空间滤波工作机理如上图。模板或者说核,掩膜逐个点移动,如果是线性滤波的话,那么(x,y)这个点经过滤波后的像素值由原来的a,变为模板系数和该系数对应的像素值的乘积和。
这个操作和卷积神经网络中卷积核操作一样,下面介绍几种滤波器。
1、平滑线性滤波器
平滑滤波器用于模糊处理和减少噪声。
原理是输出为模板内像素简单的平均值,所以也叫均值滤波器。
由于噪声就是由于图像灰度的尖锐变化产生的,所以均值处理可以减少噪声。但是图像边缘的特性也是灰度变化,所以也会产生边缘模糊的负面效应。
我们采用的平均一般是加权平均,核中心权重最大,四周的最小,有助于减少模糊。而且16是2的整数次幂,计算机便于计算。当然也有其他的权重来实现不同目的。
2、统计排序滤波器
这是一种非线性的空间滤波器。最典型的就是中值滤波器,将像素邻域内灰度的中值代替该像素值。这种滤波器对于脉冲噪声(椒盐噪声)具有得天独厚的处理优势。
3.锐化空间滤波器
锐化的目的就是突出图像中的细节或者增强被模糊了的细节。
之前说过均值处理会模糊图像,其实均值和积分的思想类似,所以我们猜测锐化可以用空间微分实现。微分会增强边缘和噪声,减弱灰度变化缓慢的区域。其实微分就类似求导,我们可以想象出来。
微分形式如下:
二阶微分其实就是导数的导数,可以用一阶微分推出来。
图像增强----拉普拉斯算子
为了数字图像的离散表示
我们可以看出,模板的系数其实就实现了拉普拉斯算子。
通常,因为二阶微分算子会增强突变的区域,降低灰度变化缓慢的区域。所以我们经常把拉普拉斯算子和原图像叠加起来。这样不仅能保留图像的背景,还能增强细节。
基于一阶微分的图像增强----梯度法
梯度是【Gx,Gy】,我们通常用模值来表示这个向量,又为了简便计算,用绝对值代替平方开方。梯度=|Gx+Gy|。
而用模板怎么表示,根据一阶微分的形式,也就是Gx=z8-z5,Gy=z6-z5.
还有一种交叉差分表示。
sobel算子就是其中一种,不具体介绍。