图像噪声与去噪(图片滤波)

索引地址:系列教程索引地址

噪声

图像去噪是指减少数字图像中噪声的过程。现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响,称为含噪图像或噪声图像。

噪声是图象干扰的重要原因。一幅图象在实际应用中可能存在各种各样的噪声,这些噪声可能在传输中产生,也可能在量化等处理中产生。

简单来说,噪声就是图片使用过程中出现的不是我们需要的像素点。比如说,图片水印。打扰了,不同行业不同使用背景噪声不同。

图像平滑(smoothing)也称为“模糊处理”(bluring), 是一项简单且使用频率很高的图像处理方法。可以用来压制、弱化或消除图像中的细节、突变、边缘和噪声。但最常见的是用来减少图像上的噪声或者失真。降低图像分辨率时,平滑处理是很重要的。

何为图像滤波呢?指的是在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制,是图像处理中不可缺少的一项操作。好的滤波可以有效的图像处理的有效性和可靠性。我们知道,信号或者图像的能量大部分是集中在幅度谱的低频和中频段,而高频段往往会伴有噪声的存在。因此,我们设计好的滤波器必须能够较好区分高低频段。

对于图像滤波一般有两点要求:

  • (1)不能损坏图像的重要特征信息(如轮廓和边缘等);
  • (2)图像经滤波处理后清晰度更高;

还有两点目的:

  • (1)抽出图像的特征作为图像识别的特征模式;
  • (2)适应图像处理时项目的要求,尽可能的降低噪声;

平滑滤波是低频增强的空间域滤波技术。它的目的有两类:一类是模糊;另一类是消除噪声。空间域的平滑滤波一般采用简单平均法进行,就是求邻近像元点的平均亮度值。邻域的大小与平滑的效果直接相关,邻域越大平滑的效果越好,但邻域过大,平滑会使边缘信息损失的越大,从而使输出的图像变得模糊,因此需合理选择邻域的大小(即平滑核、窗口的大小)。

OpenCV降噪(滤波)

根据空间滤波增强目的可分为:平滑滤波和锐化滤波;

根据空间滤波的特点可分为:线性滤波和非线性滤波。

(1)平滑滤波,能减弱或消除图像中的高频分量,但不影响低频分量。因为高频分量对应图像中的区域边缘等灰度值具有较大、较快变化的部分,平滑滤波将这些分量绿区可减少局部灰度的起伏,使图像变得比较平滑。实际应用中,平滑滤波即可以用来消除噪声,又可以用在提取较大的目标前过滤去除较小的细节或将目标内的小间断连接起来。

(2)锐化滤波,能减弱或消除图像中的低频分量,但不影响高频分量。因为低频分量对应图像中灰度值缓慢变化的区域,因而与图像的整体特性如整体对比度和平均灰度值等有关。锐化滤波将这些分量滤去可使图像反差增加,边缘明显。实际应用中,锐化滤波可用于增强图像中被模糊的细节或景物的边缘。

下面是常用的一些滤波器,分为线性滤波和非线性滤波

方框滤波–> boxblur函数来实现 –>线性滤波
均值滤波(邻域平均滤波)–> blur函数 –>线性滤波
高斯滤波–>GaussianBlur函数 –>线性滤波
中值滤波–>medianBlur函数 –>非线性滤波
双边滤波–>bilateralFilter函数 –>非线性滤波

说明

  • 均值模糊无法克服边缘像素信息丢失缺陷。原因是均值滤波是基于平均权重;
  • 高斯模糊部分克服了该缺陷,但是无法完全避免,因为没有考虑像素值的不同;
  • 中值模糊,虽然抑制噪声算法比均值滤波略为复杂,但保持画面清晰度的效果更好;
  • 高斯双边模糊是边缘保留的滤波方法,避免了边缘信息丢失,保留了图像轮廓不变。

参考资料