g.

设 $f$ 为图像，$g$ 为核，$f$ 和 $g$ 的卷积输出定义为 $f\ast g$ ：
$$(f\ast g)[m,n]=\sum _{k,l}f[m-k,n-l]g[k,l]$$
对卷积进一步展开：
$$\begin{array}{rl}(f\ast g)[m,n]& =\sum _{k,l}f[m-k,n-l]g[k,l]\\ & =\sum _{k=-1}^{k=1}\sum _{l=-1}^{l=1}f[m-k,n-l]g[k,l]\end{array}$$

假设有f为7x7，g为3x3的卷积核，此时k取-1、0、1，l取-1、0、1。

卷积示意图如下：

当m=2，n=2时：卷积操作如下
$$\begin{array}{rl}(f\ast g)[2,2]& =\sum _{k,l}f[2-k,2-l]g[k,l]\\ & =\sum _{k=-1}^{k=1}\sum _{l=-1}^{l=1}f[2-k,2-l]g[k,l]\\ & =f[3,3]g[-1,-1]+f[3,2]g[-1,0]+f[3,1]g[-1,1]\\ & +f[2,3]g[0,-1]+f[2,2]g[0,0]+f[2,1]g[0,1]\\ & +f[1,3]g[1,-1]+f[1,2]g[1,0]+f[1,1]g[1,1]\end{array}$$

示意图如下：

卷积核是翻转的：ppt中的图给成了镜像翻转，但上面推导怎么是旋转180度？

Key properties卷积的关键属性

• 线性性质Linearity：$filter(f_1+f_2)=filter(f_1)+filter(f_2)$
• 平移不变性Shift invariance：$filter(shift(f))=shift(filter(f))$
• 理论结果Theoretical result：通过理论分析和计算得出的预测性结果：任何线性平移不变算子都可以表示为卷积

卷积的其它属性

• 交换律Commutative：$a\ast b=b\ast a$

  从概念上讲，滤波器和信号没有区别

• 结合律Associative：$a\ast (b\ast c)=(a\ast b)\ast c$

• 分配律Distributes over addition：$a\ast (b+c)=a\ast b+a\ast c$

• 标量因子提出Scalars factor out：$ka\ast b=a\ast kb=k(a\ast b)$

• 同一性Identity：单位脉冲unit impulse $e=[...,0,0,1,0,0,...]$，$a\ast e=a$

Annoying details

卷积的输出结果与填充方式有关：在MATLAB中

filter2(g, f, shape)

• shape='full'：输出大小是f和g的和
• shape='same'：输出大小和f相同
• shape='valid'：输出大小是f和g的差

图像进行外推填充方式：

• clip filter (black): imfilter(f, g, 0) 周围补一圈黑色，像素为0的黑边
• wrap around: imfilter(f, g, ‘circular’) 图像右侧边缘补到左边，左侧边缘补到右边，类似圆筒，上下类似。
• copy edge: imfilter(f, g, ‘replicate’) 拉伸边缘像素
• reflect across edge: imfilter(f, g, ‘symmetric’) 镜像边缘像素

卷积练习

用右侧像素替代当前像素，相当于左移。

用box滤波器进行Blur模糊：

锐化滤波器Sharpening filter：突出和平均值的差异

Sharpening锐化

假设用 $I$ 表示原图，$e$ 表示单位脉冲，g表示box filter，上述过程表示如下：

原图减去滤波后的图：$I\ast e-I\ast g=I\ast (e-g)$

然后：$I\ast e+I\ast (e-g)=I\ast (2e-g)$

所以可以用新的滤波器 $2e-g$ 与原图进行卷积，直接得到sharpened图像。

Gaussian Kernel

为了消除边缘影响，根据邻近像素与中心的接近程度对其权重贡献。
$$G_{\sigma }=\frac{1}{2\pi {\sigma }^2}{e}^{-\frac{(x^2+y^2)}{2{\sigma }^2}}$$

5x5高斯模版生成过程：

• 中心坐标为(0,0)，右边为(1,0)，其余以此类推。
• 将坐标的x和y带入高斯函数得到值。
• 所有值还需要进行归一化（某个值除以所有值的和）。

模版的所有值加和为1，使模版操作不改变图像亮度。

---

• 标准偏差 $\sigma$ 决定平滑程度
• 当固定模版的大小时：

$\sigma$ 越小，模版的中间值越大，所占比重较大，被平滑的不那么厉害。

$\sigma$ 越大，模版的中间值越小，所占权重变小，被平滑的厉害。

• 当 $\sigma$ 固定时，模版大小改变：

当size为10时，模版有100个值，size为30时，模版有900个值，再归一化后，size小的模版权重相对更大些。

因此size较小时，被平滑的不那么厉害；size较大时，平滑的厉害。

• 模版大小选取遵循原则：将滤波器半宽度设置为约 $3\sigma$。滤波器大小为 $3\sigma +3\sigma +1$。例如 $\sigma =1$ 时，滤波器大小为3x3

---

高斯滤波器特点：

• 从图像中去除“高频”成分(低通滤波器)

• 高斯滤波与自身的卷积是另一个高斯滤波器。

  例如连续两个标准差为 $\sigma$ 的高斯核进行卷积，等价于一个标准差为 $\sqrt{2}\sigma$ 高斯核进行卷积。遵循勾股定理。

  1.将原图进行参数为 $\sigma$ 的高斯滤波：$I^{\prime }=I\ast g_{\sigma }$

  2.将上面结果进行参数为 $\sigma$ 的高斯滤波：$I^{\prime \prime }=I^{\prime }\ast g_{\sigma }$

  3.等价与直接将原图进行参数为 $\sqrt{2}\sigma$ 的高斯滤波：$I^{\prime \prime }=I\ast g_{\sqrt{2}\sigma }$

• 可分离核Separable Kernel：二维高斯函数可以被表示为两个一维高斯函数的乘积。

$$\begin{array}{rl}{G}_{\sigma }(x,y)& =\frac{1}{2\pi {\sigma }^2}{e}^{-\frac{(x^2+y^2)}{2{\sigma }^2}}\\ & =(\frac{1}{2\pi \sigma }{e}^{-\frac{x^2}{2{\sigma }^2}})(\frac{1}{2\pi \sigma }{e}^{-\frac{y^2}{2{\sigma }^2}})\end{array}$$

可分离性的例子：Separability example

首先使用2D高斯滤波器对中心位置进行卷积：求得结果是65。

2D高斯滤波器可以分解为两个一维高斯滤波器的乘积：

使用分解的两个一维高斯滤波器原原图像依次卷积：行卷积核列卷积。最终得到结果仍然是65.

Separability分离性的用途：

对 $n\times n$ 的图像，使用 $m\times m$ 的核进行卷积的复杂度：$O(n^2{m}^2)$

如果使用分离的卷积的复杂度：$O(n^{2}m)+O(nm)=O(n^{2}m)$

Noise噪声 分类

• 椒盐噪声Salt and pepper noise：包含随机出现的黑色和白色像素。
• 脉冲噪声Impulse noise：包含随机出现的白色像素。
• 高斯噪声Gaussian noise：从高斯正态分布得出的强度变化

Gaussian noise高斯噪声

高斯噪声图 $f(x,y)$ 的产生如下：
$$f(x,y)=\bar{f}(x,y)+\eta (x,y)$$
其中 $\bar{f}(x,y)$ 为理想的图像，$\eta (x,y)$ 为噪声处理，所有噪声iid于正态分布：
$$\eta (x,y)\sim \mathbf{N}(\mu ,\sigma )$$
假设：独立，均值为0的噪声

• 减少高斯噪声Reducing Gaussian noise：使用高斯滤波器

上图中第一行是 $\sigma$ 取 0.05、0.1、0.2 产生的高斯噪声图。也就对应没有平滑的图。

第二行是使用 $\sigma =1$ 的高斯滤波结果，此时高斯核大小为 $7\times 7$。

第三行是使用 $\sigma =2$ 的高斯滤波结果，此时高斯核大小为 $13\times 13$。

结论：使用较大标准差的平滑可以抑制噪声， 但也会使图像模糊。

Reducing salt-and-pepper noise：Median filtering中值滤波

中值滤波器通过选择窗口中的中值强度对窗口进行操作。

中值滤波是非线性滤波。对异常值具有稳健性的优点：Robustness to outliers

下面是有椒盐噪声的图和均值滤波后的图：

Sharpening revisited：再看锐化

拉普拉斯高斯：

Edge detection | Origin of edges

• 边缘检测目标：识别图像中的突变（不连续）。直观地说，大多数来自图像的语义和形状信息都可以编码在边缘中。

各种边的起源（种类）：边缘是由多种因素造成的

• surface normal discontinuity表面法向不连续：也就是面上的不连续，两个面的交界处产生的边。
• depth discontinuity间断面深度：深度上的边缘，上面瓶子因为是圆形的，本身没有边，但图像只能显示其中的一部分，由于深度上的不连续形成的边。
• surface color discontinuity表面颜色不连续：文字。
• illumination discontinuity照明不连续：阴影产生的边。

Characterzing edges描述边缘

边缘是图像强度函数中快速变化的地方：一阶导的极值点。

对于2D函数 $f(x,y)$ 的偏导数定义：
$$\frac{\partial f(x,y)}{\partial x}=\underset{ϵ\to 0}{\lim }\frac{f(x+ϵ,y)-f(x,y)}{ϵ}$$
对于离散数据，我们可以使用有限差分进行近似：
$$\frac{\partial f(x,y)}{\partial x}\approx \frac{f(x+1,y)-f(x,y)}{1}$$
为了实现上面的卷积，相关的过滤器如何设计？

左图的滤波器：$[-1,1]$ 。水平方向卷积，求得垂直方向边缘。

右图的滤波器：$[-1,1{]}^T$ 或 $[1,-1{]}^T$ 。垂直方向卷积，求得水平方向边缘。

Image gradient图像梯度

图像的梯度是由偏导数组成的向量：
$$\nabla f=[\frac{\partial f}{\partial x},\frac{\partial f}{\partial y}]$$

• 梯度方向指向信号变化最大的方向，也就是指向图像强度增加最快的方向。
• 梯度方向与边缘垂直。

梯度方向定义：
$$\theta =ta{n}^{-1}(\frac{\partial f}{\partial y}/\frac{\partial f}{\partial x})$$
边缘强度由梯度幅度给出：The edge strength is given by the gradient magnitude
$$||\nabla f||=\sqrt{(\frac{\partial f}{\partial x}{)}^2+(\frac{\partial f}{\partial y}{)}^2}$$

• 使用梯度幅值来描述是否是边的可能性，幅值越大，偏导数越大，偏导数越有可能是极值点，则该点越有可能是边。这也叫做边缘强度。