圖像雜訊的典型濾波方法有哪些

A. 圖像處理中常用的降噪濾波器有哪些 它們分別適用於哪些場合

圖像處理中常用的降噪濾波器有：
(1)：電感濾波器；
(2)：電容濾波器；
(3)：L型即電感與電容組成的濾波器；
(4)π型：LCπ型濾波器，RCπ型濾波

其中可適用於：
(1)：由光和電的基本性質所引起的雜訊。如電流的產生是由電子或空穴粒子的集合，定向運動所形成。因這些粒子運動的隨機性而形成的散粒雜訊；導體中自由電子的無規則熱運動所形成的熱雜訊；根據光的粒子性，圖像是由光量子所傳輸，而光量子密度隨時間和空間變化所形成的光量子雜訊等。
(2)：電器的機械運動產生的雜訊。如各種接頭因抖動引起電流變化所產生的雜訊；磁頭、磁帶等抖動或一起的抖動等。
(3)：器材材料本身引起的雜訊。如正片和負片的表面顆粒性和磁帶磁碟表面缺陷所產生的雜訊。隨著材料科學的發展，這些雜訊有望不斷減少，但在目前來講，還是不可避免的。
(4)：系統內部設備電路所引起的雜訊。如電源引入的交流雜訊；偏轉系統和箝位電路所引起的雜訊等。

B. 在對圖像處理時，圖像降噪的方法有哪些，請具體些

最終目的是要數字提取的話，去噪只是為更好的進行提取，建議用中值濾波，這樣可以去除尖銳的雜訊點，使得圖像平滑，接下來可以使用水平投影、垂直投影確定出目標的上下左右邊界，就可以提取了。以前做過電表數字識別其中提取就是這樣做的，不知道對你有沒有幫助。

C. 圖像的濾波與增強

（如果您覺得文檔不錯，能不能麻煩動動小手點個贊啊）

1. 濾波實際上是信號處理得一個概念，圖像可以看成一個二維信號，其中像素點的 灰度值 代表 信號的強弱 ；

2. 高頻 ：圖像上變化劇烈的部分；

3. 低頻 ：圖像灰度值變化緩慢，平坦的地方；

4.根據圖像高低頻，設置高通和低通濾波器。高通濾波器可以檢測變化尖銳，明顯的地方，低通可以讓圖像變得平滑，消除雜訊；

5. 濾波作用 ： 高通濾波器 用於 邊緣檢測 ， 低通濾波器 用於圖像 平滑去噪 ；

6. 線性濾波 ：方框濾波/均值濾波/高斯濾波；

7. 非線性濾波 ：中值濾波/雙邊濾波；

利用給定像素周圍的像素值決定此像素的最終輸出值的一種運算元；

一種常用的領域運算元，像素輸出取決於輸入像素的加權和：

 方框濾波（box Filter）被封裝在一個名為boxFilter的函數中，即boxFilter函數的作用是使用方框濾波器（box filter）來模糊一張圖片，從src輸入，從dst輸出；方框濾波核：

normalize = true 與均值濾波相同       normalize = false 很容易發生溢出

函數：

cv2.boxFilter(src,depth，ksize，normalize)

參數說明：

參數1：輸入圖像

參數2：目標圖像深度

參數3：核大小

參數4：normalize

均值濾波是一種最簡單的濾波處理，它取的是卷積核區域內元素的均值，用cv2.blur()實現

函數 ：cv2.blur(src, ksize)

參數說明：

參數1：輸入原圖

參數2：kernel的大小，一般為奇數

高斯濾波是一種線性平滑濾波，適用於消除高斯雜訊，廣泛應用於圖像處理的減噪過程。高斯濾波的卷積核權重並不相同，中間像素點權重最高，越遠離中心的像素權重越小。其原理是一個2維高斯函數）

高斯濾波相比均值濾波效率要慢，但可以有效消除高斯雜訊，能保留更多的圖像細節，所以經常被稱為最有用的濾波器。

函數：

cv2.Guassianblur(src, ksize, std)表示進行高斯濾波，

參數說明:

參數1：輸入原圖

參數2：高斯核大小

參數3：標准差σ，平滑時，調整σ實際是在調整周圍像素對當前像素的影響程度，調大σ即提高了遠處像素對中心像素的影響程度，濾波結果也就越平滑。

中值濾波是一種非線性濾波，是用 像素點鄰域灰度值的中指代替該點的灰度值，中值濾波可以去除椒鹽雜訊和斑點雜訊。

函數：

cv2.medianBlur(img,ksize)

參數說明:

參數1：輸入原圖

參數2：核大小

雙邊濾波是一種非線性的濾波方法，是結合圖像的空間鄰近度和像素值相似度的一種折中處理，同時考慮空間與信息和灰度相似性，達到保邊去噪的目的，具有簡單、非迭代、局部處理的特點。

函數 ：cv2.bilateralFilter(src=image, d, sigmaColor, sigmaSpace)

參數說明:

參數1：輸入原圖

參數2：像素的鄰域直徑

參數3：灰度值相似性高斯函數標准差

參數4：空間高斯函數標准差

目的

直方圖均衡化是將原圖像通過某種變換，得到一幅灰度直方圖為均勻分布的新圖像的方法。

基本思想

對在圖像中像素個數多的灰度級進行展寬，而對像素個數少的灰度級進行縮減。從而達到清晰圖像的目的。

函數

cv2.equalizeHist（img）

參數1：待均衡化圖像

步驟

統計直方圖中每個灰度級出現的次數；

計算累計歸一化直方圖；

重新計算像素點的像素值

Gamma變換是對輸入圖像灰度值進行的非線性操作，使輸出圖像灰度值與輸入圖像灰度值呈指數關系：

目的：

Gamma變換就是用來圖像增強，其提升了暗部細節，通過非線性變換，讓圖像從暴光強度的線性響應變得更接近人眼感受的響應，即將漂白（相機曝光）或過暗（曝光不足）的圖片，進行矯正。

r > 0圖像變暗， r < 0圖像變亮

D. 圖像處理中常用的降噪濾波器有哪些它們分別適用於哪些場合

圖像處理中常用的降噪濾波器有：
(1)：電感濾波器；
(2)：電容濾波器；
(3)：L型即電感與電容組成的濾波器；
(4)π型：LCπ型濾波器，RCπ型濾波

其中可適用於：
(1)：由光和電的基本性質所引起的雜訊。如電流的產生是由電子或空穴粒子的集合，定向運動所形成。因這些粒子運動的隨機性而形成的散粒雜訊；導體中自由電子的無規則熱運動所形成的熱雜訊；根據光的粒子性，圖像是由光量子所傳輸，而光量子密度隨時間和空間變化所形成的光量子雜訊等。
(2)：電器的機械運動產生的雜訊。如各種接頭因抖動引起電流變化所產生的雜訊；磁頭、磁帶等抖動或一起的抖動等。
(3)：器材材料本身引起的雜訊。如正片和負片的表面顆粒性和磁帶磁碟表面缺陷所產生的雜訊。隨著材料科學的發展，這些雜訊有望不斷減少，但在目前來講，還是不可避免的。
(4)：系統內部設備電路所引起的雜訊。如電源引入的交流雜訊；偏轉系統和箝位電路所引起的雜訊等。

E. 圖像降噪的圖象降噪的方法簡介

採用鄰域平均法的均值濾波器非常適用於去除通過掃描得到的圖象中的顆粒雜訊。領域平均法有力地抑制了雜訊,同時也由於平均而引起了模糊現象,模糊程度與鄰域半徑成正比。
幾何均值濾波器所達到的平滑度可以與算術均值濾波器相比,但在濾波過程中會丟失更少的圖象細節。
諧波均值濾波器對「鹽」雜訊效果更好,但是不適用於「胡椒」雜訊。它善於處理像高斯雜訊那樣的其他雜訊。
逆諧波均值濾波器更適合於處理脈沖雜訊,但它有個缺點,就是必須要知道雜訊是暗雜訊還是亮雜訊,以便於選擇合適的濾波器階數符號,如果階數的符號選擇錯了可能會引起災難性的後果。 這種方法保留了大部分包含信號的小波系數,因此可以較好地保持圖象細節。小波分析進行圖像去噪主要有3個步驟:(1)對圖象信號進行小波分解。(2)對經過層次分解後的高頻系數進行閾值量化。(3)利用二維小波重構圖象信號。

F. 濾除圖像中的椒鹽雜訊採用中值濾波還是鄰域均值濾波，為什麼

均值濾波器是一種最常用的線性低通平滑濾波器，可抑制圖像中的加性雜訊，但同時也使圖像變得模糊；中值濾波器是一種最常用的非線性平滑濾波器，可消除圖像中孤立的雜訊點，又可產生較少的模糊。一般情況下中值濾波的效果要比鄰域平均處理的低通濾波效果好，主要特點是濾波後圖像中的輪廓比較清晰。因此，濾除圖像中的椒鹽雜訊採用中值濾波。

G. 中值濾波

一. 中值濾波：

    中值濾波器是一種可以使圖像平滑的濾波器。它使用濾波器范圍內的像素的中值去代表該范圍內所有的像素。中值濾波是消除圖像雜訊最常見的手段之一，特別是消除椒鹽雜訊，中值濾波的效果要比均值濾波更好。

二. python實現中值濾波和均值濾波，並用兩種濾波器對受到椒鹽雜訊污染的圖像進行去噪

import cv2

import numpy as np

# Median filter

def median_filter(img, K_size=3):

    H, W, C = img.shape

    ## Zero padding

    pad = K_size // 2

    out = np.zeros((H + pad*2, W + pad*2, C), dtype=np.float)

    out[pad:pad+H, pad:pad+W] = img.().astype(np.float)

    tmp = out.()

    # filtering

    for y in range(H):

        for x in range(W):

            for c in range(C):

                out[pad+y, pad+x, c] = np.median(tmp[y:y+K_size, x:x+K_size, c])

    out = out[pad:pad+H, pad:pad+W].astype(np.uint8)

    return out

# Average filter

def average_filter(img, G=3):

    out = img.()

    H, W, C = img.shape

    Nh = int(H / G)

    Nw = int(W / G)

    for y in range(Nh):

        for x in range(Nw):

            for c in range(C):

                out[G*y:G*(y+1), G*x:G*(x+1), c] = np.mean(out[G*y:G*(y+1), G*x:G*(x+1), c]).astype(np.int)

    return out

# Read image

img = cv2.imread("../paojie_sp.jpg")

# Median Filter and Average Filter

out1 = median_filter(img, K_size=3)

out2 = average_filter(img,G=3)

# Save result

cv2.imwrite("out1.jpg", out1)

cv2.imwrite("out2.jpg", out2)

cv2.waitKey(0)

cv2.destroyAllWindows()

三. 實驗結果

        可以明顯看出，對於受到椒鹽雜訊污染的圖像，中值濾波往往比均值濾波的去噪效果要好！

四. 參考內容：

         https://www.cnblogs.com/wojianxin/p/12500348.html

H. 什麼是圖像去噪

圖像去噪

簡介：

現實中的數字圖像在數字化和傳輸過程中常受到成像設備與外部環境雜訊干擾等影響，稱為含噪圖像或雜訊圖像。減少數字圖像中雜訊的過程稱為圖像去噪。

去除圖像雜訊的方法：

• 均值濾波器

採用鄰域平均法的均值濾波器非常適用於去除通過掃描得到的圖像中的顆粒雜訊。領域平均法有力地抑制了雜訊,同時也由於平均而引起了模糊現象,模糊程度與領域半徑成正比。

幾何均值濾波器所達到的平滑度可以與算術均值濾波器相比,但在濾波過程中會丟失更少的圖象細節。

諧波均值濾波器對「鹽」雜訊效果更好,但是不適用於「胡椒」雜訊。它善於處理像高斯雜訊那樣的其他雜訊。

逆諧波均值濾波器更適合於處理脈沖雜訊,但它有個缺點,就是必須要知道雜訊是暗雜訊還是亮雜訊,以便於選擇合適的濾波器階數符號,如果階數的符號選擇錯了可能會引起災難性的後果。

• 自適應維納濾波器

它能根據圖象的局部方差來調整濾波器的輸出,局部方差越大,濾波器的平滑作用越強。它的最終目標是使恢復圖像f^(x,y)與原始圖像f(x,y)的均方誤差e2=E[(f(x,y)-f^(x,y)2]最小。該方法的濾波效果比均值濾波器效果要好,對保留圖像的邊緣和其他高頻部分很有用,不過計算量較大。維納濾波器對具有白雜訊的圖象濾波效果最佳。

• 中值濾波器

它是一種常用的非線性平滑濾波器,其基本原理是把數字圖像或數字序列中一點的值用該點的一個領域中各點值的中值代換其主要功能是讓周圍象素灰度值的差比較大的像素改取與周圍的像素值接近的值,從而可以消除孤立的雜訊點,所以中值濾波對於濾除圖像的椒鹽雜訊非常有效。中值濾波器可以做到既去除雜訊又能保護圖像的邊緣,從而獲得較滿意的復原效果,而且,在實際運算過程中不需要圖象的統計特性,這也帶來不少方便,但對一些細節多,特別是點、線、尖頂細節較多的圖象不宜採用中值濾波的方法。

• 形態學雜訊濾除器

將開啟和閉合結合起來可用來濾除雜訊,首先對有雜訊圖象進行開啟操作,可選擇結構要素矩陣比雜訊的尺寸大,因而開啟的結果是將背景上的雜訊去除。最後是對前一步得到的圖象進行閉合操作,將圖象上的雜訊去掉。根據此方法的特點可以知道,此方法適用的圖像類型是圖象中的對象尺寸都比較大,且沒有細小的細節,對這種類型的圖像除噪的效果會比較好。

• 小波去噪

這種方法保留了大部分包含信號的小波系數,因此可以較好地保持圖象細節。小波分析進行圖像去噪主要有3個步驟：

(1)對圖象信號進行小波分解。

(2)對經過層次分解後的高頻系數進行閾值量化。

(3)利用二維小波重構圖象信號。

詳細資料見網路：http://ke..com/view/4518756.htm

I. 處理表面缺陷圖像用什麼濾波方法

圖像濾波

剛獲得的圖像有很多噪音。這主要由於平時的工作和環境引起的，圖像增強是減弱噪音，增強對比度。想得到比較干凈清晰的圖像並不是容易的事情。為這個目標而為處理圖像所涉及的操作是設計一個適合、匹配的濾波器和恰當的閾值。常用的有高斯濾波、均值濾波、中值濾波、最小均方差濾波、Gabor濾波。

由於高斯函數的傅立葉變換仍是高斯函數, 因此高斯函數能構成一個在頻域具有平滑性能的低通濾波器。可以通過在頻域做乘積來實現高斯濾波。均值濾波是對是對信號進行局部平均, 以平均值來代表該像素點的灰度值。矩形濾波器(Averaging Box Filter)對這個二維矢量的每一個分量進行獨立的平滑處理。通過計算和轉化 ,得到一幅單位矢量圖。這個 512×512的矢量圖被劃分成一個 8×8的小區域 ,再在每一個小區域中 ,統計這個區域內的主要方向 ,亦即將對該區域內點方向數進行統計,最多的方向作為區域的主方向。於是就得到了一個新的64×64的矢量圖。這個新的矢量圖還可以採用一個 3×3模板進行進一步的平滑。

中值濾波是常用的非線性濾波方法 ,也是圖像處理技術中最常用的預處理技術。它在平滑脈沖雜訊方面非常有效,同時它可以保護圖像尖銳的邊緣。加權中值濾波能夠改進中值濾波的邊緣信號保持效果。但對方向性很強的指紋圖像進行濾波處理時 ,有必要引入方向信息,即利用指紋方向圖來指導中值濾波的進行。

最小均方差濾波器,亦稱維納濾波器,其設計思想是使輸入信號乘響應後的輸出,與期望輸出的均方誤差為最小。

Gabor變換是英國物理學家 Gabor提出來的,由「測不準原理」可知,它具有最小的時頻窗,即Gabor函數能做到具有最精確的時間-頻率的局部化；另外, Gabor函數與哺乳動物的視覺感受野相當吻合,這一點對研究圖像特徵檢測或空間頻率濾波非常有用。恰當的選擇其參數, Gabor變換可以出色地進行圖像分割、識別與理解。如文獻提出的基於Gabor濾波器的增強演算法。

J. 圖像去噪的方法

①高斯濾波：
高斯濾波的具體操作是:用一個模板(或稱卷積、掩模)掃描圖像中的每一個像素，用模板確定的鄰域內像素的 加權平均灰度值 去替代模板中心像素點的值。
1.高斯濾波是平滑線性濾波器，在對鄰域內像素灰度平均時賦予了 不同位置不同的權值，越靠近鄰域中心權值越 大(?)。
2.高斯濾波技能平滑雜訊，也能保留圖像的整體灰度分布特徵；
3.高斯濾波公式是各向同性擴散方程，在圖像邊緣處沿切向和法向是同等擴散的，所以絕大多數 邊緣和細節紋理特徵被模糊掉，損失了大量的信息。
4.高斯濾波 適合處理均值為零的高斯雜訊，但 處理離散的點雜訊時，會損失大量細節信息。
5.一維高斯函數：
二維高斯函數：

②中值濾波
中值濾波是統計排序濾波器，通過對鄰域內所有像素的排序，然後取其 中值為鄰域中心的像素。
1.該方法 不適合處理高斯雜訊，但處理離散的點雜訊效果明顯。
2.該方法 忽略了像素點間的相關性，當目標圖像細節紋理復雜時，中值濾波的結果會破壞其不分紋理。