数字图像处理第五章笔记

最新推荐文章于 2022-11-20 11:09:19 发布

嘻哈过路人

最新推荐文章于 2022-11-20 11:09:19 发布

阅读量1.2k

点赞数 1

分类专栏：数字图像处理文章标签：图像处理

本文链接：https://blog.csdn.net/weixin_38132153/article/details/108074604

版权

本文详细介绍了图像复原模型，包括退化过程、噪声模型，如白噪声、高斯噪声等。接着讲解了空间滤波的各种方法，如均值滤波、中值滤波和自适应滤波器。还探讨了频率域滤波在消除周期噪声中的应用，如带阻滤波、陷波滤波和最佳陷波滤波。最后，简述了逆滤波和维纳滤波等复原技术。

摘要由CSDN通过智能技术生成

一、图像复原模型及噪声模型

1、复原过程模型

退化（复原）过程被建模为一个退化函数和一个加性噪音项
在这里插入图片描述
退化后的图像g(x,y) = h(x,y)★f(x,y) + η(x,y)，★表示卷积
根据空间域的卷积等于频率域的乘积得出：G(u,v)=H(u,v)★F(u,v)+N(u,v)

2、噪声模型

1）噪声来源于图像的获取（光照，传感器温度等）和传输过程（信道的干扰）。
2）白噪声：傅里叶频谱在整个频域内是常数的噪声。在这里插入图片描述
3）概率密度函数
高斯噪声：
瑞利噪声：

伽马噪声：

指数噪声：

均匀噪声：

脉冲（椒盐）噪声：负脉冲是一个黑点（胡椒），正脉冲是一个白点（盐粒）

import cv2
from PIL import Image
import numpy as np
import matplotlib.pyplot as plt

def gasuss_noise(image, mean=0, var=0.001):
    '''
        添加高斯噪声
        mean : 均值
        var : 方差
    '''
    image = np.array(image/255, dtype=float)
    noise = np.random.normal(mean, var ** 0.5, image.shape)
    out = image + noise
    if out.min() < 0:
        low_clip = -1.
    else:
        low_clip = 0.
    out = np.clip(out, low_clip, 1.0)
    out = np.uint8(out*255)
    # cv2.imshow("gasuss", out)
    return out

image = cv2.imread('a.jpg')
# 添加高斯噪声
insert = gasuss_noise(image, mean=0, var=0.04)
cv2.namedWindow('in', 0)
cv2.resizeWindow("in", 500,700);
cv2.imshow("in", insert)
# 高斯滤波器
delete = cv2.GaussianBlur(insert,(3,3),1)
cv2.namedWindow('out', 0)
cv2.resizeWindow("out",</