数字图像处理中的噪声过滤

本文为 AI 研习社编译的技术博客，原标题 Noise filtering in Digital Image Processing，作者为 Anisha Swain。 翻译 | 老赵 校对 | 余杭

大家好，在我们上一篇名为“数字图像处理中的噪声”的文章中，我们承诺将再次提供有关过滤技术和过滤器的文章。 所以这里我们还有关于噪声过滤的系列“图像视觉”的另一篇文章。

在图像采集，编码，传输和处理期间，噪声总是出现在数字图像中。 在没有过滤技术的先验知识的情况下，很难从数字图像中去除噪声。 在本文中，简要概述了各种噪声过滤技术，我们可以通过分析噪声行为来选择这些滤波器。 通过这种方式，将在此处对噪声进行完整的量化分析及选择其最适合的滤波器。

过滤图像数据是几乎每个图像处理系统中使用的标准过程。 过滤器用于此目的。 它们通过保留图像的细节来消除图像中的噪声。 过滤器的选择取决于过滤器行为和数据类型。

过滤技术：

我们都知道，噪声是图像中像素值的突然变化。 因此，当涉及到图像的过滤时，第一个直觉是用像素点周围的平均像素值替换每个像素的值。 此过程使图像平滑。 为此，我们考虑两个假设。

假设：

1. 像素的真实值类似于附近像素的真实值。

2. 噪声被独立地添加到每个像素。

让我们在进入二维图像之前首先考虑一维函数。

在上述原始函数图像（图-1）中，如果我们将每个圆视为像素值，则平滑函数（图-2）是对每个像素的逐像素值求平均的结果。

1. 加权移动平均均匀权重过滤：

考虑一组局部像素并将它们指定为平均权重，而不仅仅考虑平均局部像素，这会导致数据丢失。假设噪声被独立地添加到每个像素。 根据此噪声量，把权重分配给不同的像素。

2. 使用加权移动平均值非均匀权重进行过滤

以前假设像素的真实值与附近像素的真实值相似。 但并非总是如此。 因此，为了获得更高的精度，给附近区域像素分配较大的权重。 这样可以平滑图像并保留图像信息，减少数据丢失量。

3. 二维图像中的加权移动平均

将图像视为二维矩阵，我们在整个图像上滑动一个小窗口（图5中的红色方块），用附近像素的平均值替换每个像素。 这个小窗口也称为蒙版或核。

用均匀权重过滤的过程也称为相关或相关过滤。

图7均匀权重的相关函数。 src：Udacity

在具有非均匀权重的相关滤波中，函数被用作非均匀权重，其也被称为蒙版或核（小滑动窗口的像素值的函数）。 其中使用的过程称为互相关。

图8非均匀权重的相关函数.src：Udacity

图像噪声滤波器的类型：

有不同类型的图像噪声滤波器。 它们通常可分为两种类型。

图 9 滤波器的分类

虽然有许多类型的滤波器，但在本文中我们将考虑4个主要用于图像处理的滤波器。

1. 高斯滤波器：

1.1 使用OpenCV和Python实现高斯滤波器：

（滤除高斯噪声）

2. 均值滤波器：

均值滤波器是一个简单的滑动窗口，用窗口中所有像素值的平均值替换中心值。 窗口或核通常是正方形，但它可以是任何形状。

图10通过滑动窗口计算平均值

2.1 使用OpenCV和Python实现均值过滤器：

（过滤泊松噪声）

3.中值过滤器：

均值滤波器是一个简单的滑动窗口，用窗口中所有像素值的中位数替换中心值。 窗口或核通常是正方形，但它可以是任何形状。

图11通过滑动窗口计算中位数

3.1 使用OpenCV和Python实现中值过滤器：

（过滤脉冲噪音）

4. 双边过滤器

双边滤波器使用高斯滤波器，但它有一个乘法分量，它是像素强度差的函数。 它确保在计算模糊强度值时仅包括与中心像素类似的像素强度。 此过滤器保留边缘。

分析最合适的噪音滤波器：

从噪声和滤波器的实现，我们分析了最适合不同图像噪声的滤波器。

有了这篇关于图像处理中的噪声过滤的这篇文章。 要了解有关噪音的更多信息，请参阅此处。 有关图像处理的更多更新请与我们联系，并通过您的评论告诉我们你的疑问。

原文链接：https://medium.com/image-vision/noise-filtering-in-digital-image-processing-d12b5266847c