机器视觉图像预处理之线性滤波器

《机器视觉图像预处理之线性滤波器》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、机器视觉图像预处理之线性滤波器图像常被强度随机信号(也称为噪声)所污染.一些常见的噪声有椒盐(Salt&Pepper)噪声、脉冲噪声、高斯噪声等.椒盐噪声含有随机出现的黑白亮度值.而脉冲噪声则只含有随机的白强度值(正脉冲噪声)或黑强度值(负脉冲噪声).与前两者不同，高斯噪声含有亮度服从高斯或正态分布的噪声(如图5.4所示）.高斯噪声是许多传感器噪声的很好模型，例如摄像机的电子干扰噪声。线性平滑滤波器去除高斯噪声的效果很好，且在大多数情况下，对其它类型的噪声也有很好的效果.线性滤波器使用连续窗函数内象素加权和来实现滤波.特別典型的是，同一模

2、式的权重因子可以作用在每一个窗口内，也就意味着线性滤波器是空间不变的，这样就可以使用卷积模板来实现滤波.如果图像的不同部分使用不同的滤波权重因子，且仍然可以用滤波器完成加权运算，那么线性滤波器就是空间可变的.任何不是象素加权运算的滤波器都属于非线性滤波器.非线性滤波器也可以是空间不变的，也就是说，在图像的任何位置上可以进行相同的运算而不考虑图像位置或空间的变化.5.4节中所提出的中值滤波器就是空间不变的非线性滤波器.下面主要介绍两种线性滤波器，均值滤波器和高斯滤波器。5.3.1均值滤波器最简单的线性滤波器是局部均值运算，即每一个象素值用其

3、局部邻域内所有值的均值置换其中，M是邻域N内的象素点总数.例如，在象素点[i，j]处取3×3邻域，得到该方程与方程(5.6)对比，对于卷积模板中的每一点[i，j],有g[i，j]=1/9,那么方程(5.6)就退化成方程(5.10)所示的局部均值运算.这一结果表明，均值滤波器可以通过卷积模板的等权值卷积运算来实现（见图5.5).实际上，许多图像处理运算都可以通过卷积来实现，邻域N的大小控制着滤波程度，对应大卷积模板的大尺度邻域会加大滤波程度.作为去除大噪声的代价，大尺度滤波器也会导致图像细节的损失.不同尺度下均值滤波的结果见图5.6.在设计

4、线性平滑滤波器时，选择滤波权值应使得滤波器只有一个峰值，称之为主瓣，并且在水平和垂直方向上是对称的.一个典型的3×3平滑滤波器的权值模板如下:线性平滑滤波器去除了高频成分和图像中的锐化细节，例如：会把阶跃变化平滑成渐近变化，从而牺牲了精确定位的能力。空间可变滤波器能调节权值，使得在相对比较均匀的图像区域上加大平滑量，而在尖锐变化的图像区域上减小平滑量。5.3.2高斯平滑滤波器高斯平滑滤波器是一类根据高斯函数的形状来选择权值的线性平滑滤波器，高斯平滑滤波器对去除服从正态分布的噪声是很有效的，一维零均值高斯函数为其中，高斯分布参数a决定了高斯

5、滤波器的宽度，对图像处理来说，常用二维零均值离散高斯函数作平滑滤波器，这种函数的图形如图5.7所示，函数表达式为高斯函数具有五个重要的性质，这些性质使得它在早期图像处理中特别有用，这些性质表明，高斯平滑滤波器无论在空间域还是在频率域都是十分有效的低通滤波器，且在实际图像处理中得到了工程人员的有效使用。高斯函数具有五个十分重要的性质，它们是：①二维高斯函数具有旋转对称性，即滤波器在各个方向上的平滑程度是相同的，一般来说，一幅图像的边缘方向是事先不知道的，因此，在滤波前是无法确定一个方向上比另一方向上需要更多的平滑，旋转对称性意味着高斯平滑滤

6、波器在后续边缘检测中不会偏向任一方向。②髙斯函数是单值函数.这表明，高斯滤波器用象素邻域的加权均值来代替该点的象素值，而每一邻域象素点权值是随该点与中心点的距离单调增减的.这一性质是很重要的，因为边缘是一种图像局部特征，如果平滑运算对离算子中心很远的象素点仍然有很大作用，则平滑运算会使图像失真。③离斯函数的傅里叶变换频谱是单瓣的.正如下面所示，这一性质是髙斯函数傅里叶变换等于髙斯函数本身这一事实的直接推论.图像常被不希望的髙频信号所污染(噪声和细纹理）.而所希望的图像特征(如边缘),既含有低频分量，又含有高频分量.髙斯函数傅里叶变换的单瓣

7、意味着平滑图像不会被不需要的高频信号所污染，同时保留了大部分所需信号。④离斯滤波器宽度(决定着平滑程度）是由参数a表征的，而且和平滑程度的关系是非常简单的，a越大，髙斯滤波器的频带就越宽，平滑程度就越好.通过调节平滑程度参数a；，可在图像特征过分模糊(过平滑）与平滑图像中由于噪声和细纹理所引起的过多的不希望突变量(欠平滑)之间取得折衷。⑤由于髙斯函数的可分离性，大离斯滤波器可以得以有效地实现.二维高斯函数卷积可以分两步来进行，首先将图像与一维离斯函数进行卷积,然后将卷积结果与方向垂直的相同一维髙斯函数卷积.因此,二维高斯滤波的计算量随滤波

8、模板宽度成线性增长而不是成平方增长。下面详细解释这些性质.1.旋转对称性把高斯函数从直角坐标变换到极坐标，则可以清楚地看到高斯函数的旋转对称特性.二维高斯函数为它不依赖于极角θ自然也就旋转对称