噪聲與濾波

http://blog.csdn.net/Viweei/article/details/5031477  

3.1

先舉個例子說明一下什麼是平滑(smoothing)，如下面兩幅圖所示：可以看到，圖3.2比圖3.1柔和一些(也模糊一些)。是不是覺得很神奇？其實實現起來很簡單。我們將原圖中的每一點的灰度和它周圍八個點的灰度相加，然後除以9，作為新圖中對應點的灰度，就能實現上面的效果。

圖3.1    原圖

圖3.2     經過平滑處理後的圖

這麼做並非瞎蒙，而是有其道理的。大概想一想，也很容易明白。舉個例子，就象和面一樣，先在中間加點水，然後不斷把周圍的面和進來，攪拌幾次，面就均勻了。

用信號處理的理論來解釋，這種做法實現的是一種簡單的低通濾波器(low pass filter)。哇，好深奧呀！不要緊，這些理論的內容並不多，而且知道一些理論也是很有好處的。在灰度連續變化的圖象中，如果出現了與相鄰象素的灰度相差很大的點，比如說一片暗區中突然出現了一個亮點，人眼能很容易覺察到。就象看老電影時，由於膠片太舊，屏幕上經常會出現一些亮斑。這種情況被認為是一種噪聲。灰度突變在頻域中代表了一種高頻分量，低通濾波器的作用就是濾掉高頻分量，從而達到減少圖象噪聲的目的。

為了方便地敘述上面所說的「將原圖中的每一點的灰度和它周圍八個點的灰度相加，然後除以9，作為新圖中對應點的灰度」這一操作，我們采用如下的表示方法：

(3.1)

這種表示方法有點象矩陣，我們稱其為模板(template)。中間的黑點表示中心元素，即，用哪個元素做為處理後的元素。例如[2. 1]表示將自身的2倍加上右邊的元素作為新值，而[2 1.]表示將自身加上左邊元素的2倍作為新值。

通常，模板不允許移出邊界，所以結果圖象會比原圖小，例如模板是  ，原圖是  ，經過模板操作後的圖象為  ；其中數字代表灰度，x表示邊界上無法進行模板操作的點，通常的做法是復制原圖的灰度，不進行任何處理。

模板操作實現了一種鄰域運算(Neighborhood Operation)，即某個象素點的結果灰度不僅和該象素灰度有關，而且和其鄰域點的值有關。在以後介紹的細化算法中，我們還將接觸到鄰域運算。模板運算的數學涵義是一種卷積(或互相關)運算，你不需要知道卷積的確切含義，只要有這麼一個概念就可以了。

模板運算在圖象處理中經常要用到，可以看出，它是一項非常耗時的運算。以

(3.2)

為例，每個象素完成一次模板操作要用9個乘法、8個加法、1個除法。對於一幅n×n(寬度×高度)的圖象，就是9n²個乘法，8n²個加法和n²個除法，算法復雜度為O(n²)，這對於大圖象來說，是非常可怕的。所以，一般常用的模板並不大，如3×3，4×4。有很多專用的圖象處理系統，用硬件來完成模板運算，大大提高了速度。另外，可以設法將二維模板運算轉換成一維模板運算，對速度的提高也是非常可觀的。例如，(3.2)式可以分解成一個水平模板和一個垂直模板，即，

 =  ×  = 

(3.3)

我們來驗證一下。

設圖象為  ，經過(3.2)式處理後變為  ，經過(3.3)式處理後變為  ，兩者完全一樣。如果計算時不考慮周圍一圈的象素，前者做了4×(9個乘法，8個加法，1個除法)，共36個乘法，32個加法，4個除法；後者做了4×(3個乘法，2個加法)+4×(3個乘法，2個加法)+4個除法，共24個乘法，16個加法，4個除法，運算簡化了不少，如果是大圖，效率的提高將是非常客觀的。

平滑模板的思想是通過將一點和周圍8個點作平均，從而去除突然變化的點，濾掉噪聲，其代價是圖象有一定程度的模糊。上面提到的模板(3.1)，就是一種平滑模板，稱之為Box模板。Box模板雖然考慮了鄰域點的作用，但並沒有考慮各點位置的影響，對於所有的9個點都一視同仁，所以平滑的效果並不理想。實際上我們可以想象，離某點越近的點對該點的影響應該越大，為此，我們引入了加權系數，將原來的模板改造成  ，可以看出，距離越近的點，加權系數越大。

新的模板也是一個常用的平滑模板，稱為高斯(Gauss)模板。為什麼叫這個名字，這是因為這個模板是通過采樣2維高斯函數得到的。

設圖象為  ，分別用兩種平滑模板處理(周圍一圈象素直接從原圖拷貝)。采用Box模板的結果為  ，采用高斯模板的結果為  。

可以看到，原圖中出現噪聲的區域是第2行第2列和第3行第2列，灰度從2一下子跳到了6，用Box模板處理後，灰度從3.11跳到4.33；用高斯模板處理後，灰度從3.跳到4.56,都緩和了跳變的幅度，從這一點上看，兩者都達到了平滑的目的。但是，原圖中的第3，第4行總的來說，灰度值是比較高的，經模板1處理後，第3行第2列元素的灰度變成了4.33，與第3，第4行的總體灰度相比偏小，另外，原圖中第3行第2列元素的灰度為6，第3行第3列元素的灰度為4，變換後，後者4.56反而比前者4.33大了。而采用高斯模板沒有出現這些問題，究其原因，就是因為它考慮了位置的影響。

舉個實際的例子：下圖中，從左到右分別是原圖，用高斯模板處理的圖，用Box模板處理的圖，可以看出，采用高斯模板，在實現平滑效果的同時，要比Box模板清晰一些。

在學習銳化後，我們將給出一個通用的3×3模板操作的程序。

圖3.3     高斯模板和Box模板的對比圖

3.2

中值濾波也是一種典型的低通濾波器，它的目的是保護圖象邊緣的同時去除噪聲。所謂中值濾波，是指把以某點(x,y)為中心的小窗口內的所有象素的灰度按從大到小的順序排列，將中間值作為(x,y)處的灰度值(若窗口中有偶數個象素，則取兩個中間值的平均)。中值濾波是如何去除噪聲的呢？舉個例子就很容易明白了。

原圖	處理後的圖

圖中數字代表該處的灰度。可以看出原圖中間的6和周圍的灰度相差很大，是一個噪聲點。經過3×1窗口(即水平3個象素取中間值)的中值濾波，得到右邊那幅圖，可以看出，噪聲點被去除了。

下面將中值濾波和上面介紹的兩種平滑模板作個比較，看看中值濾波有什麼特點。我們以一維模板為例，只考慮水平方向，大小為3×1(寬×高)。Box模板為  ，高斯模板為  。

先考察第一幅圖：

原圖	經Box模板處理後	經Gauss模板處理後	經中值濾波處理後

從原圖中不難看出左邊區域灰度值低，右邊區域灰度值高，中間有一條明顯的邊界,這一類圖象稱之為「step」(就象灰度上了個台階)。應用平滑模板後，圖象平滑了，但是也使邊界模糊了。應用中值濾波，就能很好地保持原來的邊界。所以說，中值濾波的特點是保護圖象邊緣的同時去除噪聲。

再看第二幅圖：

原圖	經Box模板處理後	經Gauss模板處理後	經中值濾波處理後

不難看出，原圖中有很多噪聲點(灰度為正代表灰度值高的點，灰度為負代表灰度值低的點)，而且是雜亂無章，隨機分布的。這也是一類很典型的圖，稱之為高斯噪聲。經過Box平滑，噪聲的程度有所下降。Gauss模板對付高斯噪聲非常有效。而中值濾波對於高斯噪聲則無能為力。

最後看第三幅圖：

原圖	經Box模板處理後	經Gauss模板處理後	經中值濾波處理後

從原圖中不難看出，中間的灰度要比兩邊高許多。這也是一類很典型的圖，稱之為脈沖 (impulse)。可見，中值濾波對脈沖噪聲非常有效。

綜合以上三類圖，不難得出下面的結論：中值濾波容易去除孤立點，線的噪聲同時保持圖象的邊緣；它能很好的去除二值噪聲，但對高斯噪聲無能為力。要注意的是，當窗口內噪聲點的個數大於窗口寬度的一半時，中值濾波的效果不好。這是很顯然的。

 

 

 

銳化(sharpening)和平滑恰恰相反，它是通過增強高頻分量來減少圖象中的模糊，因此又稱為高通濾波(high pass filter)。銳化處理在增強圖象邊緣的同時增加了圖象的噪聲。

常用的銳化模板是拉普拉斯(Laplacian)模板(見(3.4)式)，又是個數學家的名字，可見學好數學，走遍天下都不怕。

(3.4)

容易看出拉普拉斯模板的作法：先將自身與周圍的8個象素相減，表示自身與周圍象素的差別；再將這個差別加上自身作為新象素的灰度。可見，如果一片暗區出現了一個亮點，那麼銳化處理的結果是這個亮點變得更亮，增加了圖象的噪聲。

因為圖象中的邊緣就是那些灰度發生跳變的區域，所以銳化模板在邊緣檢測中很有用，這一點將在後面詳細介紹。

圖3.1經過拉普拉斯模板處理後，如圖3.4所示

圖3.4     銳化