计算机视觉笔记04_图像滤波

图像滤波

滤波是信号处理中的一个概念，我们可以把图像视为一种二维信号。在图像处理中，滤波是经常用到的技术，滤波是很多图像算法的基础或前置步骤，掌握图像滤波对卷积神经网络也有一定帮助。

滤波的分类

• 线性滤波

  对邻域中的像素的计算为线性运算时，如利用窗口函数进行平滑加权求和的运算，或者某种卷积运算，都可以称为线性滤波。常见的线性滤波有：均值滤波、高斯滤波、盒子滤波、拉普拉斯滤波等等，通常线性滤波器之间只是模版系数不同。

• 非线性滤波

  非线性滤波利用原始图像跟模版之间的一种逻辑关系得到结果，如最值滤波器，中值滤波器。比较常用的有中值滤波器和双边滤波器。

常用滤波

• 均值滤波

  应用

  均值模糊可以模糊图像以便得到感兴趣物体的粗略描述，也就是说，去除图像中的不相关细节，其中“不相关”是指与滤波器模板尺寸相比较小的像素区域，从而对图像有一个整体的认知。即为了对感兴趣的物体得到一个大致的整体的描述而模糊一幅图像，忽略细小的细节。

  缺点

  均值滤波本身存在着固有的缺陷，即它不能很好地保护图像细节，在图像去噪的同时也破坏了图像的细节部分，从而使图像变得模糊，不能很好地去除噪声点。特别是椒盐噪声。

  均值滤波是上述方框滤波的特殊情况，均值滤波方法是：对待处理的当前像素，选择一个模板，该模板为其邻近的若干个像素组成，用模板的均值（方框滤波归一化）来替代原像素的值。公式表示为：
  $$g(x,y)=\frac{1}{n}\sum _{I\in Neighbour}I(x,y)$$
  $g(x,y)$为该邻域的中心像素，$n$跟系数模版大小有关，一般3*3邻域的模板，$n$取为9，如：
  $$\left[\begin{array}{ccc}1& 1& 1\\ 1& 1& 1\\ 1& 1& 1\end{array}\right]$$

• 方框(盒子)滤波

  方框滤波是一种非常有用的线性滤波，也叫盒子滤波，均值滤波就是盒子滤波归一化的特殊情况。

  应用

  可以说，一切需要求某个邻域内像素之和的场合，都有方框滤波的用武之地，比如：均值滤波、引导滤波、计算Haar特征等等。

  优势

  速度快，它可以使复杂度为$O(MN)$的求和，求方差等运算降低到$O(1)$或近似于$O(1)$的复杂度，也就是说与邻域尺寸无关了，有点类似积分图吧，但是比积分图更快（与它的实现方式有关）。

  在原理上，是采用一个卷积核与图像进行卷积：
  $$K=\alpha \left[\begin{array}{cccc}1& 1& \cdots & 1\\ 1& 1& \cdots & 1\\ ⋮& ⋮& \ddots & ⋮\\ 1& 1& \cdots & 1\end{array}\right]$$
  其中
  $$\alpha =\{\begin{array}{ll}\frac{1}{ksiz{e}_{width}\ast ksiz{e}_{height}}& normalize=true\\ 1& otherwise\end{array}$$
  可见，归一化了就是均值滤波；不归一化则可以计算每个像素邻域上的各种积分特性，方差、协方差，平方和等等。

• 高斯滤波

  高斯滤波是一种线性平滑滤波器，对于服从正态分布的噪声有很好的抑制作用。在实际场景中，我们通常会假定图像包含的噪声为高斯白噪声，所以在许多实际应用的预处理部分，都会采用高斯滤波抑制噪声，如传统车牌识别等。

  高斯滤波和均值滤波一样，都是利用一个掩膜和图像进行卷积求解。不同之处在于：均值滤波器的模板系数都是相同的为1，而高斯滤波器的模板系数，则随着距离模板中心的增大而系数减小（服从二维高斯分布）。所以，高斯滤波器相比于均值滤波器对图像个模糊程度较小，更能够保持图像的整体细节。

  二维高斯分布
  高斯分布公式:
  $$f(x,y)=\frac{1}{(\sqrt{2\pi }\sigma {)}^2}{e}^{-\frac{(x-wx{)}^2+(y-xy{)}^2}{2{\sigma }^2}}$$
  我们不关心系数，系数只是一个常数，并不会影响互相之间的比例关系，并且最终都要进行归一化，所以在实际计算时我们忽略它只计算后半部分:
  $$f(x,y)=e^{-\frac{(x-wx{)}^2+(y-xy{)}^2}{2{\sigma }^2}}$$
  其中(x,y)为掩膜内任一点的坐标，(ux,uy)为掩膜内中心点的坐标，在图像处理中可认为是整数；σ是标准差。

  例如：要产生一个3×3的高斯滤波器模板，以模板的中心位置为坐标原点进行取样。模板在各个位置的坐标，如下所示（x轴水平向右，y轴竖直向下）。
  $$\begin{array}{ccc}(-1,1)& (0,1)& (1,1)\\ (-1,0)& (0,0)& (1,0)\\ (-1,-1)& (0,-1)& (1,1)\end{array}$$
  将各个位置的坐标带入到高斯函数中，得到的值就是模板的系数。
  对于窗口模板的大小为 (2k+1)×(2k+1)，模板中各个元素值的计算公式如下：
  $$H_{i,j}=\frac{1}{2\pi {\sigma }^2}{e}^{-\frac{(i-k-1{)}^2+(j-k-1{)}^2}{2{\sigma }^2}}$$
  计算出来的模板有两种形式：小数和整数。

• 小数形式的模板，就是直接计算得到的值，没有经过任何的处理；

• 整数形式的，则需要进行归一化处理，将模板左上角的值归一化为1，具体介绍请看这篇博文。使用整数的模板时，需要在模板的前面加一个系数，系数为模板系数和的倒数。