图像的平滑处理

最新推荐文章于 2024-08-16 17:35:56 发布

ReWz

最新推荐文章于 2024-08-16 17:35:56 发布

阅读量1.1w

点赞数 9

分类专栏：图像处理算法与模式识别

本文链接：https://blog.csdn.net/qq_43409114/article/details/104616769

版权

图像处理算法与模式识别专栏收录该内容

16 篇文章 30 订阅

订阅专栏

一、图像的平滑处理

基本概念

图像在获取、传输的过程中，可能会受到干扰的影响，会产生噪声，噪声是一种出错了的信号，噪声会造成图像粗糙，需要我们对图像进行平滑处理。图像去噪是一种信号滤波的方法，目的就是为了保留有用的信号。

噪声的基本特点就是灰度值不相关、空间位置都是随机的

平滑的目的
1. 模糊：在提取大目标之前，去除太小的细节。将目标内的小间断点连接起来
2.消除噪声:改善图像质量，降低干扰。

平滑滤波对图像的低频分量增强，同时会消弱高频分量。用于消除图像中的随机噪声，起到平滑作用

基本方法

本节的方法主要是运用在空间域内，所谓空间域就是指直接在像素坐标处对其值进行操作。相应的，还有频域法，所谓频域法就是通过傅里叶变换、拉普拉斯变化，将图像数据映射到频域里，然后滤除噪声的频率，再把数据映射回空间域。

空间滤波增强技术，都是基于模板进行的，模板也叫做滤波器、掩膜,窗口。用某一模板对每个像元与其周围邻域的所有像元进行某种数学运算，得到该像元新的灰度值。新的灰度值不仅与该像元的灰度值有关，还与其邻域内的像元的灰度值有关。

实际上，模板的大小是可以人为确定的，可以3 * 3，也可以5 * 5。但一定是要是奇数，各种系数也可以通过我们的需要来确定。

图像平滑，有以下三种基本方法

1.线性平滑:每一个像素的灰度值用它的邻域值代替，邻域为NXN，N取奇数。

2.非线性平滑:改进,取一个阈值，当像素值与其邻域平均值之间的差大于阈	值,以均值代替;反之.取其本身值。

3.自适应平滑:物体边缘在不同的方向上有不同的统计特性，即不同的均值和方差，为保留一定的边缘信息，采用自适

在这里插入图片描述

什么是卷积运算
卷积运算卷积，就是作加权求和的过程。卷积核就是模板模板，大小与邻域相同。邻域中的每个像素分别与卷积核中的每–个元素相乘，求和结果即为中心像素的新值。卷积核中的元素称作加权系数(卷积系数)，系数的大小及排列顺序，决定了处理的类型。改变加权系数与符号,影响新值。我们这里所说的卷积与复变函数中的卷积公式有所差比，但表达的意思都是一样的，都是想进行加权求和

当模板在图像移动时候，遇到没有领域的像素该如何处理？

最简单的处理方法就是忽略这些像素，不去计算他
在图像周围再复制一圈原图像的边界像素值
如果我们计算出来的值超过255，我们将超过范围的值重新再人为指定一个值

滤波器介绍

$\frac{1}{9}\begin{bmatrix} 1 &1 &1 \\ 1 &1 &1 \\ 1& 1 & 1 \end{bmatrix} （均值滤波）$

$\frac{1}{16}\begin{bmatrix} 1 &2 &1 \\ 2 &4 &2 \\ 1& 2 & 1 \end{bmatrix} （高斯型滤波）$

$\frac{1}{8}\begin{bmatrix} 1 &1 &1 \\ 1&1 &1 \\ 1& 0 & 1 \end{bmatrix} (去黑白点噪声滤波)$

二、python代码实现

因为滤波器可以有很多个，不同的滤波也有不同的处理方式，所以我将对于滤波的处理方式，单独抽象出来，形成一个接口，可以方便定制。

    def filter(self,v,handle):
        #首先判断滤波器的大小
        width = len(v)  # 得到滤波器大小
        assert len(v)==len(v[0]),'滤波器不合乎规范'
        assert width%2!=0,'滤波器边长必须为奇数'
        v_w=int(width/2) #得到中心像元边界的大小
        img_buf=np.copy(self.Img) #开辟一个图像缓存区
        # 对可以使用模板的区域进行遍历
        for y in range(v_w,self.f_height-v_w):
            for x in range(v_w,self.f_width-v_w):
                v_values=self.Img[y-v_w:y+v_w+1,x-v_w:x+v_w+1] # 得到所有像素元的值
                img_buf[y][x]=handle(v,v_values) #将对于的值丢到处理接口中
        self.Img=img_buf

后面我单独实现了一个接口，可以处理黑白图去噪滤波器，如下

#去除黑白图噪声滤波处理接口
def BWhandle(v,v_values):
    res=np.array([]) #等待返回的结果
    for i in range(0,3):# 对R、G、B三种分量进行处理
        src=v_values[:,:,i] # 首先取出原始图像的数据
        x=np.sum(src*v) #然后使用对应模板进行取值
        '下面，则是去黑白噪点滤波的判断方式'
        if x>127.5:
            x=255
        else:
            x=0
        res=np.append(res,x)
    return res

代码运行的效果如下

原图
在这里插入图片描述
使用算法处理之后的图像如下

下面的代码实现了均值滤波。

什么时候用均值滤波呢？
一副图像往往受到各种噪声的干扰，噪声常常是一些孤立的像素点，往往是叠加再图像上的随机噪声。像素的灰度应该是连续变化的，一般不会突然变大，或者突然变小。这种噪声，可以用均值滤波来储器。但是该滤波会造成图像模糊

特性如下

对于单调递增或者单调递减的序列，输出值不变
非线性的
对高斯噪声的处理效果不太好。
大边缘，中值滤波好于均值滤波

#均值滤波处理接口
def avgHandle(v,v_values):
    res=np.array([]) #等待返回的结果
    for i in range(0,3):# 对R、G、B三种分量进行处理
        src=v_values[:,:,i] # 首先取出原始图像的数据
        x=np.sum(src*v) #然后使用对应模板进行取值
        if x>255:
            x=255
        elif x<0:
            x=255
        res=np.append(res,x)
    return res

原图如下
在这里插入图片描述
算法计算之后的图像如下

图像明显变模糊了，黑点颜色变浅了。

下面的代码实现了中值滤波，其原理就是将窗口中的数值从小到大排序，取中间值为最终结果。该方法对于滤除脉冲干扰以及图像扫描噪声最为有效，克服了领域平均法带来模糊的现像，该滤波既可以消除噪声，又可以保持图像的细节，可以消除孤立的噪声点。但是对于点、线、尖较多的图像不适宜使用

# 中值滤波的处理接口
def medianHandle(v, v_values):
    res=np.array([]) #等待返回的结果
    for i in range(0,3):# 对R、G、B三种分量进行处理
        src=v_values[:,:,i] # 首先取出原始图像的数据
        x=np.median(src)
        res=np.append(res,x)
    return res