【笔记】视觉算法—

时域平滑

每幅图像都包含某种程度的噪声，可以将噪声看成灰度值的随机变化。

表示行列真正的像素值，表示噪声。我们可以认为噪声是服从均值为0，方差为的正态分布。

原始图像

因此我们可以利用不同时间采集得到的多福图像，对真实像素进行估计，即：

根据概率论可知方差变为原来的.

多幅图求均值.png

时域平均法的缺点就是多幅图像才能进行噪声抑制。在对速度要求很高的情况下并不适用。

空间平均法

也被称为均值滤波器，在的窗口中进行平滑操作。噪声方差下降到原来的.但是空间平均法平滑的边界没有时域的锐利。

空间平均法.png
如果我们单纯按照此方法进行均值滤波，需要次操作。因此我们应当降低运算次数。采用加法结合律：

因为有一部分是计算重复的，我们可以先计算所有局部的列相加的和保存到一个临时图像中。然后在临时图像中将所有行相加。所以复杂度从下降到这种滤波器有它独特的名字：可分滤波器。其实还有更快的方法。
如果用表示纵向的和。就有：
处的和可以基于已经计算出来的位置处的和以及两次加法得到。这个规则同样适用于横向。这个规则下，我们只需要在第一列和第一行上计算完整的和。时间复杂度下降到了。这种重要的变换也有自己的重要的名字。叫做递归滤波器。均值滤波器是线性滤波器的一个例子。线性滤波器可用卷积操作来计算。一维卷积操作为：
这里表示图像函数。滤波器为。此函数被称为掩码卷积和。同理二维卷积操作为:
对于离散域上的函数。积分被求和取代。
卷积核可以分解为。可以提出因子：
$f*h= \sum_{i=- \infty}^{\infty} \sum_{j=- \infty}^{\infty}f_{i,j}h_{r-i,j-c}= \sum_{i=- \infty}^{\infty} \sum_{j=- \infty}^{\infty}f_{i,j}s_{r-i}t_{c-j} = \sum_{i=- \infty}^{\infty}s_{r-i} \left( \sum_{i=- \infty}^{\infty}f_{i,j}t_{c-j} \right)$
递归滤波器与均值滤波器有相同的速度优势。运行时间和滤波器的尺寸无关。

参考：《机器视觉算法与应用》

【笔记】视觉算法——图像平滑

时域平滑

空间平均法

参考：《机器视觉算法与应用》

你可能感兴趣的:(【笔记】视觉算法——图像平滑)