数字图像处理:各种变换滤波和噪声的类型和用途总结

摘自http://imgtec.eetrend.com/blog/4564 

一、基本的灰度变换函数

1.1图像反转 
适用场景:增强嵌入在一幅图像的暗区域中的白色或灰色细节,特别是当黑色的面积在尺寸上占主导地位的时候。

1.2对数变换(反对数变换与其相反) 
过程:将输入中范围较窄的低灰度值映射为输出中较宽范围的灰度值。 
用处:用来扩展图像中暗像素的值,同时压缩更高灰度级的值。 
特征:压缩像素值变化较大的图像的动态范围。 
举例:处理傅里叶频谱,频谱中的低值往往观察不到,对数变换之后细节更加丰富。

1.3幂率变换(又名:伽马变换) 
过程:将窄范围的暗色输入值映射为较宽范围的输出值。 
用处:伽马校正可以校正幂律响应现象,常用于在计算机屏幕上精确地显示图像,可进行对比度和可辨细节的加强。

1.4分段线性变换函数 
缺点:技术说明需要用户输入。 
优点:形式可以是任意复杂的。

1.4.1对比度拉伸:扩展图像的动态范围

1.4.2灰度级分层:可以产生二值图像,研究造影剂的运动

1.4.3比特平面分层:原图像中任意一个像素的值,都可以类似的由这些比特平面对应的二进制像素值来重建,可用于压缩图片。

1.5直方图处理 
1.5.1直方图均衡:增强对比度,补偿图像在视觉上难以区分灰度级的差别。作为自适应对比度增强工具,功能强大。

1.5.2直方图匹配(直方图规定化):希望处理好的图像具有规定的直方图形状。在直方图均衡的基础上规定化,有利于解决像素集中于灰度级暗端的图像。

1.5.3局部直方图处理:用于增强小区域的细节,方法是以图像中的每个像素邻域中的灰度分布为基础设计变换函数,可用于显示全局直方图均衡化不足以影响的细节的显示。

1.5.4直方图统计:可用于图像增强,能够增强暗色区域同时尽可能的保留明亮区域不变,灵活性好。

二、基本的空间滤波 


2.1平滑空间滤波器 
2.1.1平滑线性滤波器(均值滤波器) 
输出:包含在滤波器模板邻域内的像素的简单平均值,用邻域内的平均灰度替代了图像中每个像素的值,是一种低通滤波器。 
结果:降低图像灰度的尖锐变化。 
应用:降低噪声,去除图像中的不相关细节。 
负面效应:边缘模糊。

2.1.2统计排序滤波器(非线性滤波器) 
举例:中值滤波器 
过程:以滤波器保卫的图像区域中所包含图像的排序为基础,然后使用统计排序结果决定的值取代中心区域的值。 
用处:中值滤波器可以很好的解决椒盐噪声,也就是脉冲噪声。

2.2锐化空间滤波器 
2.2.1拉普拉斯算子(二阶微分) 
作用:强调灰度的突变,可以增强图像的细节

2.2.2非锐化掩蔽和高提升滤波 
原理:原图像中减去一幅非锐化(平滑处理)的版本 
背景:印刷和出版界使用多年的图像锐化处理 
高提升滤波:原图减去模糊图的结果为模板,输出图像等于原图加上加权后的模板,当权重为1得到非锐化掩蔽,当权重大于1成为高提升滤波。

2.2.3梯度锐化(一阶微分对) 
含义:梯度指出了在该位置的最大变化率的方向。 
用处:工业检测,辅助人工检测产品的缺陷,自动检测的预处理。

三、基本的频率滤波器

 3.1.1理想低(高)通滤波器 
特性:振铃现象,实际无法实现 
用处:并不实用,但是研究滤波器的特性很有用。

3.1.2布特沃斯低(高)通滤波器 
特点:没有振铃现象,归功于低频和高频之间的平滑过渡,二阶的布特沃斯低通滤波器是很好的选择。 
效果:比理想低(高)通滤波器更平滑,边缘失真小,截止频率大,失真越平滑。

3.1.3高斯低(高)通滤波器 
特点:没有振铃。 
用处:任何类型的人工缺陷都不可接受的情况(医学成像)

3.1.4钝化模板,高提升滤波,高频强调滤波 
用处:X射线,先高频强调,然后直方图均衡。

3.1.5同态滤波 
原理:图像分为照射分量和反射分量的乘积。 
用处:增强图像,锐化图像的反射分量(边缘信息),例如PET扫描。

3.1.6选择性滤波 
3.1.6.1带阻滤波器和带通滤波器。 
作用:处理制定频段和矩形区域的小区域。

3.1.6.2陷阱滤波器 
原理:拒绝或通过事先定义的关于频率矩形中心的一邻域。 
应用:选择性的修改离散傅里叶变换的局部区域。 
优点:直接对DFT处理,而不需要填充。交互式的处理,不会导致缠绕错误。 
用途:解决莫尔波纹。

四、重要的噪声概率密度函数 

4.1.高斯噪声 
特点:在数学上的易处理性。

4.2瑞利噪声 
特点:基本形状向右变形,适用于近似歪斜的直方图。

4.3爱尔兰(伽马)噪声 
特点:密度分布函数的分母为伽马函数。

4.4指数噪声 
特点:密度分布遵循指数函数。

4.5均匀噪声 
特点:密度均匀。

4.6脉冲噪声(双极脉冲噪声又名椒盐噪声) 
特点:唯一一种引起退化,视觉上可以区分的噪声类型。

五、空间滤波器还原噪声 

5.1均值滤波器 
5.1.1算术均值滤波器 
结果:模糊了结果,降低了噪声。 
适用:高斯或均匀随机噪声。

5.1.2几何均值滤波器 
结果:和算术均值滤波器相比,丢失的图像细节更少。 
适用:更适用高斯或均匀随机噪声。

5.1.3谐波均值滤波器 
结果:对于盐粒噪声(白色)效果较好,但不适用于胡椒噪声(黑色),善于处理高斯噪声那样的其他噪声。

5.1.4逆谐波均值滤波器 
结果:适合减少或在实际中消除椒盐噪声的影响,当Q值为正的时候消除胡椒噪声,当Q值为负的时候该滤波器消除盐粒噪声。但不能同时消除这两种噪声。 
适用:脉冲噪声。 
缺点:必须知道噪声是明噪声还是暗噪声。

5.2统计排序滤波器 
5.2.1中值滤波器 
适用:存在单极或双极脉冲噪声的情况。

5.2.2最大值滤波器 
作用:发现图像中的最亮点,可以降低胡椒噪声。

5.2.2最小值滤波器 
作用:对最暗点有用,可以降低盐粒噪声。

5.2.3中点滤波器 
作用:结合统计排序和求平均,对于随机分布噪声工作的很好,如高斯噪声或均匀噪声。

5.2.4修正的阿尔法均值滤波器 
作用:在包括多种噪声的情况下很有用,例如高斯噪声和椒盐噪声混合。

5.3自适应滤波器 
5.3.1自适应局部降低噪声滤波器 
作用:防止由于缺乏图像噪声方差知识而产生的无意义结果,适用均值和方差确定的加性高斯噪声。

5.3.1自适应中值滤波器 
作用:处理更大概率的脉冲噪声,同时平滑非脉冲噪声时保留细节,减少诸如物体边界粗化或细化等失真。

5.4频率域滤波器消除周期噪声 
5.4.1带阻滤波器 
应用:在频率域噪声分量的一般位置近似已知的应用中消除噪声

5.4.2带通滤波器 
注意:不能直接在一张图片上使用带通滤波器,那样会消除太多的图像细节。 
用处:屏蔽选中频段导致的结果,帮助屏蔽噪声模式。

5.4.3陷阱滤波器 
原理:阻止事先定义的中心频率的邻域内的频率。 
作用:消除周期性噪声。

5.4.4最佳陷阱滤波 
作用:解决存在多种干扰分量的情况。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/458171.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Java 开发环境部署

1.下载Java开发环境工具包JDK,下载地址:http://www.oracle.com/technetwork/java/javase/downloads/index.html 下载后,双击jdk应用程序,根据提示完成安装,安装过程中可以自定义安装目录等信息,这里我选择…

枚举enum、NS_ENUM 、NS_OPTIONS

2019独角兽企业重金招聘Python工程师标准>>> enum 了解位移枚举之前&#xff0c;我们先回顾一下C语言位运算符。 1 << : 左移,比如1<<n,表示1往左移n位&#xff0c;即数值大小2的n次方; 例如 : 0b0001 << 1 变为了 0b0010 2 >> : 右…

mysql 关键词相关度排序方法详细示例分析

http://www.jb51.net/article/40480.htm转载于:https://www.cnblogs.com/lixiuran/p/5299305.html

数字图像处理-频率域滤波原理

from&#xff1a;https://blog.csdn.net/forrest02/article/details/55510711?locationNum15&fps1 写在前面的话 作者是一名在读的硕士研究僧&#xff0c;方向是图像处理。由于图像处理是一门相对复杂的学科&#xff0c;作者在课堂上学到的东西只是非常浅显的内容&#…

tomcat优化-有改protocol 和 缓存 集群方案

tomcat优化 在线上环境中我们是采用了tomcat作为Web服务器&#xff0c;它的处理性能直接关系到用户体验&#xff0c;在平时的工作和学习中&#xff0c;归纳出以下七种调优经验。 1. 服务器资源 服务器所能提供CPU、内存、硬盘的性能对处理能力有决定性影响。 (1) 对于高并发…

深入浅出的讲解傅里叶变换(真正的通俗易懂)

原文出处&#xff1a; 韩昊 1 2 3 4 5 6 7 8 9 10 作 者&#xff1a;韩 昊 知 乎&#xff1a;Heinrich 微 博&#xff1a;花生油工人 知乎专栏&#xff1a;与时间无关的故事 谨以此文献给大连海事大学的吴楠老师&#xff0c;柳晓鸣老师&#xff0c;王新年老师以及张晶泊老…

分布式锁 基于Redis

分布式锁的实现(基于Redis)参考:http://www.jb51.net/article/75439.htm http://www.linuxidc.com/Linux/2015-01/111827.htm http://www.tuicool.com/articles/6juqmm7 方式一: 基于第三方类库 redssion 1.安装redis安装redssion的锁服务队redis的版本有要求&#xff0c;要求必…

学好Linux决心书

我叫李杨&#xff0c;经过在老男孩教育linux运维班5个月学习后&#xff0c;我一定要达到的的薪水目标是7k,为了达到此目标我将采取如下5大行动或方案&#xff1a;1.每天坚持学习7个小时2.坚持每天跑步1小时3.调整思路 严于利己4.让自己生活更加充实&#xff0c;不在浑浑噩噩5.为…

如何通俗易懂地解释欧拉公式(e^πi+1=0)?

from&#xff1a;https://www.zhihu.com/question/41134540 http://www.matongxue.com/madocs/8.html

IIS(1)

转载&#xff1a;http://blog.csdn.net/ce123 IIS音频总线学习&#xff08;一&#xff09;数字音频技术 一、声音的基本概念 声音是通过一定介质传播的连续的波。 图1 声波重要指标&#xff1a; 振幅&#xff1a;音量的大小周期&#xff1a;重复出现的时间间隔频率&#xff1a;…

手机屏幕适配原理及实现

为什么80%的码农都做不了架构师&#xff1f;>>> 手机屏幕是用户与 App 最直接的交互点 不同的分辨率下用户对我们的 App 具有明显的感观差异&#xff0c;主流分辨率的更新迭代却又完全独立于 App 进行。这让我们想要使 App 在绝大多数主流手机上都保持感观、体验的…

【数字图像处理】傅里叶变换在图像处理中的应用

from&#xff1a;https://www.cnblogs.com/tenderwx/p/5245859.html 1.理解二维傅里叶变换的定义 1.1二维傅里叶变换 二维Fourier变换: 逆变换&#xff1a; 1.2二维离散傅里叶变换 一个图像尺寸为MN的 函数的离散傅里叶变换由以下等式给出&#xff1a; 其中 和。其中变量u和…

最好的云备份选项

能够实现数据备份的方式有很多。在虚拟化技术最为兴盛的时期&#xff0c;首选方式是使用数据保护软件&#xff0c;在hypervisor层进行备份或者复制整台虚拟机&#xff0c;比如Veeam Backup以及Zerto提供的同步软件。 对于使用VMware云的IT部门来说&#xff0c;这种方式现在仍然…

求二叉树中两个节点的最远距离

问题定义如果我们把二叉树看成一个图&#xff0c;父子节点之间的连线看成是双向的&#xff0c;我们姑且定义"距离"为两节点之间边的个数。写一个程序求一棵二叉树中相距最远的两个节点之间的距离。计算一个二叉树的最大距离有两个情况:情况A: 路径经过左子树的最深节…

halcon学习(算子汇总)

from:https://www.cnblogs.com/hanzhaoxin/archive/2013/01/09/2852213.html dev_clear_obj(Objects : : : ) 删除一个iconic对象 dev_error_var( : : ErrorVar, Mode : ) 定义或取消定义一个错误变量 dev_get_exception_data( : : Exception, Name : Value) 获取异常数据…

Bing Speech Recognition 标记

Bing Speech Services Bing Bing Speech Services provide speech capabilities for Windows and Windows Phone https://msdn.microsoft.com/en-us/library/dn303461.aspx 已失效。 转载于:https://www.cnblogs.com/zangdalei/p/5312440.html

Source Insight 4.0 最简单的破解安装

from&#xff1a;https://blog.csdn.net/biubiuibiu/article/details/78044232 三步完成Source Insight 4.0 破解安装 下载地址有更新&#xff0c;之前有朋友因潜在的版权问题封禁没下到&#xff0c;现在更新后可正常使用了。 文末有完全清除上次安装残留的方法&#xff0c;…

【原】Spark中Master源码分析(一)

Master作为集群的Manager&#xff0c;对于集群的健壮运行发挥着十分重要的作用。下面&#xff0c;我们一起了解一下Master是听从Client&#xff08;Leader&#xff09;的号召&#xff0c;如何管理好Worker的吧。 1.家当&#xff08;静态属性&#xff09; 1.设置一个守护单线程的…

XML——XML介绍和基本语法

from&#xff1a;https://blog.csdn.net/gavin_john/article/details/51511180 1.XML历史 gml(1969)->sgml(1985)->html(1993)->xml(1998) 1969 gml(通用标记语言)&#xff0c;主要目的是要在不同的机器之间进行通信的数据规范1985 sgml(标准通用标记语言)1993 htm…

Tomcat7.0安装配置

很久没有通过博客对学习所得进行记录了。 现在将使用Tomcat的一些经验和心得写到这里&#xff0c;作为记录和备忘。如果有朋友看到&#xff0c;也请不吝赐教。 首先&#xff0c;我个人使用的是apache-tomcat-7.0.27你可以下载使用&#xff0c;前提条件你需要安装JDK1.6或者1.7都…