数字图像处理（二）空间域滤波和频率域滤波

数字图像处理（二）

• 空间域滤波
• • 平滑空间滤波器（低通）
  • • 均值滤波
    • 高斯滤波
    • 双边滤波
    • 中值滤波
  • 锐化空间滤波器（高通）
  • • 各向梯度之和算子（拉普拉斯算子（二阶微分））
    • 梯度幅值算子（一阶微分）
    • 梯度幅值改进算子（sobel算子）
  • 混合空间滤波器
• 频率域滤波
• • 低通滤波
  • 高通滤波
  • 同态滤波

空间域滤波

平滑空间滤波器（低通）

均值滤波

均值滤波器可以一定程度降低高斯噪声，但对椒盐噪声效果不好，并且平滑也会带来图像模糊化。
椒盐噪声是灰度值过大或过小的噪声，对均值的影响较大，所以滤波效果不好。

# 方法1
img_smooth = cv.blur(img_org, ksize=(3, 3))
# 方法2
kernel = np.array([[1, 1, 1], [1, 1, 1], [1, 1, 1]])/9
img_smooth = cv.filter2D(img_org, -1, kernel)

高斯滤波

高斯滤波构造二维高斯分布的核函数，可以有效的出去图像的高斯噪声。

# 方法1
img_smooth = cv.GaussianBlur(img,(5,5),0.6)
# 方法2
kernel = cv.getGaussianKernel(ksize=3, sigma=0.6) * cv.getGaussianKernel(ksize=3, sigma=0.6).T
img_smooth = cv.filter2D(img_org, -1, kernel)

双边滤波

双边滤波希望在非边缘部分，让图像平滑（高斯滤波）； 在边缘部分，让图像变得锐化（让模板中与中心像素差值大的权重更小），可以有效保留边缘。

img_smooth = cv.bilateralFilter(img_org,r,差值,差值)

中值滤波

中值滤波用模板中像素值的中位像素值来确定当前像素值， 可以有效去除椒盐噪声。

11 blur = cv.medianBlur(img_org,5)

锐化空间滤波器（高通）

各向梯度之和算子（拉普拉斯算子（二阶微分））

拉普拉斯算子可以突现出图像中小的细节信息。

kernel0 = np.array([[0, -1, 0],[-1, 4, -1],[0, -1, 0]])
kernel1 = np.array(

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！