高斯去噪的python代码 高斯噪声去除方法

1. 中值滤波非常适合去除椒盐噪声
2. 拉普拉斯算子比较适合用于改善因为光线的漫反射造成的图像模糊。即对图像进行锐化，增加图像的边缘。
3. 频域滤波：频率域图像增强首先通过傅里叶变换将图像从空间域转换为频率域，然后在频率域内对图像进行处理，最后通过傅里叶反变换转换到空间域。
5. 噪声
   $4.1.$ 高斯噪声
   高斯噪声是一种源于电子电路噪声和由低照明度或高温带来的传感器噪声。高斯噪声也成为正态噪声，是自然界最常见的一种噪声。可以通过空域滤波的平滑或图像复原技术来消除。
   $4.2.$ 椒盐噪声
   椒盐噪声又称为双极脉冲噪声，即出现在图像中的噪声只要两种灰度值，分别是 $a$和$b$，这两种灰度值出现的概率分别是$Pa$和$Pb$。该噪声的均值$m=a*Pa+b*Pb$，方差为$\delta ^2=(a-m)^2*Pa+(b-m)^2*Pb$。通常情况下，脉冲噪声总是数字化为允许的最大值或最小值。所以，负脉冲以黑点（胡椒点）出现在图像中，正脉冲以白点（盐点）出现在图像中。因此该噪声称为椒盐噪声。去除椒盐噪声较好的方法是中值滤波。
   $4.3.$ 均匀分布噪声



6. $4.4.$ 指数分布噪声



7. 高帽滤波和低帽滤波
   图像的形态学高帽操作：即从图像中减去形态学开操作后的图像，通过高帽滤波可以增强图像的对比度。如I=imtophat(IM,SE),对图像IM进行高帽滤波操作，采用的结构元素为SE, 返回值I为滤波后得到的图像。结构元素SE由函数strel创建。
   图像的形态学高帽操作：即从图像中减去形态学开操作后的图像，通过高帽滤波可以增强图像的对比度。如I=imtophat(IM,SE),对图像IM进行高帽滤波操作，采用的结构元素为SE, 返回值I为滤波后得到的图像。结构元素SE由函数strel创建。
8. 图像的频率是表征图像中灰度变化剧烈程度的指标，是灰度在平面空间上的梯度。
   低频信息（低频分量）：表示图像中灰度值变化缓慢的区域，对应着图像中大块平坦的区域。低频分量主要对整幅图像强度的综合度量。
   高频信息（高频分量）：表示图像中灰度值变化剧烈的区域，对应着图像的边缘（轮廓）、噪声（之所以说噪声也是高频分量，是因为图像噪声在大部分情况下都是高频的）以及细节部分。高频分量主要对图像边缘和轮廓的度量（人眼对高频分量比较敏感）。

• 如果一副图像的各个位置的强度大小相等,则图像只存在低频分量,从图像的频谱图上看,只有一个主峰,且位于频率为零的位置.
• 如果一副图像的各个位置的强度变化剧烈,则图像不仅存在低频分量,同时也存在多种高频分量,从图像的频谱上看,不仅有一个主峰,同时也存在多个旁峰.
• 图像中的低频就是图像中梯度较小的地方，高频就是梯度较大的地方。

不同边缘提取方法的比较

傅里叶变换特征：
1.
2. 傅里叶有实际的物理意义
3. 傅里叶变换具有全局性
4.
2D傅里叶变换的结果是一个复值的2D谱，谱的实部和虚部的数值通常范围大很多，以致难以显示。为了更加容易显示，通常使用单调函数来降低其显示范围，如log|F(u,v)|，sqrt(|F(u,v)|)。
傅里叶频域中心化的谱，具有使低频信息位于中心而高频离角点近。