图像处理基本算法-滤波

线性滤波器的向量表示：

W是一个大小为m*n的滤波器的系数，Z为由滤波器覆盖的相应图像的灰度值。

线性滤波器所能是实现的就是乘积求和操作。

几种常见的滤波器：

平滑空间滤波器如均值滤波

统计排序滤波器如中值滤波

锐化空间滤波器如锐化滤波

 

1、  均值滤波

 

 

均值滤波在去噪声的同时会有如下缺点：

边界模糊效应明显

细节丢失比较严重

 

2、  中值滤波

中值滤波在边界的保存方面优于均值滤波，是经常使用的一种滤波器，但

是在模板逐渐变大时，依然会存在一定的边界模糊

中值滤波对处理椒盐噪声非常有效，或者称为脉冲噪声。

 

如果既想去除噪声，又极大的保存细节，此时应该考虑变形虫算法模板的大小是与周围的像素有关，模板随环境自动变化大小，这样在细节较小的区域可以使用较大的模板，而在细节较多的区域使用更小的模板。变形虫算法，以后再讲。

滤波器一般为盒状滤波器，能不能使用其他形状的滤波器，以得到更好的滤波效果呢？

 源代码：

//中值滤波和均值滤波
#include<cv.h>
#include<highgui.h>

int main(){
	IplImage * image,*image2,*image3;
	image = cvLoadImage("E:\\image\\Dart.bmp",0);//以灰度图像的形式读入图片
	cvNamedWindow("image",CV_WINDOW_AUTOSIZE);
	cvNamedWindow("image2",CV_WINDOW_AUTOSIZE);
	cvNamedWindow("image3",CV_WINDOW_AUTOSIZE);
	//cvSaveImage("E:\\image\\moon.jpg",image,0);
	cvShowImage("image",image);
	//cvWaitKey(0);
	unsigned char * ptr,*dst;
	int i,j,m,n,sum,temp,r,s;
	image2 = cvCreateImage(cvGetSize(image),image->depth,1);
	image3 = cvCreateImage(cvGetSize(image),image->depth,1);
	//模板1 均值 
	int tem[9] = {1,1,1,1,1,1,1,1,1}; 
	//也可以使用改进的高斯模板，但是效果相近 
	int tem2[9] = {0};//获取中值时用于排序

	//均值滤波3*3模板的均值
	for( i = 0 ; i < image->height;i++){
		for( j = 0; j< image->width;j++){
			
			//边界处理
			if(i == 0 || i == image->height || j == 0 || j == image->width){
				ptr = (unsigned char *)image->imageData + i*image->widthStep + j;
				dst = (unsigned char *)image2->imageData+ i*image2->widthStep+ j;
			 	*dst = *ptr; //边界值赋予源图像的值
			}
			else {
				sum = 0;
				for( m = -1 ; m <= 1; m++  ){
					for( n = -1 ; n <= 1 ; n++){
						ptr = (unsigned char *)image->imageData + (i + m)*image->widthStep + j + n;
						
						sum += (*ptr) * tem[3*(m+1) + n+1];
					}
				}
				dst = (unsigned char *)image2->imageData+ i *image2->widthStep+ j;	
				*dst = (unsigned char)((sum +4)/9);//赋新值，四舍五入
			} 
		
		}
	}
//中值滤波 在去除噪声的同时，图像的模糊程度比较小，比均值滤波更加适合
//冲击噪声或者称为椒盐噪声
	for( i = 0 ; i < image->height;i++){
		for( j = 0; j< image->width;j++){

			//边界处理
			if(i == 0 || i == image->height || j == 0 || j == image->width){
				ptr = (unsigned char *)image->imageData + i*image->widthStep + j;
				dst = (unsigned char *)image3->imageData+ i*image3->widthStep+ j;
				*dst = *ptr; //边界值赋予源图像的值
			}
			else {
				temp = 0;
				//将3*3模板覆盖的值拷贝进数组，一边查找中值
				for( m = -1 ; m <= 1; m++  ){
					for( n = -1 ; n <= 1 ; n++){
						ptr = (unsigned char *)image->imageData + (i + m)*image->widthStep + j + n;
						tem2[3*(m+1) +n +1] = *ptr;
						//printf("%d",*ptr);
					
					}
				}
				//对数组进行冒泡排序
				for(r = 0 ; r <8; r ++){
					for(s = 0 ; s< r -1; s++ ){
						if(tem2[s] > tem2[s+1]){
							temp = tem2[s];
							tem2[s] = tem2[s+1];
							tem2[s+1] = temp;
						}
					}
				}
				//printf("%d",tem2[4]);
				//对新图赋予新值
				dst = (unsigned char *)image3->imageData+ i *image3->widthStep+ j;	
				*dst = (unsigned char)(tem2[4]);//赋新值
			} 

		}
	}

	cvShowImage("image2",image2);
	cvShowImage("image3",image3);
	cvWaitKey(0);
	cvSaveImage("E:\\image\\Dart2.bmp",image2,0);
	cvSaveImage("E:\\image\\Dart3.bmp",image3,0);
	return 0;
}

效果图：

原图：

均值滤波：

中值滤波：

 

可以看到，均值滤波缺点明显：

边界模糊效应明显

细节丢失比较严重

而中值滤波在保持细节方面明显优于均值滤波。

在滤波模板变大时，效果如何呢？

matlab源码：

A = imread('Dart.bmp')

%采用中值滤波和均值滤波的比较
%模板大小的改变对滤波效果的影响
subplot(3,3,1)
imshow(A)
for n = 1 : 8 
    m = 2*n +1
 B = medfilt2(A ,[m,m])
 subplot(3,3,n+1)
 imshow(B)
 
end

%采用均值滤波查看图像的变化
subplot(3,3,1)
imshow(A)
for n = 1 : 8 
    m = 2*n +1
 C = imfilter(A,[m,m]);
 subplot(3,3,n+1)
 imshow(B)
end

效果图：

均值滤波加大模板的效果：

中值滤波加大模板的效果：

可以看出随着模板的加大，中值滤波的模糊度也在增加，但是比均值要好很多。

3、Laplace图像锐化

锐化空间滤波器的一阶二阶微分的零交叉对于边缘定位非常有用

图像的边缘经一阶微分产生较粗的边缘

二阶微分产生由0分开的一个双边缘，这是一个适合锐化图像的理想特征。

锐化laplace算子可以突出图像中的灰度突变，但并不强调灰度缓慢变化的区域。

两种常用的Laplace模板：

0  1  0

1  -4 1

0  1  0

 

1 1 1

1 -8 1

1 1 1

 

但是得到突变的区域之后该怎么用呢？

事实上，如果源图像和laplace图像和叠加，这样既可以复原原图的背景特性，并保持laplace锐化处理的效果。这样做可以极大的增强图像的细节。

源代码：

//锐化滤波，并利用锐化滤波增强图像的细节
#include<cv.h>
#include<highgui.h>

int main(){
	IplImage * image,*image2,*image3;
	image = cvLoadImage("E:\\image\\moon.tif",0);
	cvNamedWindow("image",CV_WINDOW_AUTOSIZE);
	cvNamedWindow("image2",CV_WINDOW_AUTOSIZE);
	cvNamedWindow("image3",CV_WINDOW_AUTOSIZE);
	cvSaveImage("E:\\image\\moon.jpg",image,0);
	cvShowImage("image",image);
	//cvWaitKey(0);
	unsigned char * ptr,*dst;
	image2 = cvCreateImage(cvGetSize(image),image->depth,1);
	image3 = cvCreateImage(cvGetSize(image),image->depth,1);
	
	
	int i,j,m,n,sum;

	//锐化模板
	int tem[9] = {0,1,0,1,-4,1,0,1,0}; 

	//锐化滤波
	for( i = 0 ; i < image->height;i++){
		for( j = 0; j< image->width;j++){

			//边界处理
			if(i == 0 || i == image->height || j == 0 || j == image->width){
				ptr = (unsigned char *)image->imageData + i*image->widthStep + j;
				dst = (unsigned char *)image2->imageData+ i*image2->widthStep+ j;
				*dst = *ptr; //边界值赋予源图像的值
			}
			else {
				sum = 0;
				for( m = -1 ; m <= 1; m++  ){
					for( n = -1 ; n <= 1 ; n++){
						ptr = (unsigned char *)image->imageData + (i + m)*image->widthStep + j + n;

						sum += (*ptr) * tem[3*(m+1) + n+1];
					}
				}
				dst = (unsigned char *)image2->imageData+ i *image2->widthStep+ j;	
				*dst = (unsigned char)((sum +4)/9);//赋新值，四舍五入
			} 

		}
	}

	//锐化的图像与源图像相加,但是在相加之前需要先讲锐化的值稍微降低一些
	
	
	cvShowImage("image2",image2);

	for( i = 0 ; i < image2->height;i++){
		for( j = 0; j< image->width;j++){
			ptr = (unsigned char *)image2->imageData + i*image2->widthStep + j; 
			*ptr = ((*ptr)+4)/5;
		}
	}
	cvAdd(image,image2,image3,0);
	cvShowImage("image3",image3);
	
	cvWaitKey(0);
	cvSaveImage("E:\\image\\moon2.jpg",image2,0);
	cvSaveImage("E:\\image\\moon3.jpg",image3,0);
	return 0;
}

原图：

锐化图像：

叠加图像：

由叠加图像可知，经过锐化处理和叠加之后，图像的细节部分更加清晰。