图像处理（10）–空间滤波

图像处理系列笔记： https://blog.csdn.net/qq_33208851/article/details/95335809

---

图像滤波，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。
滤波有两类，一类是线性滤波，包括 方框滤波（boxFilter）、均值滤波（blur）、高斯滤波（GaussianBlur）；另一类是非线性滤波器，包括中值滤波（medianBlur）和双边滤波（bilateralFilter）。

1. 基础介绍

1.1 滤波器（卷积模）

某些邻域处理工作是操作邻域的图像像素值以及相应的与邻域有相同维数的子图像的值。这些子图像可以被称为滤波器、掩模、核、模板或窗口，其中前三个词是更为普遍的术语。在滤波器子图像中的值是系数值，而不是像素值。如下图中，对像素点（x，y）的滤波器是3x3的：

空间滤波的机理示于下图 .该 处 理 就 是 在 待处理图像中逐点地移动掩模 .在每一点 (x，y)处，滤波器在该 点的响应通过事先义的关系来计算 .对于线性空间滤波其响应由 滤波器系数与滤波掩模扫过区域的相应像索值的乘积之和 给出：

1.2 定义式

对于一个尺寸为m x n的掩模，我们假设m=2a十1，n=2b+1，这里a, b为非负整数.在后续的讨论中，处理的掩模的长与 宽都为奇数.一般来说，在M x N的图像f上，用m xn大小的 滤波器掩糢进行线性滤波由下式给出：

这 里a-(m-1)/2且(n-1)/2.为 了 得 到 一 幅 完 整 的 经 过 滤
波处理的图像，必须对x=0, 1，2, M-1和y=0, 1,2, …N-1依次应用公式.这样，就保证了对图像中的所有像素进行了处理.
式中的线性滤波处理与频率域中卷积处理的概念很相似.因此，线性空间滤波处理经常被称为“掩模与图像的卷积。类似地，滤波掩模有时也可以称为“卷积模板”，“卷积核”一词也常用于此。
相关博客：https://blog.csdn.net/upperTime/article/details/87919876

1.3 边缘处理

当滤波中心靠近图像轮靡时发生的情况：
考虑一个简单的大小为m x n的方形掩模，当掩模中心距离图像边缘为(n -1)/2个像素时，该掩模至少有一条边与图像轮廓相重合.如果掩模的中心继续向图像边缘靠近，那么掩模的行或列就会处于图像平面之外.

• 方法1:最简单的方法就是将掩模中心点的移动范围限制在距离图像边缘不小于(n -l )/2个像素处.如果要保持与原图像一样大小，可以直接将未处理的图像边缘像素直接复制到结果图像.或者用全部包含于图像中的掩模部分滤波所有像素.通过这种方法，图像靠近边缘部分的像素带将用部分滤波掩模来处理.
• 方法2:在图像边缘以外再补上(n -1)/2行和(n -1 )/2列灰度为零的像素点(其灰度也可以为其他常值）,或者将边缘复制补在图像之外.

2. 线性滤波

2.1 均值滤波（平滑线性滤波）

平滑线性空间滤波器的输出（响应）是包含在滤波掩模邻域内像素的简单平均值。
平滑滤波器用滤波掩模确定的邻域内像素的平均灰度值去代替图像的每个像素点的值，这种处理减小了图像灰度的“尖锐”变化。
下图是两个3x3的均值滤波器

• 第一个均值滤波器：标准模式下的像素平均值。
  
• 第二个均值滤波器：加权平均值。认为一些像素比其他的更为重要，即中心的像素的权值最大，离掩膜中心越远权值就越小。处理时就是以不同的系数乘以对应的像素的灰度值。

边界上的像素是直接复制的

掩膜大小对图像平滑效果的影响：

以上图（从上到下、从左到右）分别是原图，以尺寸n=3，5，9，15，35像素的方形均值滤波器得到的相应的平滑结果。n越大平滑效果越明显。
此外，还有以下几种类型的均值滤波器：

2.2 高斯滤波

详细介绍参见：图像处理（7）–高斯模糊原理

3. 非线性滤波

3.1 中值滤波器

中值滤波器是一种非线性的空间滤波器，它的响应基于图像滤波器包围的图像区域中像素的排序，然后由统计结果决定的值代替中心像素的值。中值滤波器是一种统计排序滤波器。
中值滤波器是将像素(在中值计算中包括的原像素值)邻域内灰度的中值代替该像素的值。一个数值集合的中值e是这样的数值，即，数值集合中，有一半小于或等于e，还有一半大于或等于s 。为 了 对 一 幅图像上的某个点做中值滤波处理，必须先将掩模内欲求的像素及其邻域的像素值排序，确定出中值，并将中值賦予该象素点.
中值滤波器的使用非常普遍，这是因为对于一定类型的随机噪声，它提供了一种优秀的去噪能力，比小尺寸的线性平滑滤波器的模糊程度明显。

实用例子：

其他基于顺序统计的滤波器：

对上图的说明：

• 中值滤波器：在邻域内排序后取中位数的值
• 最大值最小值滤波器：在邻域内排序后取最大值最小值
• 中点滤波器：哎邻域内取最大值和最小值的平均值
• 阿尔法滤波器：去掉最大的d/2个点，去掉最小的d/2个点（总共d个点，mn-d是剩下的个数）然后对剩下的点求平均值。特殊情况：当d=0时（去掉d/2=0/2=0个最大及最小的点），为算术平均滤波器；当d=mn-1时（去掉d/2=（mn-1)/2个最大及最小的点，剩下中间的一个，因为掩膜时奇数x奇数，所以中位数不可能剩两个），为中值滤波器

4. 自适应滤波器

自适应滤波是近年以来发展起来的一种最佳滤波方法
自适应滤波器的特点：

1. 没有关于待提取信息的先验统计知识
2. 直接利用观测数据依据某种判据在观测过程中不断递归更新
3. 最优化

自适应滤波器可以分为线性自适应滤波器和非线性自适应滤波器。非线性自适应滤波器包括Voetlrra滤波器和基于神经网络的自适应滤波器。非线性自适应滤波器具有更强的信号处理能力。但是，由于非线性自适应滤波器的计算较复杂，实际用得最多的仍然是线性自适应滤波器。

4.1 自适应局部噪声消除器

随机变量最简单的统计度量是均值和方差。这些适当的参数是自适应滤波器的基政因为它们是与图像状态紧密相关的数据。均值给出了计算均值的区域中灰度平均值的度量.而方差给出了这个区域的平均对比度的度量。滤波器作用于局部区域Sxy。滤波器在中心化区域中任何点(X，y)上的滤波器咕j基于以下4个量：

滤波器的预期性能如下：

1. 如果为零，滤波器应该简单地返回g(x，y)的值。 这无关紧要，在g(x，y)下零噪声的情况等向于 f(x，y)。
2. 如果局部方差相对高于 ，那么滤波器要返回一个g(x，v)的近似值。 一个典型的高局部方差是与边缘相关的（边缘灰度变化大），并且这些边缘应该保留。
3. 如果两个方差相等，希望滤波器返回区域Sxy上像素的算术平均值。 ‘
   基于这些假定的自适应表达式可以写成
   
   用例：

图像处理系列笔记： https://blog.csdn.net/qq_33208851/article/details/95335809