1. 高斯滤波
高斯滤波是一种线性平滑滤波,适用于消除高斯噪声,广泛应用于图像处理的减噪过程。通俗的讲,高斯滤波就是对整幅图像进行加权平均的过程,每一个像素点的值,都由其本身和邻域内的其他象素值经过加权平均后得到。高斯滤波的具体操作是:用一个模板(或称卷积、掩模)扫描图像中的每一个像素,用模板确定邻域内像素的加权平均灰度值去替代模板中心像素点的值。
高斯滤波的5×5算子如下所示:
1 | 4 | 7 | 4 | 1 |
---|---|---|---|---|
4 | 16 | 26 | 16 | 4 |
7 | 26 | 41 | 26 | 7 |
4 | 16 | 26 | 16 | 4 |
1 | 4 | 7 | 4 | 1 |
高斯滤波的3×3算子如下所示:
1 | 2 | 1 |
---|---|---|
2 | 4 | 2 |
1 | 2 | 1 |
计算方式就是将5×5(3×3)内的像素值,分别于算子相乘后相加,最后除以273(16)得到的值代替中间像素的值。
2. 均值滤波
均值滤波是典型的线性滤波算法,它是指在图像上对目标像素给一个模板,该模板包括了其周围的临近像素(以目标像素为中心的周围8个像素,构成一个滤波模板,即去掉目标像素本身),再用模板中的全体像素的平均值来代替原来像素值。
也就是说均值滤波的3×3算子如下所示:
1 | 2 | 1 |
---|---|---|
1 | 0 | 1 |
1 | 1 | 1 |
同样使用3×3的像素值,分别于算子相乘后相加,最后除以8得到的值代替中间像素的值。
3. 边沿检测
边缘检测简单来说,就是对图像进行按模板进行卷积;边缘在图像上一般就表示为明暗交接的地方,从上面的图中看出,若我们将图像看为一个连续可导的函数,那么,对边缘检测,就是求突变的位置,在数学上,我们对这样连续可导图像是通过求导,因此,边缘也是通过同样的原理。但由于图像是离散矩阵形式,求导采用减法的形式。
Sobel算子如下所示:
-1 | -2 | -1 | 分 | -1 | 0 | 1 |
---|---|---|---|---|---|---|
0 | 0 | 0 | -2 | 0 | 2 | |
1 | 2 | 1 | 隔 | -1 | 0 | 1 |
相当于对四个方向求导,将求导计算得出的数值相加后除8得到中间像素的值。