当前位置: 代码迷 >> 综合 >> 高斯(Gaussian)滤波、中值(Median)滤波与双边(Bilateral)滤波的特点图像预处理过程中,常常会遇到类似这样问题:有没有一个“好”的算法?例如,有没有一个好的边缘检测算法,或者有没
  详细解决方案

高斯(Gaussian)滤波、中值(Median)滤波与双边(Bilateral)滤波的特点图像预处理过程中,常常会遇到类似这样问题:有没有一个“好”的算法?例如,有没有一个好的边缘检测算法,或者有没

热度:69   发布时间:2023-12-16 06:40:24.0

图像预处理过程中,常常会遇到类似这样问题:有没有一个“好”的算法?例如,有没有一个好的边缘检测算法,或者有没有一个好的滤波算法?但通常来说,没有一个算法能够满足通用性要求,每个算法都有各自的特点。因此,对于这类问题,最先要问的是:我要解决什么问题,为什么我需要一个这样的算法?对于人造物体的检测,可能需要边缘检测算法,因为人造物体中,有规律的边缘或直线比较常见,但需要调整一些参数;对于非人造物体,可能识别特征或颜色更合适,这里并不需要边缘检测。这篇文章介绍一下高斯滤波、中值滤波与双边滤波的基本特点,实际应用中可能会遇到的一些问题。
 


高斯滤波

高斯滤波是线性(Linear)滤波的一种,原理是针对图像中的每一个点(Pixel)与高斯内核(Kernel)进行卷积计算,并将计算结果相加,输出到目标图像中。 
高斯滤波的通用性与性能都比较好,并且由于是线性滤波,对于卷积计算过程,可以通过对Kernel的降维,使算法的时间复杂度由n2n2降为n?2。另外,在OpenCV中,针对特定尺寸的Kernel,如3?3 ,5?5 ,7?7都有特殊的实现,使得性能相比其它的Kernel,有额外的提升。
 

中值滤波

中值滤波属于非线性(Non-linear)滤波的一种。中值滤波使用一个围绕当前像素的矩形,查找区域内像素的中值(Median or Middle-Value),并用该中值替换矩形区域内的其它像素点。中值滤波对于散射噪声(Shot Noise)的处理比较理想,因为散射噪声通常与周围像素值的差异非常大。但中值滤波的性能一般,因为算法执行过程中,要使用中值对其它像素进行替换。而且对于高斯噪声的处理不理想,不过可以通过追加针对区域像素最大值与最小值的忽略,来计算中值。
 

双边滤波

如果采用一个基于权重的Kernel和一个更好的排除算法(如,中值滤波会导致图像的边缘不清晰,因为中值的选择很可能基于图像的背景像素进行),会发生什么?这个思路就是双边滤波的基本想法。双边滤波中,输出像素基于相邻像素的计算的权重值进行,而权重函数的系数基于一个Domain Kernel和Range Kernel计算而来。Domain Kernel通常是高斯Kernel,而Range Kernel用于计算相邻像素与中心像素的相似度。双边滤波的性能不是特别好,但对于以上俩种滤波算法来说,其重要的特点是能够保持图像的边缘清晰(高斯滤波会导致像素移位),这在检测应用中有重要的意义。
 

  相关解决方案