图像处理基本算法-滤波

逃离我推掉我的手 2022-06-17 11:42 349阅读 0赞

线性滤波器的向量表示：

![0_1323794282sLnW.gif][]

W是一个大小为m\*n的滤波器的系数，Z为由滤波器覆盖的相应图像的灰度值。

线性滤波器所能是实现的就是乘积求和操作。

几种常见的滤波器：

平滑空间滤波器如均值滤波

统计排序滤波器如中值滤波

锐化空间滤波器如锐化滤波

1、  均值滤波

![0_1323794287wJ6M.gif][]

均值滤波在去噪声的同时会有如下缺点：

边界模糊效应明显

细节丢失比较严重

2、  中值滤波

![0_1323794293I2Iv.gif][]

中值滤波在边界的保存方面优于均值滤波，是经常使用的一种滤波器，但

是在模板逐渐变大时，依然会存在一定的边界模糊

中值滤波对处理椒盐噪声非常有效，或者称为脉冲噪声。

如果既想去除噪声，又极大的保存细节，此时应该考虑变形虫算法模板的大小是与周围的像素有关，模板随环境自动变化大小，这样在细节较小的区域可以使用较大的模板，而在细节较多的区域使用更小的模板。变形虫算法，以后再讲。

滤波器一般为盒状滤波器，能不能使用其他形状的滤波器，以得到更好的滤波效果呢？

源代码：

//中值滤波和均值滤波
    #include<cv.h>
    #include<highgui.h>
    
    int main(){
    	IplImage * image,*image2,*image3;
    	image = cvLoadImage("E:\\image\\Dart.bmp",0);//以灰度图像的形式读入图片
    	cvNamedWindow("image",CV_WINDOW_AUTOSIZE);
    	cvNamedWindow("image2",CV_WINDOW_AUTOSIZE);
    	cvNamedWindow("image3",CV_WINDOW_AUTOSIZE);
    	//cvSaveImage("E:\\image\\moon.jpg",image,0);
    	cvShowImage("image",image);
    	//cvWaitKey(0);
    	unsigned char * ptr,*dst;
    	int i,j,m,n,sum,temp,r,s;
    	image2 = cvCreateImage(cvGetSize(image),image->depth,1);
    	image3 = cvCreateImage(cvGetSize(image),image->depth,1);
    	//模板1 均值 
    	int tem[9] = {1,1,1,1,1,1,1,1,1}; 
    	//也可以使用改进的高斯模板，但是效果相近 
    	int tem2[9] = {0};//获取中值时用于排序
    
    	//均值滤波3*3模板的均值
    	for( i = 0 ; i < image->height;i++){
    		for( j = 0; j< image->width;j++){
    			
    			//边界处理
    			if(i == 0 || i == image->height || j == 0 || j == image->width){
    				ptr = (unsigned char *)image->imageData + i*image->widthStep + j;
    				dst = (unsigned char *)image2->imageData+ i*image2->widthStep+ j;
    			 	*dst = *ptr; //边界值赋予源图像的值
    			}
    			else {
    				sum = 0;
    				for( m = -1 ; m <= 1; m++  ){
    					for( n = -1 ; n <= 1 ; n++){
    						ptr = (unsigned char *)image->imageData + (i + m)*image->widthStep + j + n;
    						
    						sum += (*ptr) * tem[3*(m+1) + n+1];
    					}
    				}
    				dst = (unsigned char *)image2->imageData+ i *image2->widthStep+ j;	
    				*dst = (unsigned char)((sum +4)/9);//赋新值，四舍五入
    			} 
    		
    		}
    	}
    //中值滤波 在去除噪声的同时，图像的模糊程度比较小，比均值滤波更加适合
    //冲击噪声或者称为椒盐噪声
    	for( i = 0 ; i < image->height;i++){
    		for( j = 0; j< image->width;j++){
    
    			//边界处理
    			if(i == 0 || i == image->height || j == 0 || j == image->width){
    				ptr = (unsigned char *)image->imageData + i*image->widthStep + j;
    				dst = (unsigned char *)image3->imageData+ i*image3->widthStep+ j;
    				*dst = *ptr; //边界值赋予源图像的值
    			}
    			else {
    				temp = 0;
    				//将3*3模板覆盖的值拷贝进数组，一边查找中值
    				for( m = -1 ; m <= 1; m++  ){
    					for( n = -1 ; n <= 1 ; n++){
    						ptr = (unsigned char *)image->imageData + (i + m)*image->widthStep + j + n;
    						tem2[3*(m+1) +n +1] = *ptr;
    						//printf("%d",*ptr);
    					
    					}
    				}
    				//对数组进行冒泡排序
    				for(r = 0 ; r <8; r ++){
    					for(s = 0 ; s< r -1; s++ ){
    						if(tem2[s] > tem2[s+1]){
    							temp = tem2[s];
    							tem2[s] = tem2[s+1];
    							tem2[s+1] = temp;
    						}
    					}
    				}
    				//printf("%d",tem2[4]);
    				//对新图赋予新值
    				dst = (unsigned char *)image3->imageData+ i *image3->widthStep+ j;	
    				*dst = (unsigned char)(tem2[4]);//赋新值
    			} 
    
    		}
    	}
    
    	cvShowImage("image2",image2);
    	cvShowImage("image3",image3);
    	cvWaitKey(0);
    	cvSaveImage("E:\\image\\Dart2.bmp",image2,0);
    	cvSaveImage("E:\\image\\Dart3.bmp",image3,0);
    	return 0;
    }

效果图：

原图：

![0_13237945135LL1.gif][]  
均值滤波：

![0_1323794496Hi9v.gif][]

中值滤波：

![0_1323794506PixY.gif][]

可以看到，均值滤波缺点明显：

边界模糊效应明显

细节丢失比较严重

而中值滤波在保持细节方面明显优于均值滤波。

在滤波模板变大时，效果如何呢？

matlab源码：

A = imread('Dart.bmp')
    
    %采用中值滤波和均值滤波的比较
    %模板大小的改变对滤波效果的影响
    subplot(3,3,1)
    imshow(A)
    for n = 1 : 8 
        m = 2*n +1
     B = medfilt2(A ,[m,m])
     subplot(3,3,n+1)
     imshow(B)
     
    end
    
    %采用均值滤波查看图像的变化
    subplot(3,3,1)
    imshow(A)
    for n = 1 : 8 
        m = 2*n +1
     C = imfilter(A,[m,m]);
     subplot(3,3,n+1)
     imshow(B)
    end

效果图：

均值滤波加大模板的效果：

![0_1323794751fB23.gif][]  
中值滤波加大模板的效果：

![0_1323794743ed28.gif][]

可以看出随着模板的加大，中值滤波的模糊度也在增加，但是比均值要好很多。

3、Laplace图像锐化

锐化空间滤波器的一阶二阶微分的零交叉对于边缘定位非常有用

图像的边缘经一阶微分产生较粗的边缘

二阶微分产生由0分开的一个双边缘，这是一个适合锐化图像的理想特征。

锐化laplace算子可以突出图像中的灰度突变，但并不强调灰度缓慢变化的区域。

两种常用的Laplace模板：

0  1  0

1  -4 1

0  1  0

1 1 1

1 -8 1

1 1 1

但是得到突变的区域之后该怎么用呢？

事实上，如果源图像和laplace图像和叠加，这样既可以复原原图的背景特性，并保持laplace锐化处理的效果。这样做可以极大的增强图像的细节。

源代码：

//锐化滤波，并利用锐化滤波增强图像的细节
    #include<cv.h>
    #include<highgui.h>
    
    int main(){
    	IplImage * image,*image2,*image3;
    	image = cvLoadImage("E:\\image\\moon.tif",0);
    	cvNamedWindow("image",CV_WINDOW_AUTOSIZE);
    	cvNamedWindow("image2",CV_WINDOW_AUTOSIZE);
    	cvNamedWindow("image3",CV_WINDOW_AUTOSIZE);
    	cvSaveImage("E:\\image\\moon.jpg",image,0);
    	cvShowImage("image",image);
    	//cvWaitKey(0);
    	unsigned char * ptr,*dst;
    	image2 = cvCreateImage(cvGetSize(image),image->depth,1);
    	image3 = cvCreateImage(cvGetSize(image),image->depth,1);
    	
    	
    	int i,j,m,n,sum;
    
    	//锐化模板
    	int tem[9] = {0,1,0,1,-4,1,0,1,0}; 
    
    	//锐化滤波
    	for( i = 0 ; i < image->height;i++){
    		for( j = 0; j< image->width;j++){
    
    			//边界处理
    			if(i == 0 || i == image->height || j == 0 || j == image->width){
    				ptr = (unsigned char *)image->imageData + i*image->widthStep + j;
    				dst = (unsigned char *)image2->imageData+ i*image2->widthStep+ j;
    				*dst = *ptr; //边界值赋予源图像的值
    			}
    			else {
    				sum = 0;
    				for( m = -1 ; m <= 1; m++  ){
    					for( n = -1 ; n <= 1 ; n++){
    						ptr = (unsigned char *)image->imageData + (i + m)*image->widthStep + j + n;
    
    						sum += (*ptr) * tem[3*(m+1) + n+1];
    					}
    				}
    				dst = (unsigned char *)image2->imageData+ i *image2->widthStep+ j;	
    				*dst = (unsigned char)((sum +4)/9);//赋新值，四舍五入
    			} 
    
    		}
    	}
    
    	//锐化的图像与源图像相加,但是在相加之前需要先讲锐化的值稍微降低一些
    	
    	
    	cvShowImage("image2",image2);
    
    	for( i = 0 ; i < image2->height;i++){
    		for( j = 0; j< image->width;j++){
    			ptr = (unsigned char *)image2->imageData + i*image2->widthStep + j; 
    			*ptr = ((*ptr)+4)/5;
    		}
    	}
    	cvAdd(image,image2,image3,0);
    	cvShowImage("image3",image3);
    	
    	cvWaitKey(0);
    	cvSaveImage("E:\\image\\moon2.jpg",image2,0);
    	cvSaveImage("E:\\image\\moon3.jpg",image3,0);
    	return 0;
    }

原图：

![0_13237949295fF5.gif][]

锐化图像：

![0_132379495088oq.gif][]

叠加图像：

![0_1323794971aFUz.gif][]

由叠加图像可知，经过锐化处理和叠加之后，图像的细节部分更加清晰。

[0_1323794282sLnW.gif]: /images/20220617/4053230d54874861b1c52b437c815a56.png
[0_1323794287wJ6M.gif]: /images/20220617/b97f4d83228f4f309b98c4cc9c43933d.png
[0_1323794293I2Iv.gif]: /images/20220617/486e1d3123b949169d31321d9a466580.png
[0_13237945135LL1.gif]: /images/20220617/02b9c0277091426ca2e40f7bbde9e5b5.png
[0_1323794496Hi9v.gif]: /images/20220617/aab048a0637c429aa68c37dad1a0baa1.png
[0_1323794506PixY.gif]: /images/20220617/64ba24ad89de41e9833b60bc42dc7ac5.png
[0_1323794751fB23.gif]: /images/20220617/89db57d4272d4f508d3f174d4d4ba630.png
[0_1323794743ed28.gif]: /images/20220617/9446ad18f8864de4bc1cc3de8e7b55dd.png
[0_13237949295fF5.gif]: /images/20220617/3a1e24cc500144d89499f391ca5a8f46.png
[0_132379495088oq.gif]: /images/20220617/9eb6776be2174c679daf4d99ad4ca83d.png
[0_1323794971aFUz.gif]: /images/20220617/b509c470d42f44aea7ff9c5a3d6fcc8b.png