图像的空间滤波

空间域是指图像平面本身、包含图像像素的平面。空间域图像处理是指直接对图像中的像素进行操作。

线性空间滤波器也称为模板、卷积模板、卷积核。

均值滤波

均值滤波器，也称为线性平滑滤波器，其输出是包含在滤波器模板邻域内的像素灰度的平均值。可用于（1）降低噪声；（2）伪轮廓效应的平滑处理；（3）去除图像中的不相关细节。

中值滤波

中值滤波器对处理脉冲噪声（椒盐噪声）非常有效，但是对一些细节多，特别是点、线、尖顶的图像不宜采用中值滤波。

MATLAB程序

MATLAB程序演示了对于含有椒盐噪声的图像，进行中值滤波和均值滤波处理。

clc
clear
close allpicture=imread('test.jpg');% 读取原始图像的R、G、B值
picture_r=picture(:,:,1);
picture_g=picture(:,:,2);
picture_b=picture(:,:,3);[M,N,C]=size(picture);figure;
imshow(picture);
title('原始图像');%% 加椒盐噪声
Noise_picture=imnoise(picture,'salt & pepper',0.1);% 噪声密度0.1Noise_picture_r=Noise_picture(:,:,1);
Noise_picture_g=Noise_picture(:,:,2);
Noise_picture_b=Noise_picture(:,:,3);figure;
imshow(Noise_picture);
title('加椒盐噪声');%% 中值滤波
Mid_Filtered_picture=uint8(zeros(M,N,C));pixel=zeros(1,9);
for k=1:3 % RGB三通道for i=1:Mfor j=1:Nif(i>1 && i<M && j>1 && j<N) % 中间部分pixel(1:3) = Noise_picture(i-1:i+1, j-1, k);pixel(4:6) = Noise_picture(i-1:i+1, j  , k);pixel(7:9) = Noise_picture(i-1:i+1, j+1, k);pixel=sort(pixel);Mid_Filtered_picture(i,j,k)=pixel(5);elseif(i==1 && j>1 && j<N) % 第一行中间部分pixel(1:2) = Noise_picture(i:i+1, j-1, k);pixel(3:4) = Noise_picture(i:i+1, j  , k);pixel(5:6) = Noise_picture(i:i+1, j+1, k);pixel=sort(pixel(1:5));Mid_Filtered_picture(i,j,k)=pixel(3);elseif(i==M && j>1 && j<N) % 最后一行中间部分pixel(1:2) = Noise_picture(i-1:i, j-1, k);pixel(3:4) = Noise_picture(i-1:i, j  , k);pixel(5:6) = Noise_picture(i-1:i, j+1, k);pixel=sort(pixel(1:5));Mid_Filtered_picture(i,j,k)=pixel(3);elseif(j==1 && i>1 && i<M) % 第一列中间部分pixel(1:3) = Noise_picture(i-1:i+1, j  , k);pixel(4:6) = Noise_picture(i-1:i+1, j+1, k);pixel=sort(pixel(1:5));Mid_Filtered_picture(i,j,k)=pixel(3);elseif(j==N && i>1 && i<M) % 最后一列中间部分pixel(1:3) = Noise_picture(i-1:i+1, j-1, k);pixel(4:6) = Noise_picture(i-1:i+1, j  , k);pixel=sort(pixel(1:5));Mid_Filtered_picture(i,j,k)=pixel(3);elseif(i==1 && j==1) % 左上角pixel(1:2) = Noise_picture(i:i+1, j  , k);pixel(3:4) = Noise_picture(i:i+1, j+1, k);pixel=sort(pixel(1:4));Mid_Filtered_picture(i,j,k)=pixel(2);elseif(i==1 && j==N) % 右上角pixel(1:2) = Noise_picture(i:i+1, j-1, k);pixel(3:4) = Noise_picture(i:i+1, j  , k);pixel=sort(pixel(1:4));Mid_Filtered_picture(i,j,k)=pixel(2);elseif(i==M && j==N) % 右下角pixel(1:2) = Noise_picture(i-1:i, j-1, k);pixel(3:4) = Noise_picture(i-1:i, j  , k);pixel=sort(pixel(1:4));Mid_Filtered_picture(i,j,k)=pixel(2);elseif(i==M && j==1) % 左下角pixel(1:2) = Noise_picture(i-1:i, j  , k);pixel(3:4) = Noise_picture(i-1:i, j+1, k);pixel=sort(pixel(1:4));Mid_Filtered_picture(i,j,k)=pixel(2);endendend
endfigure;
imshow(Mid_Filtered_picture);
title('中值滤波');%% 均值滤波
Average_Filtered_picture=uint8(zeros(M,N,C));pixel=zeros(1,9);
mean_amp=0;
for k=1:3 % RGB三通道for i=1:Mfor j=1:Nif(i>1 && i<M && j>1 && j<N) % 中间部分pixel(1:3) = Noise_picture(i-1:i+1, j-1, k);pixel(4:6) = Noise_picture(i-1:i+1, j  , k);pixel(7:9) = Noise_picture(i-1:i+1, j+1, k);mean_amp=mean(pixel);Average_Filtered_picture(i,j,k)=mean_amp;elseif(i==1 && j>1 && j<N) % 第一行中间部分pixel(1:2) = Noise_picture(i:i+1, j-1, k);pixel(3:4) = Noise_picture(i:i+1, j  , k);pixel(5:6) = Noise_picture(i:i+1, j+1, k);mean_amp=mean(pixel(1:5));Average_Filtered_picture(i,j,k)=mean_amp;elseif(i==M && j>1 && j<N) % 最后一行中间部分pixel(1:2) = Noise_picture(i-1:i, j-1, k);pixel(3:4) = Noise_picture(i-1:i, j  , k);pixel(5:6) = Noise_picture(i-1:i, j+1, k);mean_amp=mean(pixel(1:5));Average_Filtered_picture(i,j,k)=mean_amp;elseif(j==1 && i>1 && i<M) % 第一列中间部分pixel(1:3) = Noise_picture(i-1:i+1, j  , k);pixel(4:6) = Noise_picture(i-1:i+1, j+1, k);mean_amp=mean(pixel(1:5));Average_Filtered_picture(i,j,k)=mean_amp;elseif(j==N && i>1 && i<M) % 最后一列中间部分pixel(1:3) = Noise_picture(i-1:i+1, j-1, k);pixel(4:6) = Noise_picture(i-1:i+1, j  , k);mean_amp=mean(pixel(1:5));Average_Filtered_picture(i,j,k)=mean_amp;elseif(i==1 && j==1) % 左上角pixel(1:2) = Noise_picture(i:i+1, j  , k);pixel(3:4) = Noise_picture(i:i+1, j+1, k);mean_amp=mean(pixel(1:4));Average_Filtered_picture(i,j,k)=mean_amp;elseif(i==1 && j==N) % 右上角pixel(1:2) = Noise_picture(i:i+1, j-1, k);pixel(3:4) = Noise_picture(i:i+1, j  , k);mean_amp=mean(pixel(1:4));Average_Filtered_picture(i,j,k)=mean_amp;elseif(i==M && j==N) % 右下角pixel(1:2) = Noise_picture(i-1:i, j-1, k);pixel(3:4) = Noise_picture(i-1:i, j  , k);mean_amp=mean(pixel(1:4));Average_Filtered_picture(i,j,k)=mean_amp;elseif(i==M && j==1) % 左下角pixel(1:2) = Noise_picture(i-1:i, j  , k);pixel(3:4) = Noise_picture(i-1:i, j+1, k);mean_amp=mean(pixel(1:4));Average_Filtered_picture(i,j,k)=mean_amp;endendend
endfigure;
imshow(Average_Filtered_picture);
title('均值滤波');

运行结果

图像处理（2）- 空间滤波相关推荐

图像处理之空间滤波二: 平滑滤波器
图像处理之空间滤波二: 平滑滤波器平滑滤波器平滑滤波器用于模糊处理和降低噪声. 常应用于预处理任务中, 例如在大目标提取之前去除图像中的一些琐碎细节, 以及桥接直线或曲线的缝隙, 通过线性滤波 ...
《数字图像处理》空间滤波学习感悟2：空间相关与卷积的概念、区别及联系
一.引言在图像处理以及人工智能中,"卷积"一词是非常重要的概念,也是初学者难以理解的地方.在<数字图像处理:理解什么是卷积(滤波).卷积核以及相关参考资料>老猿结合相 ...
【图像处理】空间滤波、中值滤波（Spatial Filtering and Median Filtering）
实验要求编写一个能够完成两幅图像之间加.减.乘.除四种算术运算的函数.另外,对于两幅图像的乘法,所编写的乘法程序还要能够完成一幅图像乘以一个常数的功能.使用图Fig1.10(4)和Fig1.10 ...
【数字图像处理】空间滤波
空间滤波基础平滑处理平滑线性空间滤波器盒状态滤波高斯平滑滤波统计排序滤波器锐化处理一阶微分算子罗伯特索贝尔二阶微分算子拉普拉斯算子混合空间增强学习笔记,防止自己忘记. sk ...
数字图像处理基础知识之二
空域增强技术: 基础知识1: 定义二维函数f(x,y),其中x,y是空间坐标,f(x,y)是点(x,y)的幅值. 灰度图像是一个二维灰度(亮度)函数f(x,y):彩色图片是由三个二维灰度函数f(x,y ...
数字图像处理：理解什么是卷积（滤波）、卷积核以及相关参考资料
☞ ░ 前往老猿Python博文目录 ░ 一.概述在图像处理领域,滤波.卷积都是相同的含义,都是一种图像的卷积操作,与此相对应通过卷积处理图像时,需要使用一个用于计算图像像素的参考矩阵,这个矩阵称为 ...
音视频技术开发周刊 69期
『音视频技术开发周刊』由LiveVideoStack团队出品,专注在音视频技术领域,纵览相关技术领域的干货和新闻投稿,每周一期.点击『阅读原文』,浏览第69期内容,祝您阅读愉快. 架构 BBR如何让S ...
OpenCV-Python 图像平滑处理1：卷积函数filter2D详解及用于均值滤波的案例
一.图像平滑处理简介图像平滑处理属于图像空间滤波的一种,用于模糊处理和降低噪声.模糊处理经常用于图像预处理任务中,例如在(大)目标提取之前去除图像中的一些琐碎细节,以及桥接直线或曲线的缝隙.模糊处理 ...
OpenCV-Python 图像平滑处理2：blur函数及滤波案例
一.图像平滑处理简介图像平滑处理的基本概念非常直观,它使用滤波器模板确定的邻域内像素的平均/加权平均灰度值代替图像中每个像素的值.平滑线处理滤波器也称均值滤波器,所有系数都相等(非加权平均)的空间均 ...
数字图像处理——第三章空间域图像增强（空间滤波）
文章目录 1. 空间滤波基础 2. 线性滤波器 2.1 平滑空间滤波器 2.2 锐化空间滤波器 2.2.1 基于一阶微分的图像增强--梯度法 2.2.2 基于二阶微分的图像增强--拉普拉斯算子 3. ...

图像处理（2）- 空间滤波

图像空间滤波