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

原文发布于微信公众号 - AI研习社(okweiwu)

原文发表时间:2018-09-12

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏云时之间

深度学习与神经网络:正则化小栗子

1544
来自专栏机器学习、深度学习

多尺度人脸检测--Face Detection through Scale-Friendly Deep Convolutional Networks

Face Detection through Scale-Friendly Deep Convolutional Networks http://shuoy...

2825
来自专栏企鹅号快讯

深度学习之卷积神经网络

纵观过去两年,“深度学习”领域已经呈现出巨大发展势头。在计算机视觉领域,深度学习已经有了较大进展,其中卷积神经网络是运用最早和最广泛的深度学习模型,所以今天就和...

2258
来自专栏weixuqin 的专栏

深度学习之 TensorFlow(四):卷积神经网络

3667
来自专栏深度学习与计算机视觉

Object Detection系列(一) R-CNN

Object Detection系列(一) R-CNN Object Detection系列(二) SPP-Net Object Detectio...

4386
来自专栏大数据智能实战

空洞卷积与DeeplabV2实现图像语义分割的测试(tensorflow)

图像语义分割是对图像像素级理解的基础,也是图像处理的高阶操作。自从深度学习出来之后,已经有了不少的基于卷积网络的图像语义分割模型,如从全卷积网络到大型卷积核:深...

5399
来自专栏数说工作室

【分类战车SVM】第三话:最大间隔分类器

分类战车SVM (第三话:最大间隔分类器) 1.回顾 前面说到,线性分类器就是找一个平面,能最好的区分不同类别的样本,logistic模型找的那个超平面,是尽...

2813
来自专栏AI研习社

看了这篇文章,了解深度卷积神经网络在目标检测中的进展

近些年来,深度卷积神经网络(DCNN)在图像分类和识别上取得了很显著的提高。回顾从 2014 到 2016 这两年多的时间,先后涌现出了 R-CNN,Fast ...

2888
来自专栏人工智能LeadAI

CNN卷积神经网络分析

CNN最大的优势在特征提取方面。由于CNN的特征检测层通过训练数据进行学习,避免了显示的特征抽取,而是隐式地从训练数据中进行学习;再者由于同一特征映射面上的神经...

1221
来自专栏世界第一语言是java

BP神经网络基础算法

2703

扫码关注云+社区

领取腾讯云代金券