精华内容
下载资源
问答
  • 图像噪声和滤波

    千次阅读 2015-12-17 14:09:17
    大致可以分为两种典型的图像噪声: –椒盐噪声:噪声的幅值基本相同,但是噪声出现的位置是随机的。 –随机噪声:每一点都存在噪声,但噪声的幅值是随机的。 随机噪声根据其幅值的概率密度函数,还可分成:高斯...

    看了一些资料,自己整理记录下:

    大致可以分为两种典型的图像噪声:
    –椒盐噪声:噪声的幅值基本相同,但是噪声出现的位置是随机的。
    –随机噪声:每一点都存在噪声,但噪声的幅值是随机的。
    随机噪声根据其幅值的概率密度函数,还可分成:高斯噪声、瑞利噪声

    椒盐噪声



    高斯噪声



    设计噪声抑制滤波方法时,应尽可能保持原图信息的基础上,抑制噪声。
    最常见的8种滤波方式

    1、均值滤波器

    2、中值滤波器

    3、高斯滤波         

    4、KNN滤波

    5、高通滤波         

    6、低通滤波(3*3)

    7、最大均值性平滑滤波

    8、梯度倒数加权滤波及低通滤波(5*5、7*7、9*9、11*11)


    均值滤波

    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。





    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。




    展开全文
  • 数学形态学用于基于区域的图像分割最典型的例子就是分水岭(Watershed)方法。 分水岭算法(Watershed)基本思想是把图像看作是测地学上的拓扑地貌,图像中每一点像素的灰度值表示该点的海拔高度,每一个局部极小值及其...
  • 传统Canny边缘检测算法存在对噪声敏感、滤除噪声时容易丢失弱边缘信息、其固定参数适应性差问题,本文提出了一基于传统Canny算法改进算法,引入了引力场强度算子来计算图像梯度,并针对较少边缘信息和丰富...
  • 暗通道优先的图像去雾算法(上)

    万次阅读 多人点赞 2014-05-27 15:32:36
    图像去雾就是这两种技术彼此交叉领域中最典型的代表。如果将雾霾看作是一种噪声,那么去除雾霾的标准显然是非常客观的,也就是要将图像恢复至没有雾霾下所获取的情况。但是如果将在雾霾环境下拍摄的照片就看作是一种...

    11.1  暗通道优先的图像去雾算法

    图像增强与图像修复二者之间有一定交叉,尽管它们一个强调客观标准,一个强调主观标准,但毕竟最终的结果都改善了图像的质量。图像去雾就是这两种技术彼此交叉领域中最典型的代表。如果将雾霾看作是一种噪声,那么去除雾霾的标准显然是非常客观的,也就是要将图像恢复至没有雾霾下所获取的情况。但是如果将在雾霾环境下拍摄的照片就看作是一种图像本来的面貌,那么去雾显然就是人们为了改善主观视觉质量而对图像所进行的一种增强。早期图像去雾的研究并没有得到应有的重视,很多人认为它的实际意义不大,甚至觉得所谓的去雾算法多是些华而不实的花拳绣腿,缺乏学术上的价值。然而,斗转星移,时易世变。一方面随着大气污染的日益严重,设法改善自动获取的图像质量其意义不言而喻。另一方面,随着数码设备的普及,消费类电子产品的市场也催生出许多新的需求,其中人们对所拍照片质量的修正和优化就是一个显而易见的需求。说到图像去雾,就不得不提到由何恺明博士等人提出的基于暗通道的图像去雾算法。这个算法因其新颖的思路和理想的效果而广受关注,相关论文也曾于2009年荣获CVPR最佳论文奖,同时也是该奖设立以来,首次由亚洲学者获颁此殊荣。

     

     

    现在结果已经比较细腻了,但是显然图像有些暗。何博士在论文中也有提及直接暗通道算法的结果会是比较暗的。下一篇文章中,我们将给出在MATLAB中实现的源代码,并对过暗的图像增加曝光和自动色阶,从而得到完美的去雾图像。

    未完,待续。。。

     

     

    展开全文
  • 锐化处理技术来加强图像的目标边界和图像细节。对图像进行梯度算子、Roberts算子、Sobel算子边缘检测处理和Laplace算子边缘增强处理,是图像的...用平滑线性滤波和中值滤波两种典型、最常用处理算法进行程序设计。
  • 掌握线性滤波和中值滤波两种典型、最常用的图像平滑方法,对输出结果加以比较、加深理解。 实验内容 1)编写并调试窗口为3×3、5×5的平滑滤波函数; (如[1 1 1; 1 1 1 ; 1 1 1]/9、[1 2 1; 2 4 2;...

    DIP实验2:图像的平滑滤波

    实验目的

    平滑的目的是减少噪声对图像的影响。掌握线性滤波中值滤波两种最典型、最常用的图像平滑方法,对输出结果加以比较、加深理解。

    实验内容

    1)编写并调试窗口为3×3、5×5的平滑滤波函数
    (如[1 1 1; 1 1 1 ; 1 1 1]/9、[1 2 1; 2 4 2; 1 2 1]/16等)
    2)编写并调试窗口为3×3、5×5的中值滤波函数
    3)比较均值滤波和中值滤波的优缺点,分析窗口尺寸对滤波结果的影响。

    附:可供参考的Matlab函数有imnoise、imfilter、medfilt2

    输出图像排列格式如下:

    含噪图像 3×3标准平均 5×5标准平均
    3×3加权平均 3×3中值滤波 5×5中值滤波

    参考代码

    figure('NumberTitle', 'off', 'Name', '实验2:图像的平滑滤波');
    
    OI = imread('lena.bmp');    % 原始图像读取 
    NI = imnoise(OI,'salt & pepper',0.02);    % 含噪图像 Noise Image(加椒盐噪声)
    W1 = ones(3)/9;    % 模版
    W2 = ones(5)/9; 
    W3 = [1 2 1; 2 4 2; 1 2 1] / 16;         
    
    subplot(2,3,1);
    imshow(NI);
    title('含噪图像'); 
    
    subplot(2,3,2);
    Box3 = AvgFilter(NI, W1, 256, 256,  3); %3×3标准平均,调用均值滤波函数
    imshow(Box3);
    title('3×3标准平均');
     
    subplot(2,3,3);
    Box5 = AvgFilter(NI, W2, 256, 256, 5); %5×5标准平均,调用均值滤波函数
    imshow(Box5);
    title('5×5标准平均');
    
    subplot(2,3,4);
    Weigh3 = AvgFilter(NI, W3, 256, 256, 3); %3×3加权平均,调用加权平均函数 
    imshow(Weigh3);
    title('3×3加权平均');
    
    subplot(2,3,5);
    Med3 = MedFilter(NI, 256, 256, 3); %3×3中值滤波,调用中值滤波函数
    imshow(Med3);
    title('3×3中值滤波');
    
    subplot(2,3,6);
    Med5 = MedFilter(NI, 256, 256, 5); %5×5中值滤波,调用中值滤波函数
    imshow(Med5);
    title('5×5中值滤波');
    
    % 平均滤波函数 AvgFilter
    function PI = AvgFilter(NI, W, M, N, tem)
        % PI    滤波后图像矩阵
        % NI    含噪图像矩阵
        % W     模版
        % MN   含噪图像像素矩阵行、列
        % tem   均值滤波窗口大小  template
        f = zeros(M+tem-1, N+tem-1);
        % 将原图像移到f中间部分,四周仍有(tem-1)/2的边缘
        f((tem-1)/2+1:M+(tem-1)/2, (tem-1)/2+1:N+(tem-1)/2) = NI(1:M,1:N);
        % 用与边界相邻(tem-1)/2行(或列)元素的像素值将模版四周(tem-1)/2的边缘补全
        f(1:(tem-1)/2, (tem-1)/2+1:N+(tem-1)/2) = NI(1:(tem-1)/2, : ) ;     % 上侧
        f(M+(tem-1)/2:M+tem-1, (tem-1)/2+1:N+(tem-1)/2) = NI(M-(tem-1)/2:M, : );    % 下侧
        f((tem-1)/2+1:M+(tem-1)/2, 1:(tem-1)/2) = NI( : , 1:(tem-1)/2);     % 左侧
        f((tem-1)/2+1:M+(tem-1)/2, N+(tem-1)/2:N+tem-1) = NI( : , N-(tem-1)/2:N);   % 右侧
        g = zeros(M+tem-1, N+tem-1);
        Img = zeros(M, N);
        %根据公式计算出处理后g(x,y)的像素值
         for x=(tem-1)/2+1 : M+(tem-1)/2
            for y=(tem-1)/2+1 : N+(tem-1)/2
                for s=-(tem-1)/2:(tem-1)/2
                    for t=-(tem-1)/2:(tem-1)/2
                        g(x, y) = g(x, y) + f(x+s, y+t) * W(s+(tem+1)/2,t+(tem+1)/2);
                    end
                end
            end
         end
        Img(1:M,1:N) = g((tem-1)/2+1:M+(tem-1)/2, (tem-1)/2+1:N+(tem-1)/2);   
        PI = mat2gray(Img);
    end
    
    % 中值滤波函数 MedFilter
    function PI = MedFilter(NI, M, N, tem)
        % PI    滤波后图像矩阵
        % NI    含噪图像矩阵
        % MN     含噪图像像素矩阵行、列
        % tem      均值滤波窗口大小  template
        f = zeros(M+tem-1, N+tem-1);
        % 将原图像移到f中间部分,四周仍有(tem-1)/2的边缘
        f((tem-1)/2+1:M+(tem-1)/2, (tem-1)/2+1:N+(tem-1)/2) = NI(1:M,1:N);
        % 用与边界相邻(tem-1)/2行(或列)元素的像素值将模版四周(tem-1)/2的边缘补全
        f(1:(tem-1)/2, (tem-1)/2+1:N+(tem-1)/2) = NI(1:(tem-1)/2, : );    % 上侧
        f(M+(tem-1)/2:M+tem-1, (tem-1)/2+1:N+(tem-1)/2) = NI(M-(tem-1)/2:M, : );    % 下侧
        f((tem-1)/2+1:M+(tem-1)/2, 1:(tem-1)/2) = NI( : , 1:(tem-1)/2);     % 左侧
        f((tem-1)/2+1:M+(tem-1)/2, N+(tem-1)/2:N+tem-1) = NI( : , N-(tem-1)/2:N);    % 右侧
        g = zeros(M+tem-1, N+tem-1);
        Img = zeros(M, N);
        for x=(tem-1)/2+1 : M+(tem-1)/2
            for y=(tem-1)/2+1 : N+(tem-1)/2
                tr = 1;
                for s=-(tem-1)/2:(tem-1)/2
                    for t=-(tem-1)/2:(tem-1)/2
                        A(tr) = f(x+s, y+t);    % 未能使用中值函数,将二维数组变换为一维的
                        tr = tr + 1;
                    end
                end
                g(x,y) = Median(A, tem);    % 调用中值函数
            end
         end
    Img(1:M,1:N) = g((tem-1)/2+1:M+(tem-1)/2, (tem-1)/2+1:N+(tem-1)/2);   
    PI = mat2gray(Img);
    end
    
    % 计算中值函数 Median
    % 采用冒泡排序方法将窗口像素值从小到大排列,返回中间像素值
    function mid = Median(mat, tem)
        % mid      排序后的中值
        % mat      待排序窗口(一个矩阵)
        % tem      窗口大小(变长)
        % 冒泡排序
        for p = 1 : (tem * tem)
            for q = p : (tem * tem)
                if mat(q) < mat(p)
                	t = mat(q);
                    mat(q) = mat(p);
                    mat(p) = t;
                end
            end
        end
        mid = mat(( tem * tem + 1) / 2);
    end
    

    实验结果

    图像的平滑滤波

    展开全文
  • 图像去雾就是这两种技术彼此交叉领域中最典型的代表。如果将雾霾看作是一种噪声,那么去除雾霾的标准显然是非常客观的,也就是要将图像恢复至没有雾霾下所获取的情况。但是如果将在雾霾环境下拍摄的照片就看作是一种...
  • 两种典型的EMD理论,即整体经验模态分解(EEMD)和二维经验模态分解(BEMD)。 在对这两种方法进行深入研究的基础上,提出了一种新的SAR图像变化检测算法,称为FCD-EMD算法,即基于EMD的融合变化检测。 因此,FCD...
  • 暗通道优先的图像去雾算法

    千次阅读 2016-04-28 14:52:10
    11.1 暗通道优先的图像去雾算法 图像增强与图像修复二者之间有一定交叉,尽管它们一个强调...图像去雾就是这两种技术彼此交叉领域中最典型的代表。如果将雾霾看作是一种噪声,那么去除雾霾的标准显然是非常

      转自:http://blog.csdn.net/baimafujinji/article/details/27206237

    11.1  暗通道优先的图像去雾算法

    图像增强与图像修复二者之间有一定交叉,尽管它们一个强调客观标准,一个强调主观标准,但毕竟最终的结果都改善了图像的质量。图像去雾就是这两种技术彼此交叉领域中最典型的代表。如果将雾霾看作是一种噪声,那么去除雾霾的标准显然是非常客观的,也就是要将图像恢复至没有雾霾下所获取的情况。但是如果将在雾霾环境下拍摄的照片就看作是一种图像本来的面貌,那么去雾显然就是人们为了改善主观视觉质量而对图像所进行的一种增强。早期图像去雾的研究并没有得到应有的重视,很多人认为它的实际意义不大,甚至觉得所谓的去雾算法多是些华而不实的花拳绣腿,缺乏学术上的价值。然而,斗转星移,时易世变。一方面随着大气污染的日益严重,设法改善自动获取的图像质量其意义不言而喻。另一方面,随着数码设备的普及,消费类电子产品的市场也催生出许多新的需求,其中人们对所拍照片质量的修正和优化就是一个显而易见的需求。说到图像去雾,就不得不提到由何恺明博士等人提出的基于暗通道的图像去雾算法。这个算法因其新颖的思路和理想的效果而广受关注,相关论文也曾于2009年荣获CVPR最佳论文奖,同时也是该奖设立以来,首次由亚洲学者获颁此殊荣。



    现在结果已经比较细腻了,但是显然图像有些暗。何博士在论文中也有提及直接暗通道算法的结果会是比较暗的。

    下一篇文章中,我们将给出在MATLAB中实现的源代码,并对过暗的图像增加曝光和自动色阶,从而得到完美的去雾图像。

    我们已经了解了暗通道图像去雾算法的基本原理,下面我们来编程实现,然后对结果再做一些讨论。

    上述代码中调用了几个函数,限于篇幅这里仅给出其中的暗通道处理函数,其余函数读者可以尝试自己写写看,当然其中最关键的就是暗通道处理函数,这也是算法的核心内容。


    另外,代码里我们使用了导向滤波函数,导向滤波代码来自何恺明博士,读者可以访问他的网页获得源码,已经论文的原文,链接如下:

    http://research.microsoft.com/en-us/um/people/kahe/

    另外,下面这个博客里有一些关于导向滤波的比较通俗的讨论,可以作为阅读论文原文时的辅助材料:

    http://blog.csdn.net/aichipmunk/article/details/20704681


    最后一个小讨论,我们所采用的方法英文叫 Dark Channel Prior,很多人困惑 Prior该怎么翻译,我标题里采用了优先这个叫法,这个是一个比较常见的叫法,我也随世流俗了,因为Prior在英文里确实有这个意思。但是这个通常的叫法其实欠妥,最好翻成 “先验”。在上一篇文章中,我们讨论过这个算法的原理,其实算法是把 暗通道的有关结论作为一个先验条件来使用的,就像我们以前做 数学证明题,会有一些 结论或者定理 即使题目中没给我们也可以直接用,那些结论或者定理就是 先验的 条件,是不需要直接给出也可以使用的。


    展开全文
  • 图像增强-中值滤波

    千次阅读 2016-04-14 10:04:22
    它在一定条件下可以克服线性滤波器如最小均方滤波,均值滤波等带来的图像细节模糊,而且对滤波脉冲干扰及图像扫描噪声非常有效。 传统的中值滤波一般采用含有奇数个点的滑动窗口,用窗口中各点灰度值的中值来替代...
  • 暗通道去雾及C++实现

    千次阅读 2018-12-06 10:46:38
    介绍 图像增强与图像修复二者之间有一定交叉,尽管它们一个...图像去雾就是这两种技术彼此交叉领域中最典型的代表。如果将雾霾看作是一种噪声,那么去除雾霾的标准显然是非常客观的,也就是要将图像恢复至没有雾霾...
  • 几种视差图后处理方法,...中值滤波是一种典型的非线性滤波技术,其基本思想是用像素点邻域灰度值的中值来代替该像素点的灰度值,该方法在去除脉冲噪声、椒盐噪声的同时又能保留图像的边缘细节。如下图所示: ...
  • 上一节讲的是线性滤波,即每个像素的输出值是一些输入像素的加权和,线性滤波器易于构造,并且易于从频率响应角度来进行分析。 然而, 在很多情况下,使用邻域的非线性滤波会得到更好...它是一种典型的非线性滤...
  • 2.18 RCV420 I/V转换电路种典型应用 2.19 光频率转换器TSL220原理与应用 2.20 如何消除V/F转换器误差 2.21 MAXIM有源滤波器设计软件 2.22 可编程开关电容滤波器及编程 ...
  • 电子设计.doc

    2019-05-28 11:58:28
    0250、MC1648两种基本型VCO压控特性 0251、MC145163P型锁相频率合成器原理与应用 0252、MSP430超声波测距 0253、MSP430和nRF905无线数传系统设计 0254、nRF905无线数据传输系统 0255、N阶多环反馈低通滤波器...

空空如也

空空如也

1 2
收藏数 22
精华内容 8
关键字:

两种典型的图像噪声是