平滑滤波

文章目录 空间滤波 中值滤波（Median Filter） 自适应中值滤波器（Adaptive Median Filter） 均值滤波 算术均值滤波器（Arithmetic Mean Filter） 盒状滤波器 加权的均值滤波器 非线性均值滤波器 几何均值滤波器（Geometric Mean Filter） 谐波均值滤波器（Harmonic Mean Filter） 逆谐波均值滤波器（Contra-Harmonic Mean Filter） 参考资料 空间滤波 一个滤波器就是在选定的领域像素上执行预定义好的操作产生新的像素，并用新的像素替换掉原来像素形成新的图像。 一个空间滤波器包括两个部分： 一个领域，滤波器进行操作的像素集合，通常是一个矩形区域 对领域中像素进行的操作 通常可以将滤波器称之为核（kernel）、模板（template）或者窗口（window）。 根据预定义的操作，可以将滤波器分为： 线性滤波器 非线性滤波器 根据滤波器最终对图像造成的影响，可以将滤波器分为： 平滑滤波器，通常用于模糊图像或者去除图像中的噪声。 锐化滤波器，突出图像中的边缘细节部分。 中值滤波（Median Filter） 分类 非线性滤波器 原理 选择待处理像素的一个领域中的各像素值的中值来代替待处理的像素。 功能 消除孤立噪声点（像素的灰度值与周围像素比较接近），特别是椒盐噪声。 优点

图像的卷积 ，可以理解为kernel和像素点pixel之间的运算。 把kernel旋转180度（图像是反过来的），使其中心压在图片的第一个像素点，然后每个点和kernel对应的数值相乘，然后把各个值累加得到一个新的值，取代kernel中心压着的像素值。在进行这个运算时，需要copy一下原图或者创建一个size一样的图片，不能直接在原图上修改。 例： 注意： 在图片的某一像素点周围没有足够的值时，比如左上角，忽略最外边的一圈像素或者给边缘插值，然后计算再把边缘扔掉。 New value取值为0-255，小于0认为是0，大于255认为是255。 kernel一般取奇数矩阵 图像边缘提取 图像边缘来源于不同颜色、纹理、光照、表面。 Step edge（阶跃函数） 一阶导数 一个峰值 Ramp edge（缓慢上升） 二阶导数 两个峰值 Peak edge（矩形信号） 一阶导数 一个峰值 图像的导数可以用梯度来表示，但是计算梯度比较麻烦而且效率略低。计算导数需要用到剑减法来求变化率，这就衍生出一些算子，类似于通过分配权重的方式计算梯度。 Sobel 算子其主要用于边缘检测，在技术上它是以离散型的差分算子，用来运算图像亮度函数的梯度的近似值，Sobel算子是典型的基于一阶导数的边缘检测算子，由于该算子中引入了类似局部平均的运算，因此对噪声具有平滑作用，能很好的消除噪声的影响

平滑 1.简单模糊/均值滤波： 目标图像中每一个值都是源图像相应位置的核的平均值 均值滤波本身存在着固有的缺陷，即它不能很好地保护图像细节，在图像去噪的同时也破坏了图像的细节部分，从而使图像变得模糊，不能很好地去除噪声点。特别是椒盐噪声 2.中值滤波： 将源图像对应位置的核大小个像素进行排序，得到中值，最后将核矩阵的中心点赋值为这个中值。 椒盐噪声很好的被平滑，而且也没均值那样模糊化太过于严重。 少量具有较大偏差的点会严重影响滤波结果 3.高斯滤波 源图像对应位置的核中心为中心，将核参数呈现二维高斯波形，然后将核和源图像对应位置求卷积。 参考：https://www.cnblogs.com/charlee44/p/10592588.html 缺点：破坏了边缘信息。把边缘也模糊了 4.双边滤波 https://blog.csdn.net/qq_36359022/article/details/80198890 结合图像的空间邻近度和像素值相似度的一种折衷处理，同时考虑空域信息和灰度相似性，达到保边去噪的目的。具有简单、非迭代、局部的特点。 双边滤波器的好处是可以做边缘保存（edge preserving），一般用高斯滤波去降噪，会较明显地模糊边缘，对于高频细节的保护效果并不明显。 openCV接口 void bilateralFilter( InputArray src,

转自 https://www.zhihu.com/question/26493945 作者：YaqiLYU 第一部分：目标跟踪速览 先跟几个SOTA的tracker混个脸熟，大概了解一下目标跟踪这个方向都有些什么。一切要从2013年的那个数据库说起。。如果你问别人近几年有什么比较niubility的跟踪算法，大部分人都会扔给你吴毅老师的论文，OTB50和OTB100(OTB50这里指OTB-2013，OTB100这里指OTB-2015，50和100分别代表视频数量，方便记忆)： Wu Y, Lim J, Yang M H. Online object tracking: A benchmark [C]// CVPR, 2013. Wu Y, Lim J, Yang M H. Object tracking benchmark [J]. TPAMI, 2015. 顶会转顶刊的顶级待遇，在加上引用量1480+320多，影响力不言而喻，已经是做tracking必须跑的数据库了，测试代码和序列都可以下载： Visual Tracker Benchmark ，OTB50包括50个序列，都经过人工标注： 两篇论文在数据库上对比了包括2012年及之前的29个顶尖的tracker，有大家比较熟悉的OAB, IVT, MIL, CT, TLD, Struck等，大都是顶会转顶刊的神作

均值滤波和和中值滤波都可以起到平滑图像，虑去噪声的功能。 均值滤波采用线性的方法，平均整个窗口范围内的像素值，均值滤波本身存在着固有的缺陷，即它不能很好地保护图像细节，在图像去噪的同时也破坏了图像的细节部分，从而使图像变得模糊，不能很好地去除噪声点。均值滤波对高斯噪声表现较好，对椒盐噪声表现较差。 中值滤波采用非线性的方法，它在平滑脉冲噪声方面非常有效,同时它可以保护图像尖锐的边缘，选择适当的点来替代污染点的值，所以处理效果好，对椒盐噪声表现较好，对高斯噪声表现较差。 中值滤波： #include "itkImage.h" #include "itkImageFileReader.h" #include "itkMedianImageFilter.h" #include "itkSubtractImageFilter.h" #include "itksys/SystemTools.hxx" #include <sstream> #include "QuickView.h" int main(int argc, char * argv[]) { std::string inputFilename = "C:/input/Lenna.jpeg"; typedef itk::Image<float, 2 > ImageType; typedef itk::ImageFileReader