完整代码在GitHub - FchZero/Advanced_computer_vision
一、实验原理:
1.1、图像的频率、低频与高频
图像可以视为一个定义为二维平面上的信号,该信号的幅值对应于像素的灰度值(对于彩色图像则是RGB三个分量)。图像的频率是灰度值变化剧烈程度的指标,是灰度在平面空间上的梯度,它反映了图像的像素灰度在空间中变化的情况。
对图像而言,低频分量代表着图像中亮度或者灰度值变化缓慢的区域,也就是图像中大片平坦的区域,描述了图像的主要部分,是对整幅图像强度的综合度量。高频分量对应着图像变化剧烈的部分,也就是图像的边缘(轮廓)或者噪声以及细节部分。
1.2、图像过滤
图像过滤,即在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制,是图像预处理中不可缺少的操作,其处理效果的好坏将直接影响到后续图像处理和分析的有效性和可靠性。
1.3、滤波器
滤波器可分为高通滤波器与低通滤波器。高通滤波器可以检测图像中尖锐、变化明显的地方;低通滤波器可以让图像变得光滑,滤除图像中的噪声。常见的滤波器有:非线性滤波器、中值滤波、形态学滤波器和双边滤波。
1.4、Guassian滤波
Guassian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,Guassian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像素值经过加权平均后得到。Guassian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,用模板确定的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。
1.5、图像融合
图像融合是指将多源信道所采集到的关于同一目标的图像数据经过图像处理和计算机技术等,最大限度的提取各自信道中的有利信息,最后综合成高质量的图像,以提高图像信息的利用率、改善计算机解译精度和可靠性、提升原始图像的空间分辨率和光谱分辨率,利于监测。
二、实验目的:
对所给图像分别进行高通和低通滤波,并通过图像融合得到混合图像。
三、实验内容:
1、基于skimage中所包含的常见滤波器,对图像进行滤波,直观地对比不同滤波器的效果;
2、编写my_filter()函数,实现高通滤波和低通滤波两种滤波形式;
3、使用my_filter()函数对图像进行高低通滤波,并且对图像分别在高低频进行融合。
四、实验数据及结果分析:
- 图像滤波:
原始图像:
Identity filter滤波后的图像:
Small blur with a box filter滤波后的图像:
Large blur滤波后的图像:
Oriented filter(Sobel operator)滤波后的图像:
High pass filter(discrete Laplacian)滤波后的图像:
2、混合图像:
原始图像:
将猫的图像进行高通滤波处理,将狗的图像进行低通滤波处理:
得到混合图像:
对融合图像进行缩放处理:
融合了不同图片高低频信息后的图像,在图像尺寸大小不同时,在视觉上会呈现出不同的感受。在上图就可以很明显直观的看出,当图像尺寸较大,或是观察距离很近时,图像看上去更像是一只猫。而当图像尺寸较小,或是观察距离很远时,图像看上去更像是一只狗。