（数字图像处理MATLAB+Python）第六章图像平滑-第一节：图像平滑概述和空间域平滑滤波

文章目录

一：图像中的噪声
- （1）图像噪声分类
- （2）图像噪声的数学模型
- （3）程序
二：空间域平滑滤波
- （1）均值滤波
- - A：均值滤波原理
  - B：示例
  - C：分析
  - D：程序
- （2）高斯滤波
- - A：高斯函数
  - B：高斯滤波原理
  - C：程序
- （3）中值滤波
- - A：中值
  - B：中值滤波原理
  - C：示例
  - D：中值滤波形状
  - E：程序
- （4）双边滤波
- - A：原理
  - B：程序

图像平滑（Image Smoothing）：是一种数字图像处理技术，用于减少图像中的噪声和不规则性，使图像更加平滑和连续。在图像中，噪声通常表现为不规则的、突出的像素值，这可能会导致图像细节丢失，使其难以进行分析和处理。图像平滑技术可以通过对像素值进行滤波来平滑图像，去除这些噪声

图像平滑主要分为如下两类

空域法： 主要借助模板运算，在像素点邻域内，利用噪声像素点特性进行滤波
频域法： 指对图像进行正交变换，利用噪声对应高频信息的特点进行滤波

一：图像中的噪声

图像中的噪声：是指在图像中出现的不希望出现的、随机的像素值变化，这些变化可能是由于图像采集设备、传输通道或者图像处理过程中引入的。噪声会使图像中出现不规则的亮度、色彩等异常情况，从而导致图像质量下降，给后续的分析和处理带来困难。也可以理解为真实信号与理想信号之间存在的偏差。噪声通常以二维函数 $n (x, y)$ 来表示

（1）图像噪声分类

图像噪声分类：

高斯噪声： 高斯噪声是最常见的一种图像噪声，其像素值变化符合正态分布。在图像中，高斯噪声通常表现为细小的均匀噪声
椒盐噪声： 椒盐噪声是一种随机的噪声，其表现为图像中出现黑白像素点，通常是由于图像传输或采集设备的问题引起的
周期噪声： 周期噪声是指在图像中出现周期性的波纹、条纹等形式的噪声，这通常是由于摄像机、扫描仪等采集设备的问题引起的
色彩噪声： 色彩噪声是指在图像中出现的颜色偏差，这通常是由于相机传感器的颜色误差、照明条件不足等原因引起的

另外，图像噪声可以根据信号和噪声的关系分为

加性噪声： 加性噪声与图像信号不相关，也即 $g (x, y) = f (x, y) + n (x, y)$
乘性噪声： 乘性噪声与图像信号相关，也即 $g (x, y) = f (x, y) + f (x, y) n (x, y)$

在信号变化很小时，往往将乘性噪声近似认为加性噪声，而且总是假定信号和噪声互相独立

（2）图像噪声的数学模型

高斯噪声：定义为高斯噪声信号 $x$ 的概率密度函数

$μ\mu$ ：噪声 $x$ 的均值或期望值
$σ\sigma$ ：噪声 $x$ 的标准差

$p(x)=\frac{1}{\sqrt{2 \pi} \sigma} e^{-(x-\mu)^{2} / 2 \sigma^{2}}$
当 $x$ 服从高斯分布时，其值有70%落在 $[(μ−σ),(μ+σ)][(\mu-\sigma),(\mu+\sigma)]$ 范围内，且有95%落在 $[(μ−2σ),(μ+2σ)][(\mu-2\sigma),(\mu+2\sigma)]$

椒盐噪声：定义椒盐噪声信号 $x$ 有效模型

$otherwisep(x)=\left\{\begin{array}{cc}P_{a} & x=a \\P_{b} & x=b \\0 & \text { otherwise }\end{array}\right.$

如下图

当 $b≠0P_{a}=0,P_{b} \not=0$ 时，表现为“盐”噪声
当 $b=0P_{a}\not=0,P_{b} =0$ 时，表现为“胡椒”噪声

可以看出，高斯噪声和椒盐噪声不同分布特性

椒盐噪声：噪声幅值基本相同，出现位置随机
高斯噪声：噪声出现位置是分布在每一像素点上，幅度值是随机的，分布近似符合高斯正态特性

（3）程序

imnoise函数：用于在图像中添加噪声的函数，可以模拟在图像采集、传输、处理等过程中引入的不同类型的噪声。imnoise函数的常见语法格式如下

J = imnoise(I, type)J = imnoise(I, type, parameters)

其中，I是输入图像，type是噪声类型，可以是字符串形式的字符向量或枚举型变量，parameters是可选的参数，用于控制噪声的强度、分布等。imnoise函数支持以下类型的噪声

gaussian：高斯噪声，可选参数包括mean（均值）和var（方差）
salt & pepper：椒盐噪声，可选参数包括density（密度）
poisson：泊松噪声，无可选参数
speckle：乘性噪声，可选参数包括mean（均值）和var（方差）
localvar：局部方差噪声，可选参数包括二维数组w（窗口大小）和二维数组var（局部方差）
lognormal：对数正态分布噪声，可选参数包括mean（均值）和var（方差）
rayleigh：瑞利分布噪声，可选参数为scale（尺度）
erlang：伽马分布噪声，可选参数包括shape（形状）和scale（尺度）
uniform：均匀分布噪声，可选参数包括lower（下限）和upper（上限）

matlab实现：

Image = mat2gray( imread('original_pattern.jpg') ,[0 255]);noiseIsp=imnoise(Image,'salt & pepper',0.1);%添加椒盐噪声，密度为0.1imshow(noiseIsp,[0 1]); title('椒盐噪声图像');noiseIg=imnoise(Image,'gaussian'); %添加高斯噪声，默认均值为0，方差为0.01figure;imshow(noiseIg,[0 1]); title('高斯噪声图像');

Python实现：

import cv2import numpy as npimport matplotlib.pyplot as plt# 读取图像img = cv2.imread('original_pattern.jpg', cv2.IMREAD_GRAYSCALE)# 将图像归一化到 [0,1] 范围内img = cv2.normalize(img.astype('float'), None, 0.0, 1.0, cv2.NORM_MINMAX)# 添加椒盐噪声，密度为 0.1noiseIsp = img.copy()noiseIsp = np.random.choice([0, 1], size=noiseIsp.shape, p=[0.9, 0.1]).astype('float') * 255noiseIsp = cv2.merge([noiseIsp, noiseIsp, noiseIsp])noiseIsp = cv2.cvtColor(noiseIsp, cv2.COLOR_BGR2GRAY)noiseIsp = cv2.normalize(noiseIsp.astype('float'), None, 0.0, 1.0, cv2.NORM_MINMAX)# 显示椒盐噪声图像plt.imshow(noiseIsp, cmap='gray', vmin=0, vmax=1)plt.title('椒盐噪声图像')plt.show()# 添加高斯噪声，默认均值为 0，方差为 0.01noiseIg = cv2.randn(img.shape, 0, 0.01)noiseIg = cv2.add(img, noiseIg)# 将图像归一化到 [0,1] 范围内noiseIg = cv2.normalize(noiseIg.astype('float'), None, 0.0, 1.0, cv2.NORM_MINMAX)# 显示高斯噪声图像plt.imshow(noiseIg, cmap='gray', vmin=0, vmax=1)plt.title('高斯噪声图像')plt.show()

二：空间域平滑滤波

空间域平滑滤波：是数字图像处理中常用的一种滤波方法，也被称为模糊滤波。它通过对图像像素周围一定大小的邻域内像素灰度值进行加权平均，以消除图像中的高频噪声和细节信息，从而使图像变得更加平滑。常见有以下几种

均值滤波
高斯滤波
中值滤波
双边滤波

（1）均值滤波

A：均值滤波原理

均值滤波：是以某一像素为中心，在它的周围选择一邻域，将邻域内所有点的均值（灰度值相加求平均）来代替原来像素值

$S$ ：以点 $(x, y)$ 为中心的邻域
$M$ ：领域 $S$ 内总像素数目

$y)=\frac{1}{M} \sum_{(m, n) \in S} f(m, n)$

如下为常用的线性平滑简单均值模板

B：示例

如下图

C：分析

均值滤波的优点是简单易实现，对于一些噪声较小的图像能够取得不错的平滑效果。但是，它也存在一些缺点。例如，它会对图像中的边缘和细节信息造成模糊，同时也可能使得一些噪声点变得更加明显。此外，均值滤波对于椒盐噪声等高斯分布以外的噪声类型效果较差

若邻域内存在噪声，经过平均，噪声幅度会大为降低
点与点之间的灰度差值变小，边缘和细节处变得模糊
邻域半径越大，图像模糊程度越厉害

D：程序

fspecial函数：用于生成一些常见的滤波器卷积核的函数。这些卷积核可以用于各种图像处理任务，例如平滑、锐化、边缘检测等。fspecial 函数返回一个二维的卷积核矩阵 H，该矩阵的大小和形状由参数 type 和可选参数决定。可以将该卷积核作为参数传递给 MATLAB 中的卷积函数，如 conv2 函数，对图像进行滤波操作。该函数语法如下

H = fspecial(type, varargin)

其中，参数 type 指定了要生成的卷积核的类型。type 可以取以下字符串值：

'average'：平均滤波器；
'disk'：圆形平滑滤波器；
'gaussian'：高斯滤波器；
'laplacian'：拉普拉斯滤波器；
'log'：高斯-拉普拉斯（LoG）滤波器；
'motion'：运动模糊滤波器；
'prewitt'：Prewitt 滤波器；
'sobel'：Sobel 滤波器

filter函数：是一个二维滤波器函数，用于对图像进行滤波操作。它可以使用用户自定义的滤波器卷积核进行滤波，也可以使用 fspecial 函数生成的预定义滤波器卷积核进行滤波。函数返回一个滤波后的二维数组 B，其大小和形状由参数 shape 决定。可以将 filter2 函数用于图像处理任务，例如平滑、锐化、边缘检测等。需要注意的是，filter2 函数的滤波操作是基于卷积运算实现的，因此需要对输入的图像进行填充，以避免边缘像素的影响。可以使用 MATLAB 中的 padarray 函数对图像进行填充。该函数语法如下

B = filter2(h, A, shape)

其中，参数 h 是一个二维滤波器卷积核，参数 A 是一个需要进行滤波的二维数组（通常是图像），shape 是一个可选参数，用于指定输出数组的大小和形状

当shape为same时：输出数组的大小与输入数组相同，但是边缘可能会受到卷积核的影响而变化
当shape为full时：输出数组的大小为输入数组大小与卷积核大小之和减去1，输出数组的边缘受卷积核影响而扩展
当shape为valid时，输出数组的大小为输入数组大小与卷积核大小之差加1，输出数组的边缘不受卷积核影响

imfilter函数：是一个通用的二维滤波器函数，用于对图像进行滤波操作。它可以使用用户自定义的滤波器卷积核进行滤波，也可以使用 fspecial 函数生成的预定义滤波器卷积核进行滤波。imfilter 函数返回一个滤波后的二维数组 B，其大小和形状由参数 options 决定。可以将 imfilter 函数用于图像处理任务，例如平滑、锐化、边缘检测等。该函数语法如下

B = imfilter(A, h, options)

其中，参数 A 是一个需要进行滤波的二维数组（通常是图像），参数 h 是一个二维滤波器卷积核，options 是一个包含滤波选项的结构体，可选参数包括：

'conv'：指定卷积操作；
'corr'：指定相关操作；
'same'：指定输出大小与输入相同；
'full'：指定输出大小为输入大小加上滤波核大小减一；
'valid'：指定输出大小为输入大小减去滤波核大小加一；
'replicate'：指定用边缘值来填充图像；
'symmetric'：指定用对称方式来填充图像；
'circular'：指定用循环方式来填充图像

matlab实现：

Image=imread('Letters-a.jpg');noiseI=imnoise(Image,'gaussian');%添加高斯噪声subplot(221),imshow(Image),title('原图');subplot(222),imshow(noiseI),title('高斯噪声图像');result1=filter2(fspecial('average',3),noiseI);%3×3均值滤波result2=filter2(fspecial('average',7),noiseI);% 7×7均值滤波subplot(223),imshow(uint8(result1)),title('3×3均值滤波');subplot(224),imshow(uint8(result2)),title('7×7均值滤波');

Python实现：

import cv2import numpy as npimport matplotlib.pyplot as plt# 读取图像img = cv2.imread('Letters-a.jpg')# 添加高斯噪声noise_img = cv2.GaussianBlur(img, (5, 5), 0)# 显示原图和噪声图像plt.subplot(221), plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)), plt.title('原图')plt.subplot(222), plt.imshow(cv2.cvtColor(noise_img, cv2.COLOR_BGR2RGB)), plt.title('高斯噪声图像')# 3x3均值滤波result1 = cv2.blur(noise_img, (3, 3))# 7x7均值滤波result2 = cv2.blur(noise_img, (7, 7))# 显示3x3和7x7均值滤波结果plt.subplot(223), plt.imshow(cv2.cvtColor(result1, cv2.COLOR_BGR2RGB)), plt.title('3×3均值滤波')plt.subplot(224), plt.imshow(cv2.cvtColor(result2, cv2.COLOR_BGR2RGB)), plt.title('7×7均值滤波')plt.show()

（2）高斯滤波

A：高斯函数

高斯函数：高斯函数是一种连续的、平滑的、钟形曲线函数，用于表示在统计和概率领域中连续随机变量的概率密度函数。高斯函数在图像处理、信号处理、模式识别、机器学习等领域广泛应用

一维高斯函数： $2G(x)=\frac{1}{\sigma \sqrt{2 \pi}} e^{-\frac{(x-\mu)^{2}}{2 \sigma^{2}}}$ 。一维高斯函数的图像是一条钟形曲线，它的峰值位于均值处，随着 $x$ 增加或减小，函数值逐渐减小，且标准差越大，函数的宽度越大
二维高斯函数： $y)=\frac{1}{2 \pi \sigma_{x} \sigma_{y}} e^{-\frac{\left(x-\mu_{x}\right)^{2}}{2 \sigma_{x}^{2}}-\frac{\left(y-\mu_{y}\right)^{2}}{2 \sigma_{y}}}$ 。二维高斯函数的图像是一个二维钟形曲面，它的峰值位于 $y)(\mu_x,\mu_y)$ 处，随着 $x$ 或 $y$ 的增加或减小，函数值逐渐减小，且标准差越大，函数的宽度越大

在图像处理中，二维高斯函数通常用于进行图像平滑处理，即利用高斯函数的低通滤波性质，去除图像中的噪声和细节信息。同时，高斯函数还可以用于图像边缘检测、尺度空间分析等任务

B：高斯滤波原理

高斯滤波原理：是以某一像素为中心，在它的周围选择一个局部邻域，把邻域内像素的灰度按照高斯正态分布曲线进行统计，分配相应的权值系数，然后将邻域内所有点的加权平均值代替原像素值

$y)=\sum_{r=-k}^{k} \sum_{s=-l}^{l} f(x-r, y-s) H(r, s)$

如下为典型的高斯模板

C：程序

matlab实现：

Image=imread('Letters-a.jpg');sigma1=0.6; sigma2=10; r=3;% 高斯模板的参数NoiseI= imnoise(Image,'gaussian'); %加噪gausFilter1=fspecial('gaussian',[2*r+1 2*r+1],sigma1);gausFilter2=fspecial('gaussian',[2*r+1 2*r+1],sigma2);result1=imfilter(NoiseI,gausFilter1,'conv');result2=imfilter(NoiseI,gausFilter2,'conv');imshow(Image);title('原图');figure;imshow(NoiseI);title('高斯噪声图像');figure;imshow(result1);title('sigma1 =0.6高斯滤波');figure;imshow(result2);title('sigma2 =10高斯滤波');

python实现：

import cv2import numpy as npimport matplotlib.pyplot as pltImage = cv2.imread('Letters-a.jpg')sigma1 = 0.6sigma2 = 10r = 3NoiseI = cv2.imread('Letters-a.jpg', 0)NoiseI = cv2.GaussianBlur(NoiseI, (3,3), 0)NoiseI = cv2.addWeighted(NoiseI, 1.5, NoiseI, -0.5, 0)gausFilter1 = cv2.getGaussianKernel(2*r+1, sigma1)gausFilter1 = np.outer(gausFilter1, gausFilter1)gausFilter2 = cv2.getGaussianKernel(2*r+1, sigma2)gausFilter2 = np.outer(gausFilter2, gausFilter2)result1 = cv2.filter2D(NoiseI, -1, gausFilter1)result2 = cv2.filter2D(NoiseI, -1, gausFilter2)plt.imshow(cv2.cvtColor(Image, cv2.COLOR_BGR2RGB))plt.title('原图')plt.show()plt.imshow(NoiseI, cmap='gray')plt.title('高斯噪声图像')plt.show()plt.imshow(result1, cmap='gray')plt.title('sigma1 =0.6高斯滤波')plt.show()plt.imshow(result2, cmap='gray')plt.title('sigma2 =10高斯滤波')plt.show()

（3）中值滤波

A：中值

中值：一组数 $x_{1},x_{2},…,x_{n}$ ，把 $n$ 个数按值的大小顺序排列如下： $x_{i_{1}}<x_{i_{2}}<…x_{in}$ ，则中值为

$n为奇数n为偶数y=\left\{\begin{array}{l}x_{i\left(\frac{n+1}{2}\right)} \\\frac{1}{2}\left[x_{i\left(\frac{n}{2}\right)}+x_{i\left(\frac{n}{2}+1\right)}\right]\end{array}\right. n 为奇数 n 为偶数$

B：中值滤波原理

中值滤波原理：噪声的出现，使被处理点像素比周围像素亮(暗)许多。中值滤波则以被处理点为中心，选取一个邻域窗口，窗口内所有点值排序，取中值代替该点值

C：示例

D：中值滤波形状

E：程序

medfilt2函数：是MATLAB中的一个二维中值滤波函数，用于对图像进行去噪处理。该函数语法如下

B = medfilt2(A, [M N])B = medfilt2(A, [M N], 'symmetric')B = medfilt2(A, [M N], 'indexed', P)

其中

A：输入的图像矩阵。
[M N]：中值滤波器的大小，其中M和N分别表示滤波器在行方向和列方向的大小，必须为奇数，默认为[3 3]。
'symmetric'：指定对称性边界条件，即对边缘进行反射填充，默认为零填充。
'indexed'：指定输入图像的像素值采用整数标识，其中P是一个向量，其长度等于输入图像中可能出现的像素值的数量，向量中的值表示相应像素值的位置

matlab实现：

Image=rgb2gray(imread('lotus.bmp'));noiseI=imnoise(Image,'salt & pepper',0.1);imshow(noiseI),title('椒盐噪声图像');result=medfilt2(noiseI); %3×3中值滤波figure,imshow(uint8(result)),title('3×3中值滤波');

python实现：

import cv2import numpy as npimport matplotlib.pyplot as pltimg = cv2.imread('lotus.bmp')gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)noisy_img = cv2.addSaltAndPepper(gray_img, 0.1)plt.imshow(noisy_img, cmap='gray')plt.title('椒盐噪声图像')plt.show()result = cv2.medianBlur(noisy_img, 3)plt.imshow(result, cmap='gray')plt.title('3x3中值滤波')plt.show()

（4）双边滤波

A：原理

双边滤波：“双边”意味着平滑滤波时不仅考虑邻域内像素的空间邻近性，而且要考虑邻域内像素的灰度相似性

$2\begin{array}{c}B F[I]_{P}=\frac{1}{W_{P}} \sum_{q \in S} G_{\sigma_{s}}(\|p-q\|) G_{\sigma_{r}}\left(\left|I_{p}-I_{q}\right|\right) I_{q} \\W_{P}=\sum_{q \in S} G_{\sigma_{s}}\left(\|p-q\| G_{\sigma_{r}}\left(\left|I_{p}-I_{q}\right|\right)\right. \\G_{\sigma_{s}}(\|p-q\|)=e^{\frac{(\| p-q \mid)^{2}}{2 \sigma_{s}^{2}}} G_{\sigma_{r}}\left(\left|I_{p}-I_{q}\right|\right)=e^{-\frac{\left(I_{p}-I_{q}\right)^{2}}{2 \sigma_{r}^{2}}}\end{array}$

B：程序

matlab实现：

Image=im2double(imread('girl.bmp'));NoiseI= Image+0.05*randn(size(Image)); w=15; % 定义双边滤波窗口宽度sigma_s=6; sigma_r=0.1; % 双边滤波的两个标准差参数[X,Y] = meshgrid(-w:w,-w:w); Gs = exp(-(X.^2+Y.^2)/(2*sigma_s^2));%计算邻域内的空间权值[hm,wn] = size(NoiseI); result=zeros(hm,wn); for i=1:hmfor j=1:wntemp=NoiseI(max(i-w,1):min(i+w,hm),max(j-w,1):min(j+w,wn));Gr = exp(-(temp-NoiseI(i,j)).^2/(2*sigma_r^2));%计算灰度邻近权值% W为空间权值Gs和灰度权值Gr的成绩 W = Gr.*Gs((max(i-w,1):min(i+w,hm))-i+w+1,(max(j-w,1):min(j+w,wn))-j+w+1);result(i,j)=sum(W(:).*temp(:))/sum(W(:));endendsubplot(1,3,1),imshow(Image),title('原始图像');subplot(1,3,2),imshow(NoiseI),title('随机噪声图像'); subplot(1,3,3),imshow(result),title('双边滤波图像');

python实现：

import cv2import numpy as npimport matplotlib.pyplot as plt# 读取图像并将像素值转换为浮点数Image = cv2.imread('girl.bmp', cv2.IMREAD_GRAYSCALE)Image = cv2.normalize(Image.astype('float'), None, 0.0, 1.0, cv2.NORM_MINMAX)# 添加高斯噪声NoiseI = Image + 0.05 * np.random.randn(*Image.shape)# 双边滤波w = 15sigma_s = 6sigma_r = 0.1X, Y = np.meshgrid(np.arange(-w, w+1), np.arange(-w, w+1))# 计算邻域内的空间权值Gs = np.exp(-(X**2 + Y**2) / (2 * sigma_s**2))hm, wn = NoiseI.shaperesult = np.zeros((hm, wn))for i in range(hm):for j in range(wn):# 取出当前像素的邻域temp = NoiseI[max(i-w, 0):min(i+w, hm), max(j-w, 0):min(j+w, wn)]# 计算灰度邻近权值Gr = np.exp(-(temp - NoiseI[i, j])**2 / (2 * sigma_r**2))# W 为空间权值 Gs 和灰度权值 Gr 的乘积W = Gr * Gs[max(i-w, 0):min(i+w, hm)-i+w+1, max(j-w, 0):min(j+w, wn)-j+w+1]# 对 W 和邻域内像素值的乘积求和并除以 W 的和，得到当前像素的值result[i, j] = np.sum(W * temp) / np.sum(W)# 显示图像plt.subplot(1, 3, 1)plt.imshow(Image, cmap='gray')plt.title('原始图像')plt.subplot(1, 3, 2)plt.imshow(NoiseI, cmap='gray')plt.title('随机噪声图像')plt.subplot(1, 3, 3)plt.imshow(result, cmap='gray')plt.title('双边滤波图像')plt.show()

（数字图像处理MATLAB+Python）第六章图像平滑-第一节：图像平滑概述和空间域平滑滤波

文章目录

一：图像中的噪声

（1）图像噪声分类

（2）图像噪声的数学模型

（3）程序

二：空间域平滑滤波

（1）均值滤波

A：均值滤波原理

B：示例

C：分析

D：程序

（2）高斯滤波

A：高斯函数

B：高斯滤波原理

C：程序

（3）中值滤波

A：中值

B：中值滤波原理

C：示例

D：中值滤波形状

E：程序

（4）双边滤波

A：原理

B：程序

最新关注

热文推荐

【Vue】Vue的简单介绍与基本使用

Express实现定时发送邮件

在Windows上安装TkInter：完整教程

Java 中你绝对没用过的一个关键字？

IPTV SQM的项目总结

YOLOv4: Optimal Speed and Accuracy of Object Detection

（数字图像处理MATLAB+Python）第六章图像平滑-第一节：图像平滑概述和空间域平滑滤波

文章目录

一：图像中的噪声

（1）图像噪声分类

（2）图像噪声的数学模型

（3）程序

二：空间域平滑滤波

（1）均值滤波

A：均值滤波原理

B：示例

C：分析

D：程序

（2）高斯滤波

A：高斯函数

B：高斯滤波原理

C：程序

（3）中值滤波

A：中值

B：中值滤波原理

C：示例

D：中值滤波形状

E：程序

（4）双边滤波

A：原理

B：程序

相关文章

最新关注

热文推荐