图像滤波器可以理解为卷积操作的图像解释,平移、旋转、尺度变换、滤波、增强等等,都可以用卷积实现。
1、均值滤波
均值滤波,顾名思义就是窗口内取均值代替原来的值。用卷积模板来表示如下:
图像中的每个点,取以自己为中心的八邻域的均值作为滤波后的值。用数学表达,f 为 m*n 大小的图像,g 为 k * l 大小的卷积核,如下:
2、平移
图像与一个只有中心点为 1,其它为 0 的卷积进行卷积操作,结果为自身(边界处理上与原图存在不一致)。
平移,如向右平移,卷积核右边为1,其它为0,效果如下:
3、边缘、锐化
3.1、边缘提取
边缘是什么呢?原图 - 均值滤波平滑后的图 = 边缘图。
转为卷积操作表达:
3.2、锐化
锐化是什么呢?原图 + 边缘图 = 锐化。
转为卷积操作表达:
3.3、拉普拉斯高斯锐化
数学表达:
4、卷积操作性质
4.1、图像与卷积操作有以下性质
1)线性:
2)平移不变性:
4.2、卷积核性质
1)交换律:
2)结合律:
3)分配律:
4)尺度:
5)卷积中心为1的核结果为自身:
5、高斯卷积核
方形模板的均值滤波容易让图像产生振铃效果,如下:
所以,实际中更希望模板为平滑的,离当前点近的权重高点,离的远的权值低点。高斯函数满足这样的需求,二维高斯表达如下:
注:这里要求所有的模板权重之和为1,才能保证图像整体亮度不变。所以,一般会在高斯模板后对其进行归一化。
三要素:窗宽、方差、模板归一化。
窗宽不变情况下,方差越大,形状越扁,中间值越集中。平滑的就不那么厉害。
方差不变下,窗宽的大小仅受最后一步模板归一化的影响。一般情况3o置信度为98%,2o置信度90%。一般取一半的窗宽等于3o。
6、高斯卷积核性质
性质1:图像被高斯卷积核两次卷积,等价于使用一个根号2倍的方差的卷积核卷一次。即一个大高斯卷积核可以由两个小卷积核连续卷积得到。
性质2:二维的高斯核可以分解为两个一维的高斯核。