卷积
定义:卷积运算就是对于图像 f(x,y) 中的每个像素,将其作为中心像素,计算它及其邻域像素和kernel核 w(a,b)对应位置元素的乘积,然后把结果相加到一起,得到的值就作为该中心像素的新值,这样就完成了一次卷积运算。然后将kernel向下或向左平移一位继续计算每个像素的新值,直到遍历完整个图像。
作用:降噪
公式:
性质:
1.线性性
2.平移不变性
3. 任何平移操作都可用卷积来实现
4.
卷积的边缘填充问题
不填充的话,卷积后的图像尺寸会变小。如图:
填充方式:
1.用黑色填充。(深度学习中最为常用,但周围一圈有黑色边)
2.对边反向复制。
3.对最外边像素进行拉伸。
4.镜像。
卷积效果
锐化
原图-平滑图=边缘图
原图+边缘图=锐化图
卷积的问题
图像处理中,对一幅图像进行滤波处理,若选用的频域滤波器具有陡峭的变化,则会使滤波图像产生“振铃”,所谓“振铃”,就是指输出图像的灰度剧烈变化处产生的震荡,就好像钟被敲击后产生的空气震荡。
理想的滤波器:
高斯平滑核
注:模板所有值加起来要为1,如不满1,会被衰减。
产生高斯模板过程:
1.确立窗宽(5*5 or 7*7...... )(窗宽越大,归一化后的值越小,平滑越厉害)
2.确立σ (σ越大,平滑越厉害)
3.归一化
如确定σ,中间值左右都是3σ ,即窗宽为(6σ+1) *(6σ+1)
高斯核作用:
1.过滤高频,去噪。
2.高斯卷积自身是另一个高斯,一个图像连续做两次高斯等价于图像用一个更大的卷积核做一次高斯,数字是勾股关系。
去噪
分类:
1.椒盐噪声 2.脉冲噪声 3.高斯噪声
高斯噪声
噪声方差较小的时候,用方差小的高斯滤波器就可以;当噪声方差较大时,也要适当增大滤波器的方差。高斯滤波器也会下降清晰度。
椒盐噪声
采用中值滤波器,效果奇好。
中值滤波中,图像中不产生新的像素值,只是把突兀的点替换掉。
窗口过大时,中值滤波效果并不好。
锐化
公式:
e:脉冲函数 g:平滑函数