本文内容参考《数字图像处理基础》Wilhelm Burger等著。
“点运算”是在不改变图像大小、几何形状以及局部结构的情况下,对像素值进行修改,新图像的像素值只与原图像同一位置的像素值有关。
“滤波器”一般会用到原图像中的多个像素来计算每个新像素,一个滤波器用一个“滤波矩阵”(或“滤波模板”)表示,它的重要参数包括“滤波区域的尺寸”、“滤波区域的形状”。
线性滤波器:线性卷积(可交换性、线性性、结合性、x/y可分离性)
一、平滑滤波器:将图像中某一区域内的像素进行加权平均。
(1.)箱式滤波器:
⎛⎝⎜⎜⎜⎜⎜⎜0000001110011100111000000⎞⎠⎟⎟⎟⎟⎟⎟
侧面急剧截断,频域性能不稳定。
低通滤波(削减信号中给定截止频率之上的频率成分)。
(2.)高斯滤波器:
滤波矩阵足够大( 5×5 )相当于离散的二维高斯函数:
Gσ(x,y)=e−x2+y22σ2
“一个二维高斯滤波器”可以分解成“一对一维滤波器”。
(3.)差分滤波器:
滤波矩阵中有一些滤波系数是负数。
差分滤波器的应用:图像的边缘增强、图像锐化。
非线性滤波器:
(1.)最小值与最大值滤波(如,椒盐噪声)
I′(u,v)←minI(u+i,v+j)|(i,j)∈R
I′(u,v)←maxI(u+i,v+j)|(i,j)∈R
其中 R 表示滤波区域,即要用进行滤波的矩阵块坐标集合。
(2.)中值滤波
对应滤波区域
median(p0,p1,⋯,pK−1,pK,pK+1,⋯,p2K)=pK
(3.)加权中值滤波
为滤波区域中的每个位置分配一个独立的权值,对应像素值的“投票次数”,记权值矩阵为 W(i,j) 。
比如
I(u,v)=⎛⎝⎜319705208⎞⎠⎟,W(i,j)=⎛⎝⎜121232121⎞⎠⎟
则需要对
3,7,7,2,1,1,0,0,0,0,0,9,5,5,8
进行排序取中位数,得
pk=2
,所以
I′(u,v)=2
。
图像边界的处理:即图像像素数组的边界替换方案。
(a.)将未处理的边界赋值常像素值
(b.)将未处理的边界赋值为原图像同位置的像素值
(c.)在边界外额外填充像素延展图像:镜像处理,周期重复
形态学滤波:以某种方式改变二维图像的结构。
I(u,v) 是原图像素, H(i,j) 是结构矩阵。
膨胀:可交换性,结合性
I+H={p+q|p∈I且q∈H}
腐蚀
I−H={p∈I|p+q∈I,对所用的q∈H}
开运算:先腐蚀再膨胀,去除小结构
闭运算:先膨胀后腐蚀,填补空洞和缝隙