圖像的噪聲抑制(1)(參考版)
2025-05-03 22:58本頁面
【正文】 可以采用不同形狀結(jié)構(gòu)判別，也可以采用同類相似的概念進行判別。 Sigma平滑濾波器 —— 例題 ? 如下，是一個 5*5的模板。 2σ范圍。 2σ 范圍之內(nèi)。 最小方差平滑濾波器 —— 模板結(jié)構(gòu) ? 模板如下：本例在第 2和第 6中選擇一個方差小的。然后對選出的點做均值運算。 ? 當然，所付出的代價是：算法的復雜度增加了。 K近鄰 (KNN)平滑濾波器 —— 效果分析 ? 首先來看一下 KNN平滑濾波 的效果。 ? KNN濾波器因為有了邊界保持的作用，所以在去除椒鹽以及高斯噪聲時，對圖像景物的清晰度保持方面的效果非常明顯。 K近鄰 (KNN)平滑濾波器 —— 例題 例：下圖，給定 3*3模板， k=5。 2）在模板中，選擇 K個與待處理像素的灰度差為最小的像素。 ? 這樣，就達到了邊界保持 的目的。 ? 點 1模板中的像素全部 是同一區(qū)域的； 點 2模板中的像素則包 括了兩個區(qū)域。 K近鄰 (KNN)平滑濾波器 —— 原理分析 ? 邊界保持濾波器的核心是確定邊界點與非邊界點。所以平滑處理會同時將邊界也處理了。 ? 分析原因，在圖像上的景物之所以可以辨認清楚是因為目標物之間存在邊界。 （ 注意：實際上只能減弱，不能消除。 ? 因為圖像中的每點都是污染點，所以 中值濾波 選不到合適的干凈點。 中值濾波器與均值濾波器的比較 ?對于 高斯噪聲 ，均值濾波效果比中值濾波效果好。 ? 中值濾波 是選擇適當?shù)狞c來替代污染點的值，所以處理效果好。 中值濾波器 —— 例題 1 2 1 4 3 1 2 2 3 4 5 7 6 8 9 5 7 6 8 8 5 6 7 8 9 1 2 1 4 3 1 2 2 3 4 5 7 6 8
教學課件相關(guān)推薦
鄂ICP備17016276號-1