《中值滤波与均值滤波.ppt》由会员分享，可在线阅读，更多相关《中值滤波与均值滤波.ppt（49页珍藏版）》请在三一文库上搜索。
1、信号的噪声抑制,所谓的信号噪声，是信号在摄取时或是传输时所受到的随机干扰信号。 常见的有椒盐噪声和高斯噪声。,信号噪声的概念,椒盐噪声的特征: 出现位置是随机的，但噪声的幅值是基本相同的。 高斯噪声的特征： 出现在位置是一定的（每一点上），但噪声的幅值是随机的。,图像噪声的概念,设计噪声抑制滤波器，在尽可能保持原图信息的基础上，抑制噪声。 均值滤波器 中值滤波器 边界保持类滤波器,图像噪声的抑制方法,均值滤波器 原理,在图像上，对待处理的像素给定一个模板，该模板包括了其周围的邻近像素。将模板中的全体像素的均值来替代原来的像素值的方法。,以模块运算系数表示即：,3,4,4,4,5,6,6,7,8
2、,C=6.6316,C=5.5263,均值滤波器 处理方法,待处理像素,示例,边框保留不变的效果示例,均值滤波器的改进 加权均值滤波,均值滤波器的缺点是，会使图像变的模糊，原因是它对所有的点都是同等对待，在将噪声点分摊的同时，将景物的边界点也分摊了。 为了改善效果，就可采用加权平均的方式来构造滤波器。,均值滤波器的改进 加权均值滤波,如下，是几个典型的加权平均滤波器。,示例,示例,示例,示例,中值滤波器 问题的提出,虽然均值滤波器对噪声有抑制作用，但同时会使图像变得模糊。即使是加权均值滤波，改善的效果也是有限的。 为了有效地改善这一状况，必须改换滤波器的设计思路，中值滤波就是一种有效的方法。,
3、中值滤波器 设计思想,因为噪声（如椒盐噪声）的出现，使该点像素比周围的像素亮（暗）许多。 如果在某个模板中，对像素进行由小到大排列的重新排列，那么最亮的或者是最暗的点一定被排在两侧。 取模板中排在中间位置上的像素的灰度值替代待处理像素的值，就可以达到滤除噪声的目的。,中值滤波器 原理示例,2,6,2,中值滤波器 处理示例,例：模板是一个1*5大小的一维模板。 原图像为： 2 2 6 2 1 2 4 4 4 2 4 处理后为：,2,2,(1,2,2,2,6),2,(1,2,2,2,6),2,(1,2,2,4,6),2,2,4,4,4,4,4,(2,4,4),中值滤波器 滤波处理方法,与均值滤波类
4、似，做3*3的模板，对9个数排序，取第5个数替代原来的像素值。,中值滤波器 例题,2,3,4,5,6,6,6,7,8,C=6.6316,C=5.5263,示例,中值滤波器与均值滤波器的比较,对于椒盐噪声，中值滤波效果比均值滤波效果好。,中值滤波器与均值滤波器的比较,原因： 椒盐噪声是幅值近似相等但随机分布在不同位置上，图像中有干净点也有污染点。 中值滤波是选择适当的点来替代污染点的值，所以处理效果好。 因为噪声的均值不为0，所以均值滤波不能很好地去除噪声点。,中值滤波器与均值滤波器的比较,对于高斯噪声，均值滤波效果比均值滤波效果好。,中值滤波器与均值滤波器的比较,原因： 高斯噪声是幅值近似正态
5、分布，但分布在每点像素上。 因为图像中的每点都是污染点，所以中值滤波选不到合适的干净点。 因为正态分布的均值为0，所以均值滤波可以消除噪声。（注意：实际上只能减弱，不能消除。）,边界保持类平滑滤波器 问题的提出,经过平滑滤波处理之后，图像就会变得模糊。 分析原因，在图像上的景物之所以可以辨认清楚是因为目标物之间存在边界。 而边界点与噪声点有一个共同的特点是，都具有灰度的跃变特性。所以平滑处理会同时将边界也处理了。,边界保持类平滑滤波器 设计思想,为了解决图像模糊问题，一个自然的想法就是，在进行平滑处理时，首先判别当前像素是否为边界上的点，如果是，则不进行平滑处理；如果不是，则进行平滑处理。,K
6、近邻(KNN)平滑滤波器 原理分析,边界保持滤波器的核心是确定边界点与非边界点。 如图所示，点1是黄色区域的非边界点，点2是蓝色区域的边界点。 点1模板中的像素全部 是同一区域的； 点2模板中的像素则包 括了两个区域。,K近邻(KNN)平滑滤波器 原理分析,在模板中，分别选出5个与点1或点2灰度值最相近的点进行计算，则不会出现两个区域信息的混叠平均。 这样，就达到了边界保持 的目的。,K近邻(KNN)平滑滤波器 实现算法,1) 以待处理像素为中心，作一个m*m的作用模板。 2）在模板中，选择K个与待处理像素的灰度差为最小的像素。 3）将这K个像素的灰度均值替换掉原来的像素值。,K近邻(KNN)
7、平滑滤波器 例题,例：下图，给定3*3模板，k=5。,2,2,3,6,7,8,7,6,8,(1+1+2+2+2)/5=1.6=2,(1+2+2+2+3)/5=2,(2+3+3+4+4)/5=3.2=3,(5+6+6+7+7)/5=6.2=6,(6+6+7+7+8)/5=6.8=7,(6+8+8+8+9)/5=7.8=8,(6+6+7+7+7)/5=6.6=7,(6+6+6+7+7)/5=6.4=6,(7+8+8+8+8)/5=7.8=8,K近邻(KNN)平滑滤波器 效果分析,首先来看一下KNN平滑滤波的效果。 KNN滤波器因为有了边界保持的作用，所以在去除椒盐以及高斯噪声时，对图像景物的清晰度
8、保持方面的效果非常明显。 当然，所付出的代价是：算法的复杂度增加了。,K近邻(KNN)平滑滤波器 效果分析,首先来看一下KNN平滑滤波的效果。 KNN滤波器因为有了边界保持的作用，所以在去除椒盐以及高斯噪声时，对图像景物的清晰度保持方面的效果非常明显。 当然，所付出的代价是：算法的复杂度增加了。,对称近邻平滑滤波器 基本原理,算法示意图如下，从模板中的对称点对寻找与待处理像素相同区域的点。然后对选出的点做均值运算。,1/4*（a1+b1+c1+d2),最小方差平滑滤波器 基本原理,将属于同一个区域的可能的相邻关系以9种模板表示出来，然后计算每个模板中的灰度分布方差，以方差最小的那个模板的均值替
9、代原像素值。,最小方差平滑滤波器 模板结构,模板如下：本例在第2和第6中选择一个方差小的。,Sigma平滑滤波器 基本原理,根据统计数学的原理，属于同一类别的元素的置信区间，落在均值附近2 范围之内。 Sigma滤波器是构造一个模板，计算模板的标准差，置信区间为当前像素值的2范围。 将模板中落在置信范围内的像素的均值替换原来的像素值。,Sigma平滑滤波器 例题,如下，是一个5*5的模板。, =1.56,置信区间为： f(i,j)-2, f(i,j)+2=5-3.12,5+3.12=1.88,8.12,g(i,j) =4.33,4,边界保持类平滑滤波器 总结,边界保持类平滑滤波器的核心是：尽可能地将平滑处理避开两个或多个不同区域进行计算。可以采用不同形状结构判别，也可以采用同类相似的概念进行判别。,噪声图像示意图,图像的噪声示例,椒盐噪声示例,高斯噪声示例,均值滤波器滤椒盐噪声的效果,均值滤波器滤高斯噪声的效果,