图像滤波方法的比较 图像滤波的必要性及研究意义 1.图像在成像、传输、转换或存储的过程中会受到各种随机干扰信号即噪声的影响,从而会使画面变得粗糙、质量下降、特征淹没。 2.而图像质量变差，对后续的处理识别带来不利影响，为了减弱噪声、还原真实的画面,就需要用到降噪滤波器对图像数据进行处理为什么需要对滤波方法比较由于图像中噪声的类型不同，以及各种不同的滤波器对不同的噪声有不同的处理效果通过比较各种滤波方法在图像去噪方面的特征、以及各自作用的利弊， 结合各种方法处理的效果和详细分析在实际应用中来选择不同的滤波器均值滤波均值滤波椒盐彩色图像问题的提出： 我们看到，虽然均值滤波器对噪声有抑制作用，但效果并不明显，同时会使图像变得模糊。为了有效地改善这一状况，必须寻找新的滤波器。中值滤波 中值滤波的原理是：与均值滤波类似，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。滤波效果：因为中值滤波的原理是取合理的邻近像素值来替代噪声点，所以只适合于椒盐噪声的去除，不适合高斯噪声的去除。中值滤波均值滤波中值滤波椒盐彩色图像问题的提出： 前面两种滤波器处理结果可知，经过平滑（特别是均值）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。 问题的解决：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。以下是边界保持类平滑滤波器： K近邻均值滤波器 最大均匀性平滑滤波器 Sigma平滑滤波器K近邻均值滤波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。（设计思想：同类平均，即不要把不同区域进行平均）12143122345768957688567891214312234577895768856789K近邻均值滤波 for(i=0;i9;i+) ai=abs(fi-f5); /*求模板内各个灰度值与中心灰度值之差*/ for(i=0;i9-1;i+) for(j=1;jaj) temp=aj-1;aj-1=aj;aj=temp; temp=fj-1;fj-1=fj;fj=temp; /*用冒泡法由小到大排列各差值，并把对应的灰度值调换*/ for(i=0,sum=0;i5;i+) sum=sum+fi; aver_value=sum/5;/*求前五个较小的数的均值*/ K近邻均值滤波K近邻均值滤波的效果(与均值滤波比较)最大均匀性平滑滤波原理：采用9种不同形状的模板：1个正方形模板，4个对称的五边形模板，4个对称的六边形模板，计算各模板内的灰度方差，以方差最小的模板的平均灰度值作为被处理点的像素值最大均匀性平滑滤波for(k=0,sum=0;k7;k+) sum=sum+fk;aver8=sum/7; for(k=0,squareiance8=0;k7;k+)sum=fk*fk-aver8*aver8; squareiance8=sum+squareiance8;/*求其方差及均值*/ mix=squareiance0; for(k=1,h=0;k9;k+) if(squareiancekmix) mix=squareiancek;h=k; /*求方差最小的模块，并求出其序号*/最大均匀性平滑滤波椒盐彩色图像椒盐彩色图像Sigma平滑滤波原理：根据统计学原理，属于同一类的元素的置信区间，落在均值附近2的范围之内算法：构造一个模板，并计算模板的标准差；设立置信区间：f(x,y)-2，f(x,y)+ 2.f(x,y)为当前像素值（待处理像素值）；用模板中落在置信区间范围内的所有像素的均值替换待处理像素的值。Sigma平滑滤波 for(i=-2,k=0,sum=0;i=2;i+) /*取5*5模板的25个灰度值*/ for(j=-2;j=2;j+) IPI_GetPixelValue (RedImage, x+i, y+j, &gray_level); fk=gray_level; k+; sum=sum+gray_level; aver=sum/25; /*求标准差*/ for(k=0,squareiance=0;k25;k+) sum=fk*fk-aver*aver; squareiance=sum+squareiance; sigma=sqrt(squareiance); for(i=0,k=0,sum=0;i=(f12-2*sigma)&(fi=(f12+2*sigma) sum=sum+fi; k+; aver_value=sum/k;Sigma平滑滤波椒盐彩色图像Sigma平滑滤波低通空域滤波低通空域滤波是一种局部处理的方法，噪声常以高频、随机的形式表现出来，这种滤波可以保留图像大面积的背景区和亮度渐变区等低频成分空间低通滤波法是应用模板卷积方法对图像每一像素进行局部处理。选择某种形状的领域（3*3），将领域中的每个像素与卷积核（尺寸大小与模板相同）中的对应元素相乘，乘积求和的结果即为模板中心像素的新值3*3模板5*5模板.a b cd e fg h i待处理像素e及3*3的领域*3*3卷积核e的新值放入输出图像低通空域滤波 sum=0; for(i=-1;i=1;i+) /*读取3*3模块里的灰度值，若为正中心的像素则*1/5， 否则 *1/10*/ for(j=-1;j=1;j+) if(i=0)&(j=0) IPI_GetPixelValue (SourceImage2, x+i, y+j, &gray_level); sum=sum+gray_level/5; else IPI_GetPixelValue (SourceImage2, x+i, y+j, &gray_level); sum=sum+gray_level/10; aver_value=sum ;低通空域滤波3*3处理结果5*5处理结果7*7处理结果椒盐彩色图像11*11处理结果9*9处理结果梯度倒数加权平均法基本思想：在一幅数字图像中，相邻区域的变化大于区域内部的变化，同一区域内部中间像素的变化小于边缘像素的变化相邻像素灰度差的绝对值称为梯度。在一个n*n的窗口内，若把 中心像素与其各相邻像素之间梯度倒数定义为各相邻像素的权，则在 区域内部的相邻像素权大，而在一条边缘近旁的和位于区域外的那些 像素权小。那么采用加权平均值作为中心像素的输出值可使图像得到 平滑，又不至使边缘和细节有明显模糊。为使平滑后像素的灰度值在 原图像的灰度范围内，应采用归一化的梯度倒数作为权系数。梯度倒数加权平均法 n=0;for(i=-1;i=1;i+)for(j=-1;j=1;j+) IPI_GetPixelValue(SourceImage2,x+i,y+j,&gray_level);fn+=gray_level; /*读取3*3模块里的灰度值，并放入f数组*/n=0,sum=0;for(i=-1;i=1;i+)for(j=-1;j=1;j+)if(fn-f4=0) gn=2; sum=sum+gn+; else gn=1/fabs(fn-f4); sum=sum+gn+; /*把八个邻点的梯度倒数放入g数组，并求出总和放入sum*/ n=0,value=0;for(i=-1;i=1;i+) for(j=-1;j=1;j+) wn=0.5*gn/sum; /*定义一个归一化的权重矩阵作为模板*/ w4=0.5;/*规定中心元素为0.5，其余8个之和也为0.5*/ value=value+wn* fn+; /*模板与原图像像素的内积就是平滑输出*/ 梯度倒数加权平均法椒盐彩色图像梯度倒数加权平均法下面将是作品演示谢谢大家！