常见滤波器

是小果果蛋儿啊

已于 2024-12-25 16:26:00 修改

阅读量824

点赞数 9

文章标签：语音识别人工智能

于 2024-12-25 15:43:44 首次发布

本文链接：https://blog.csdn.net/qq_43275608/article/details/144720359

版权

常见滤波器和应用场景：
参考：滤波方法的比较：小波滤波、高斯滤波及其他滤波方法和应用场景_小波滤波实例有哪些-CSDN博客

07 OpenCV各类滤波-阿里云开发者社区

滤波方法的比较：小波滤波、高斯滤波及其他滤波方法和应用场景_小波滤波器效果-CSDN博客

美颜磨皮算法之保边（双边&引导）滤波器原理及 Python 实现_保边滤波器-CSDN博客

1.高斯滤波器

计算复杂度较低。由于高斯函数的可分离性，二维高斯滤波可以通过两次一维滤波来实现，大大减少了计算量。而且其卷积运算在计算机中可以通过高效的算法实现。在滤波过程中，通过将高斯函数作为卷积核与图像或信号进行卷积运算，实现对信号的平滑处理。每个像素点的值被其邻域像素点按照高斯分布加权后的和所替换。

应用场景：
- 计算机视觉中的边缘检测预处理：在进行图像边缘检测时，如Canny边缘检测算法，高斯滤波是重要的预处理步骤。它能够平滑图像，减少噪声对边缘检测结果的影响，同时由于其对边缘的模糊程度相对较小，能较好地保留边缘的强度信息。
- 医学图像的增强与分析：在医学影像领域，如X光、CT等图像中，图像可能存在因成像设备、患者身体运动等因素产生的噪声。高斯滤波可在不严重损失图像细节的前提下，有效地平滑噪声，增强图像的对比度和清晰度。
- 高斯滤波器是一种线性滤波器，它使用高斯核与图像进行卷积，以平滑图像并减少噪声。高斯滤波器对于抑制由于上下采样导致的栅格化问题非常有效，因为它可以有效地去除图像中的高频噪声。
- 图像预处理
  在计算机视觉的许多任务中，如目标检测、图像分割等，需要对图像进行预处理以去除噪声。高斯滤波是一种常用的预处理方法，它可以在不损失图像主要特征的情况下，去除图像中的微小噪。例如，在人脸识别系统中，高斯滤波可以对输入的人脸图像进行平滑处理，减少噪声对特征提取的影响。
- 在智能交通系统中的车辆检测和行人检测中，摄像头拍摄的交通场景图像可能会受到天气（如雾、雨）和光线变化等因素产生的噪声影响。高斯滤波可以在一定程度上消除这些噪声，增强车辆和行人目标的可识别性。例如，在交通监控系统中，对监控视频图像进行高斯滤波后，可以更准确地提取车辆的轮廓和运动轨迹，为交通流量统计、违章行为检测等提供更可靠的数据。
- 在生物医学和材料科学领域的光学显微镜图像分析中，高斯滤波是常用的图像预处理方法。例如，在细胞生物学研究中，观察细胞形态和内部结构的显微镜图像可能会因光学系统的不完善、样本制备过程中的杂质等因素产生噪声。高斯滤波可以减少这些噪声，使细胞的边界、细胞核等结构更加清晰。

2.双边滤波（Bilateral Filter）：

双边滤波器（Bilateral Filter）是保边滤波器之一，是一种非线性滤波器，它可以保留图像边缘信息的同时进行平滑处理，常用于去除图像中的噪声。滤波的最终结果由像素值（值域）和像素位置（空域）来共同决定。最为常见的高斯平滑滤波器就是由像素位置单边决定的滤波器。

cv2.bilateralFilter(src, d, sigmaColor, sigmaSpace[, dst[, borderType]]) → dst

双边滤波器中的一边即为上述常见的高斯平滑滤波器，两个像素物理距离越大则权值越小，反之则权值越大。双边滤波器中另一边则由像素值值域决定，两个像素，值相差越小，那么越不可能是边缘，那么越应该对其进行平滑处理，也就是应该提高其在滤波器中的权值（类似于空域中距离越近）而反之，像素值相差越大则越有可能是边缘，则应该尽力保留（类似于空域中距离越远），类比上面的公式，可以得到值域的高斯滤波器如下：

双边滤波器由上述两个滤波器共同决定，因此其最终形式为:
应用场景：
- 人像摄影与图像艺术处理：在人像摄影后期处理中，双边滤波可在平滑皮肤的同时保留面部的五官轮廓、毛发等细节信息，使人物皮肤看起来更加细腻自然。
- 计算机视觉中的视频跟踪与目标识别辅助：在视频跟踪任务中，双边滤波可对视频帧进行预处理，在平滑背景噪声的同时保留目标物体的边缘和纹理信息，有助于提高跟踪算法对目标的定位准确性和稳定性。
- 双边滤波器是一种非线性的滤波方法，它在保持边缘清晰的同时减少噪声，适用于增强小目标的细节特征。由于它考虑了像素之间的强度差异，因此在平滑图像的同时不会模糊边缘，这对于车牌识别中的文字细节增强非常有用。
- 下图中左中右分别是：原图，高斯滤波，双边滤波；

3 引导滤波

引导滤波是由何凯明大佬设计的一个新的保边滤波器，该滤波接收一张原图和引导图，处理后的图片与原图相似，但是在纹理部分则与引导图相似，简单来说引导图是原图的梯度图，他在原图边缘处梯度值大，平滑处梯度值小。他与双边滤波相似，但是可以优化成一个与半径无关的算法，因此计算效率上更加高。此外，引导滤波能够解决双边滤波中只保留边缘不保留梯度（渐变图）的问题。

引导滤波比起双边滤波来说在边界附近效果较好；另外，它还具有 O(N) 的线性时间的速度优势。
图像参考：Opencv-Python-导向滤波&快速导向滤波_guided filter 实现 python-CSDN博客

4.小波滤波器 (Wavelet Filter)

作用：

利用小波变换分解信号并过滤特定频率。
计算复杂度相对较高，涉及到小波变换和逆小波变换，特别是在处理高分辨率的图像或长序列信号时，计算量较大。
相比于传统的傅里叶变换，小波变换具有局部化的优势，能够在空间域和频率域中同时分析信号。小波变换通过对图像进行多尺度分解，将图像分解为多个不同频率的子带。每个子带对应不同的尺度，其中：
低频部分：保留了图像的整体结构和大致信息，通常包含图像的平滑部分。
高频部分：包含了图像的细节信息（如边缘、纹理等）。

应用：

图像压缩与去噪。
地震波信号分析。
生物信号去噪与特征提取。
医学图像分析：
在医学超声成像中，图像质量常常受到斑点噪声的影响。小波滤波可以对超声图像进行多分辨率分解，将图像的纹理信息和噪声分离。在分解后的不同尺度上，斑点噪声通常表现为具有一定规律的小波系数分布。通过合适的阈值处理方法，如软阈值或硬阈值处理，可以有效地去除斑点噪声，同时保留超声图像中的组织结构边界和血管等重要细节。例如，在肝脏超声检查中，小波滤波后的图像能够更清晰地显示肝脏的内部结构，包括肝叶的边界、血管的分布以及可能存在的病变区域，为医生提供更准确的诊断依据。
在磁共振成像（MRI）和计算机断层扫描（CT）图像中，小波滤波也有广泛应用。MRI 图像可能会受到热噪声和系统噪声的干扰，CT 图像可能存在量子噪声等。小波滤波可以增强图像的对比度和细节，尤其是对于一些微小的病变组织。例如，在脑部 MRI 图像中，对于微小的脑肿瘤或血管病变，小波滤波能够突出病变区域与正常组织之间的差异，辅助医生进行早期诊断。

5.均值滤波器 (Mean Filter)

作用：

对信号中的每个点取周围点的平均值，用于平滑噪声。
图像降噪、降低随机噪声。
数据处理中的去抖动。
在 OpenCV 中，可以使用cv2.blur()函数或cv2.boxFilter()函数进行均值滤波操作。
应用场景：
- 工业视觉检测中的粗定位：在工业生产线上，对于形状相对简单、尺寸较大且对精度要求不是极高的零件检测任务，如检测大型金属铸件表面是否有明显的孔洞或裂缝。均值滤波可以快速对图像进行预处理，减少噪声，使缸体的大致轮廓更清晰。
- 简单监控场景中的目标活动监测：在一些对图像细节要求不高的监控场合，如仓库内部的大范围监控，均值滤波能有效降低光线微弱波动、监控设备电子噪声等影响，使监控画面更清晰，便于安保人员快速察觉异常活动。