图像滤波

一 中值滤波概念 中值滤波算法以某像素的领域图像区域中的像素值的排序为基础，将像素领域内灰度的中值代替该像素的值[1]； 如：以3*3的领域为例求中值滤波中像素5的值 图1 1）int pixel[9]中存储像素1，像素2...像素9的值； 2）对数组pixel[9]进行排序操作； 3）像素5的值即为数组pixel[9]的中值pixel[4]。 中值滤波对处理椒盐噪声非常有效。 二 中值滤波代码实现 项目工程： https://github.com/ranjiewwen/Everyday_Practice/tree/master/MedianFilter/MedianFilter/MedianFilter //中值滤波：本算法采用3*3的领域范围 void MyImage::MedianFilterOper() { //0. 准备：获取图片的宽，高和像素信息， int const num = 3 * 3; unsigned char pixel[num] = { 0 }; //保存领域的像素值 int width = m_bmpInfo.biWidth; int height = m_bmpInfo.biHeight; int widthbyte = (width * m_bmpInfo.biBitCount / 8 + 3) / 4 * 4; //保证为4的倍数 //相对于中心点

中值滤波 　　 中值滤波法 是一种非线性平滑技术，它将每一像素点的灰度值设置为该点某邻域窗口内的所有像素点灰度值的中值. 　　实现方法： 　　1：通过从图像中的某个采样窗口取出奇数个数据进行排序 　　2：用排序后的中值取代要处理的数据即可 　　中值滤波法对消除椒盐噪音非常有效，在光学测量条纹图象的相位分析处理方法中有特殊作用，但在条纹中心分析方法中作用不大. 　　中值滤波在 图像处理 中,常用于用来保护边缘信息,是经典的平滑噪声的方法 　　中值滤波原理 　　中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是 把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。方法是去某种结构的二维滑动模 板，将板内像素按照像素值的大小进行排序，生成单调上升（或下降）的为二维数据序列。二维中值滤波输出为g（x,y）=med{f(x-k,y-l), (k,l∈W)} ，其中,f(x,y)，g(x,y)分别为原始图像和处理后图像。W为二维模板，通常为2*2，3*3区域，也可以是不同的的形状，如线状，圆形，十字 形，圆环形等。 来源： https://www.cnblogs.com/cplusplus/archive/2012/05/11/2495449.html

　点云滤波是点云处理的基本步骤，也是进行 high level 三维图像处理之前必须要进行的预处理。其作用类似于信号处理中的滤波，但实现手段却和信号处理不一样。我认为原因有以下几个方面： 点云不是函数，对于复杂三维外形其x,y,z之间并非以某种规律或某种数值关系定义。所以点云无法建立横纵坐标之间的联系。 点云在空间中是离散的。和图像，信号不一样，并不定义在某个区域上，无法以某种模板的形式对其进行滤波。换言之，点云没有图像与信号那么明显的定义域。 点云在空间中分布很广泛。历整个点云中的每个点，并建立点与点之间相互位置关系成了最大难点。不像图像与信号，可以有迹可循。 点云滤波依赖于几何信息，而不是数值关系。 　　综上所述，点云滤波只在抽象意义上与信号，图像滤波类似。因为滤波的功能都是突出需要的信息。 点云滤波的方法 　　PCL常规滤波手段均进行了很好的封装。对点云的滤波通过调用各个滤波器对象来完成。主要的滤波器有 直通滤波器，体素格滤波器，统计滤波器，半径滤波器 等。不同特性的滤波器构成了较为完整的点云前处理族，并组合使用完成任务。实际上，滤波手段的选择和采集方式是密不可分的。 如果使用线结构光扫描的方式采集点云，必然物体沿z向分布较广，但x,y向的分布处于有限范围内。此时可使用直通滤波器，确定点云在x或y方向上的范围，可较快剪除离群点，达到第一步粗处理的目的。

时域与频域 视频处理归根到底还是得对图像进行处理，常见的图像处理可以大致分为时域上处理和频域上处理，为此，我们先了解一下什么是时域，什么是频域 时域是真实世界，是唯一真实存在的域，自变量是时间,即横轴是时间,纵轴是信号的变化，其动态信号x（t）是描述信号在不同时刻取值的函数； 频域最重要的性质就是它不是真实的，仅仅是一个数学构造，自变量是频率,即横轴是频率,纵轴是该频率信号的幅度,也就是通常说的频谱图。 更多关于时域与频域的请阅读以下文章 - 什么是时域和频域 - 信号时域频域及转换 相关图像噪声可以 点击这里 均值滤波 均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素（以目标像素为中心的周围8个像素，构成一个滤波模板，即去掉目标像素本身），再用模板中的全体像素的平均值来代替原来像素值 通俗的所就是用选定区域的平均值来代替该点的像素值，比如选定的区域是（3,3）的，不考虑边界，第一个区域就是（1+2+1+1+2+2+5+7+6）/9=3，所以该点的值为3。边界值不变（如果考虑边界要进行补零操作），显然这有点类似卷积，给定一个3 3（当然也可以是其他大小的区域，一般都是3 3）的卷积核如下 这就可以实现均值滤波了，当然，可以更换卷积核来实现加权平均的效果，根据上面的原理可以自己编写均值滤波的函数，网上已有很多博客实现了，这里就不在多说了

本文参考如下博客内容，在此对原博客作者表示感谢。 点云滤波简介： https://www.cnblogs.com/zhaobinyouth/p/6196358.html 点云滤波—直通滤波器：https://blog.csdn.net/wolfcsharp/article/details/93195621 点云滤波—体素网格滤波器：https://blog.csdn.net/wolfcsharp/article/details/93198320 点云滤波—统计滤波器：https://blog.csdn.net/wolfcsharp/article/details/93203442 PCL 几种滤波方法：https://blog.csdn.net/qq_39482438/article/details/81110036 Bilateral Filters（双边滤波算法）原理及实现：https://blog.csdn.net/piaoxuezhong/article/details/78302920 1 点云滤波和信号处理滤波 点云滤波是点云处理的基本步骤，也是进行 high level 三维图像处理之前必须要进行的预处理。其作用类似于信号处理中的滤波，但实现手段却和信号处理不一样。我认为原因有以下几个方面： 点云不是函数，对于复杂三维外形其x,y

本文提供更多更强大的滤波方法，这些方法放在filters.rank子模块内。 这些方法需要用户自己设定滤波器的形状和大小，因此需要导入morphology模块来设定。 1、autolevel 这个词在photoshop里面翻译成自动色阶，用局部直方图来对图片进行滤波分级。 该滤波器 局部地拉伸灰度像素值的直方图，以覆盖整个像素值范围。 格式：skimage.filters.rank.autolevel(image, selem） selem表示结构化元素，用于设定滤波器。 from skimage import data,color import matplotlib.pyplot as plt from skimage.morphology import disk import skimage.filters.rank as sfr img =color.rgb2gray(data.lena()) auto =sfr.autolevel(img, disk(5)) #半径为5的圆形滤波器 plt.figure('filters',figsize=(8,8)) plt.subplot(121) plt.title('origin image') plt.imshow(img,plt.cm.gray) plt.subplot(122) plt.title('filted image'

# include <iostream> # include <opencv2/opencv.hpp> # define window1 "【结果1】" # define window "【原图】" # define window2 "【结果2】" # define window3 "【结果3】" # define window4 "【结果4】" # define window5 "【结果5】" using namespace std ; using namespace cv ; Mat src , dst1 , dst2 , dst3 ; Mat element ; int n_kersize1 = 10 ; //初始值为3. int n_kersize2 = 10 ; //初始值为3. int n_kersize3 = 10 ; //初始值为3. int maxker = 10 ; int type = 0 ; int ELEMENTSHARP = MORPH_RECT ; //初始值为方形。 void on_openclose ( int , void * ) ; void on_erodedalite ( int , void * ) ; void on_topblackhat ( int , void * ) ; //形态学滤波的应用，对一副图像进行开闭，顶帽黑帽

learning to see.pdf @lutingting 2016-11-04 16:15 字数 10899 阅读 4087 SIFT特征提取及匹配 数字图像处理 图像特征提取 SIFT特征提取及匹配 1.SIFT（Scale-invariant feature transform）算子的核心思想 2.什么是尺度空间呢？ 2.1 一篇百度文库的文章关于尺度空间的分析 例子1 例子2 现实生活中的例子 2.2 SIFT中的尺度空间的概念 3.SIFT特征提取 3.1 尺度空间极值检测 3.1.1 尺度空间的建立（高斯金字塔的建立） 3.1.2 图像差分高斯金字塔（DoG）的建立 3.1.3 尺度空间中特征点的检测（DoG中极值点的检测） 3.2 关键点位置及尺度确定 3.3 关键点方向确定 3.4 特征向量生成 4.SIFT特征的匹配 5.下面是一些参考程序 5.1 5.2 1.SIFT（Scale-invariant feature transform）算子的核心思想 利用不同尺度的高斯核函数对图像进行平滑，即构造图像的尺度空间 比较不同尺度平滑后的图像差别，在某局部范围内，差别最大或者差别最小的像素点就是特征明显的点 由于SIFT特征的检测方式，使得它具有： 尺度不变性：在尺度空间内进行的特征点检测 2.什么是尺度空间呢？ 2.1 一篇百度文库的文章关于尺度空间的分析

第一个问题：高斯函数为什么能作为图像处理中的滤波函数？ 高斯平滑滤波器无论在空间域还是在频率域都是十分有效的低通滤波器，且在实际图像处理中得到了工程人员的有效使用．高斯函数具有五个十分重要的性质，它们是： （1）二维高斯函数具有旋转对称性，即滤波器在各个方向上的平滑程度是相同的．一般来说，一幅图像的边缘方向是事先不知道的，因此，在滤波前是无法确定一个方向上比另一方向上需要更多的平滑．旋转对称性意味着高斯平滑滤波器在后续边缘检测中不会偏向任一方向． （2）高斯函数是单值函数．这表明，高斯滤波器用像素邻域的加权均值来代替该点的像素值，而每一邻域像素点权值是随该点与中心点的距离单调增减的．这一性质是很重要的，因为边缘是一种图像局部特征，如果平滑运算对离算子中心很远的像素点仍然有很大作用，则平滑运算会使图像失真． （3）高斯函数的付立叶变换频谱是单瓣的．正如下面所示，这一性质是高斯函数付立叶变换等于高斯函数本身这一事实的直接推论．图像常被不希望的高频信号所污染(噪声和细纹理)．而所希望的图像特征（如边缘），既含有低频分量，又含有高频分量．高斯函数付立叶变换的单瓣意味着平滑图像不会被不需要的高频信号所污染，同时保留了大部分所需信号． （4）高斯滤波器宽度(决定着平滑程度)是由参数σ表征的，而且σ和平滑程度的关系是非常简单的．σ越大，高斯滤波器的频带就越宽，平滑程度就越好

转自 http://blog.csdn.net/zouxy09/article/details/49080029 一、线性滤波与卷积的基本概念 线性滤波可以说是图像处理最基本的方法，它可以允许我们对图像进行处理，产生很多不同的效果。做法很简单。首先，我们有一个二维的滤波器矩阵（有个高大上的名字叫卷积核）和一个要处理的二维图像。然后，对于图像的每一个像素点，计算它的邻域像素和滤波器矩阵的对应元素的乘积，然后加起来，作为该像素位置的值。这样就完成了滤波过程。 对图像和滤波矩阵进行逐个元素相乘再求和的操作就相当于将一个二维的函数移动到另一个二维函数的所有位置，这个操作就叫卷积或者协相关。卷积和协相关的差别是，卷积需要先对滤波矩阵进行180的翻转，但如果矩阵是对称的，那么两者就没有什么差别了。 Correlation 和 Convolution可以说是图像处理最基本的操作，但却非常有用。这两个操作有两个非常关键的特点：它们是线性的，而且具有平移不变性shift-invariant。平移不变性指我们在图像的每个位置都执行相同的操作。线性指这个操作是线性的，也就是我们用每个像素的邻域的线性组合来代替这个像素。这两个属性使得这个操作非常简单，因为线性操作是最简单的，然后在所有地方都做同样的操作就更简单了。 实际上，在信号处理领域，卷积有广泛的意义，而且有其严格的数学定义，但在这里不关注这个。