灰度图像--图像增强 平滑之均值滤波、高斯滤波
学习DIP第30天
转载请标明本文出处：http://blog.csdn.net/tonyshengtan，欢迎大家转载，发现博客被某些论坛转载后，图像无法正常显示，无法正常表达本人观点，对此表示很不满意。有些网站转载了我的博文，很开心的是自己写的东西被更多人看到了，但不开心的是这段话被去掉了，也没标明转载来源，虽然这并没有版权保护，但感觉还是不太好，出于尊重文章作者的劳动，转载请标明出处！！！！
文章代码已托管，欢迎共同开发：https://github.com/Tony-Tan/DIPpro
开篇废话
今天的废话是，我早上来了开始写博客，写了大概和下文差不多的内容，写了很多，就在发表以后，我震惊了，博客是空的，没有内容，我就表示呵呵了，不知道是网速的问题还是CSDN的问题，总之，我就不说啥了。
今天的内容是是平滑，先介绍均值和高斯平滑，高斯平滑是均值平滑的一个扩展，或者是一个进化版本。均值的原理是，一个规定的邻域内，所有像素的平局值作为最终计算的结果，每个像素的权值相同，为总像素的倒数，而高斯平滑是上述的升级版本，邻域内每个像素的权值不同，而权值是由高斯函数确定的。
均值平滑和高斯平滑都是线性的，也就是，一旦参数给定，模板就确定下来，不会因为位置和像素分布不同而改变，而线性模板的基本运算是卷积。
线性模板的另一个性质就是可以进行频域分析，比如高斯平滑的频域仍然是高斯的，而且是低通的，这与前面讲到的平滑是消除尖锐的噪声（高频）的操作相互证明了其正确性，均值平滑是一个盒状滤波器，其频域为sinc函数，也是一个近似的低通，但sinc函数有旁瓣，所以，模板宽度选择不好可能会有一些不好的效果，比如有些高频会被保留，这一点也比较好理解。
比较下两种均值（加权和不加权）。比如一维的一个序列{0，0，0，0，0，1000，0，0，0，0}，明显1000是个边缘，如果使用3个宽度的均值平滑，结果是{0，0，0，0，333，333，333，0，0，0}，边缘被完全模糊掉了。但如果使用{1，2，1}的近似高斯平滑模板，结果是{0，0，0，0，250，500，250，0，0，0}，边缘被保留。所以，加权平均（高斯）可以保留一定的细节。
对于设计的线型滤波器，其效果可以先是由傅里叶变换，到频域进行观察，便可大致推测出其效果，测试图片（灰度输入）：
均值滤波
数学
基本数学原理公式，以3x3为例：
得到滤波模板：
应用于图像的计算公式：
上式中的w(s,t)恒等于1。
效果
观察下用3x3，5x5和7x7的均值模板与图像卷积的结果：
3x3模板：
5x5模板：
7x7模板：
可以得出结论，均值滤波的模板越大，图像越模糊。
代码
- void MeanMask(double *mask,int width,int height){
- double w=width;
- double h=height;
- double meanvalue=1.0/(w*h);
- for(int i=0;i<width*height;i++)
- mask[i]=meanvalue;
- }
- void MeanFilter(IplImage *src,IplImage *dst,int width,int height){
- double * pixarry=(double *)malloc(sizeof(double)*src->width*src->height);
- double * dstarry=(double *)malloc(sizeof(double)*src->width*src->height);
- double * mask=(double *)malloc(sizeof(double)*width*height);
- for(int j=0;j<src->height;j++){
- for(int i=0;i<src->width;i++){
- pixarry[j*src->width+i]=cvGetReal2D(src, j, i);
- }
- }
- MeanMask(mask, width, height);
- RealRelevant(pixarry,dstarry,mask,src->width,src->height,width,height);
- for(int j=0;j<src->height;j++){
- for(int i=0;i<src->width;i++){
- cvSetReal2D( dst,j,i,dstarry[j*src->width+i]);
- }
- }
- free(pixarry);
- free(dstarry);
- free(mask);
- }
void MeanMask(double *mask,int width,int height){
double w=width;
double h=height;
double meanvalue=1.0/(w*h);
for(int i=0;i<width*height;i++)
mask[i]=meanvalue;
}
void MeanFilter(IplImage *src,IplImage *dst,int width,int height){
double * pixarry=(double *)malloc(sizeof(double)*src->width*src->height);
double * dstarry=(double *)malloc(sizeof(double)*src->width*src->height);
double * mask=(double *)malloc(sizeof(double)*width*height);
for(int j=0;j<src->height;j++){
for(int i=0;i<src->width;i++){
pixarry[j*src->width+i]=cvGetReal2D(src, j, i);
}
}
MeanMask(mask, width, height);
RealRelevant(pixarry,dstarry,mask,src->width,src->height,width,height);
for(int j=0;j<src->height;j++){
for(int i=0;i<src->width;i++){
cvSetReal2D( dst,j,i,dstarry[j*src->width+i]);
}
}
free(pixarry);
free(dstarry);
free(mask);
}
这个代码并不是最快速的，只是为了和高斯平滑相互保持一致。所以，如果要使用，需要先优化。
高斯滤波
高斯平滑，就是一种加权的均值，权值由高斯函数确定。
数学
高斯函数：
在三维中的形状如下：
生成上图的matlab代码：
- % 公式： p(z) = exp(-(z-u)^2/(2*d^2)/(sqrt(2*pi)*d)
- X = 0 : 1 : 100;
- Y = 0 : 1: 100;
- % 方差
- d= 49;
- Z = zeros(101, 101);
- for row = 1 : 1 : 101
- for col = 1 : 1 : 101
- Z(row, col) = (X(row) - 50) .* (X(row)-50) + (Y(col) - 50) .* (Y(col) - 50);
- end
- end
- Z = -Z/(2*d);
- Z = exp(Z) / (sqrt(2*pi) * sqrt(d));
- surf(X, Y, Z);
% 公式： p(z) = exp(-(z-u)^2/(2*d^2)/(sqrt(2*pi)*d)
X = 0 : 1 : 100;
Y = 0 : 1: 100;
% 方差
d= 49;
Z = zeros(101, 101);
for row = 1 : 1 : 101
for col = 1 : 1 : 101
Z(row, col) = (X(row) - 50) .* (X(row)-50) + (Y(col) - 50) .* (Y(col) - 50);
end
end
Z = -Z/(2*d);
Z = exp(Z) / (sqrt(2*pi) * sqrt(d));
surf(X, Y, Z);当坐标（u，v）远离原点时，函数值越小。这与概率的知识相符，越远离中心（原点）的像素灰度值，对中心像素灰度值的相关性越小，所以被赋予的权值越小。
效果
观察效果，使用不同标准差，和模板大小的结果：
结论：
- 同等模板大小，标准差越大越模糊
- 标准差相同，模板越大图像越模糊。
代码
- void GaussianMask(double *mask,int width,int height,double deta){
- double deta_2=deta*deta;
- int center_x=width/2;
- int center_y=height/2;
- double param=1.0/(2*M_PI*deta_2);
- for(int i=0;i<height;i++)
- for(int j=0;j<width;j++){
- double distance=Distance(j, i, center_x, center_y);
- mask[i*width+j]=param*exp(-(distance*distance)/(2*deta_2));
- }
- double sum=0.0;
- for(int i=0;i<width*height;i++)
- sum+=mask[i];
- for(int i=0;i<width*height;i++)
- mask[i]/=sum;
- }
- void GaussianFilter(IplImage *src,IplImage *dst,int width,int height,double deta){
- double * pixarry=(double *)malloc(sizeof(double)*src->width*src->height);
- double * dstarry=(double *)malloc(sizeof(double)*src->width*src->height);
- double * mask=(double *)malloc(sizeof(double)*width*height);
- for(int j=0;j<src->height;j++){
- for(int i=0;i<src->width;i++){
- pixarry[j*src->width+i]=cvGetReal2D(src, j, i);
- }
- }
- GaussianMask(mask, width, height, deta);
- RealRelevant(pixarry,dstarry,mask,src->width,src->height,width,height);
- for(int j=0;j<src->height;j++){
- for(int i=0;i<src->width;i++){
- cvSetReal2D( dst,j,i,dstarry[j*src->width+i]);
- }
- }
- free(pixarry);
- free(dstarry);
- free(mask);
- }
void GaussianMask(double *mask,int width,int height,double deta){
double deta_2=deta*deta;
int center_x=width/2;
int center_y=height/2;
double param=1.0/(2*M_PI*deta_2);
for(int i=0;i<height;i++)
for(int j=0;j<width;j++){
double distance=Distance(j, i, center_x, center_y);
mask[i*width+j]=param*exp(-(distance*distance)/(2*deta_2));
}
double sum=0.0;
for(int i=0;i<width*height;i++)
sum+=mask[i];
for(int i=0;i<width*height;i++)
mask[i]/=sum;
}
void GaussianFilter(IplImage *src,IplImage *dst,int width,int height,double deta){
double * pixarry=(double *)malloc(sizeof(double)*src->width*src->height);
double * dstarry=(double *)malloc(sizeof(double)*src->width*src->height);
double * mask=(double *)malloc(sizeof(double)*width*height);
for(int j=0;j<src->height;j++){
for(int i=0;i<src->width;i++){
pixarry[j*src->width+i]=cvGetReal2D(src, j, i);
}
}
GaussianMask(mask, width, height, deta);
RealRelevant(pixarry,dstarry,mask,src->width,src->height,width,height);
for(int j=0;j<src->height;j++){
for(int i=0;i<src->width;i++){
cvSetReal2D( dst,j,i,dstarry[j*src->width+i]);
}
}
free(pixarry);
free(dstarry);
free(mask);
}
总结
之前写了很多结论，现在都忘完了，因为理论很简单，主要是观察结果，线性平滑基本就介绍这些，下篇介绍非线性的。
扫一扫
767
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
