数字图像处理（二）

• 空间滤波
• • 平滑空间滤波器（低通）
  • • 均值滤波
    • 高斯滤波
    • 双边滤波
    • 中值滤波
  • 锐化空间滤波器（高通）
  • • 各向梯度之和算子（拉普拉斯算子（二阶微分））
    • 梯度幅值算子（一阶微分）
    • 梯度幅值改进算子（sobel算子）
  • 混合空间滤波器

均值滤波器可以一定程度降低高斯噪声，但对椒盐噪声效果不好，并且平滑也会带来图像模糊化。
椒盐噪声是灰度值过大或过小的噪声，对均值的影响较大，所以滤波效果不好。

# 方法1
img_smooth = cv.blur(img_org, ksize=(3, 3))
# 方法2
kernel = np.array([[1, 1, 1], [1, 1, 1], [1, 1, 1]])/9
img_smooth = cv.filter2D(img_org, -1, kernel)

高斯滤波构造二维高斯分布的核函数，可以有效的出去图像的高斯噪声。

# 方法1
img_smooth = cv2.GaussianBlur(img,(5,5),0.6)
# 方法2
kernel = cv.getGaussianKernel(ksize=3, sigma=0.6) * cv.getGaussianKernel(ksize=3, sigma=0.6).T
img_smooth = cv.filter2D(img_org, -1, kernel)

双边滤波希望在非边缘部分，让图像平滑（高斯滤波）； 在边缘部分，让图像变得锐化（让模板中与中心像素差值大的权重更小），可以有效保留边缘。

img_smooth = cv2.bilateralFilter(img_org,r,差值,差值)

中值滤波用模板中像素值的中位像素值来确定当前像素值， 可以有效去除椒盐噪声。

11 blur = cv2.medianBlur(img_org,5)

拉普拉斯算子可以突现出图像中小的细节信息。

kernel0 = np.array([[0, -1, 0],
                   [-1, 4, -1],
                   [0, -1, 0]])
kernel1 = np.array([[-1, -1, -1],
                   [-1, 8, -1],
                   [-1, -1, -1]])
dst = cv.filter2D(img_smooth, -1, kernel0)
img_sharpen = img_org + dst

kernel0 = np.array([[-1, 0], [0, -1]])
kernel1 = np.array([[0, -1], [-1, 0]])
dst0 = cv.filter2D(img_smooth, -1, kernel0)
dst1 = cv.filter2D(img_smooth, -1, kernel1)
dst = dst0 + dst1
img_sharpen = img_org + dst

sobel算子可以产生较好的边缘检测效果，而且对噪声具有平滑抑制作用，但是得到的边缘较粗，可能出现伪边缘现象。

kernel0 = np.array([[-1, -2, -1], [0, 0, 0], [1, 2, 1]])
kernel1 = np.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]])
dst0 = cv.filter2D(img_org, -1, kernel0)
dst1 = cv.filter2D(img_org, -1, kernel1)
dst = dst0 + dst1
img_sharpen = img_org + dst

灰度变换平滑锐化等方法组合起来使用