卷积&图像去噪&边缘提取
- 图像去噪与卷积
- 高斯卷积核
- 图像噪声与中值滤波器
- 卷积与边缘提取
图像去噪与卷积
图像去噪
平均求和
卷积核
先对模板进行180度翻转,然后再进行卷积
卷积的定义
通过卷积将H转到R域
卷积性质:
边界填充:
- zero padding
- 镜像填充
卷积操作后的图像要小于输入时的图像,通过边界填充,我们可以实现卷积前后图像的尺寸不变;
一种最常用的边界填充就是常数填充。
单位脉冲卷积可以实现平移操作。
平移、平滑、锐化
高斯卷积核
卷积的图像产生了一些水平和竖直方向的条状
振铃!
根据邻域像素与中心的远近程度分配权重,
高斯卷积核:
如何设置下列参数:
- 卷积核的尺寸
方差越大,平滑效果越明显。
模板尺寸越大,平滑能力越强。
大方差或者大尺寸的卷积核平滑能力强;
小方差或者小尺寸的卷积核平滑能力弱; - 高斯卷积核
- 可分离性示例
- 高斯函数的标准差
卷积操作运算量
小结:在这一节中,我们呢学习了一种新的卷积核,高斯卷积核,他能够有效的抑制噪声、实现图像平滑。同时,我们也介绍了高斯卷积核的堆叠以及分解,他们都可以用于减少卷积计算的复杂度
图像噪声与中值滤波器
高斯噪声
减少高斯噪声
这一节我们认识了三种类型的噪声,椒盐噪声,脉冲噪声及高斯噪声。对于前两者建议使用中值滤波器,对于高斯噪声可以使用高斯卷积核进行去噪。
卷积与边缘提取
边缘:图像中亮度明显而急剧变化的点。
为什么要研究边缘?
- 编码图像中的语义与形状信息。
- 相对于像素表示,边缘表示显然更加紧凑。
边缘的种类:
边缘检测:
图像偏导 &图像求导
图像偏导
噪声的影响:
噪声图像的某一行或列的灰度值随位置变换的情况
高斯一阶偏导
canny边缘检测器
非极大值抑制
提示: q点、r点坐标通常不是证书,其对应的强度需要插值获得
门限过滤
双阀值
- 用高斯一阶偏导核卷积图像
- 计算每个点的梯度幅值和方向
- 非极大值抑制:将宽的边缘细化至单个像素宽度
- 连接与阀值:
定义两个阀值:低和高
使用高阀值开始边缘曲线,使用低
阀值继续边缘曲线