摘要：能够有效去除椒盐噪声黑白点叠加在图像上去除噪声的同时，比较好地保留边缘空间域锐化滤波器高通滤波器锐化处理的主要目的是为了突出图像的边缘信息，增强图像的轮廓特征，以便于人眼的观察和机器的识别。
图像平滑通过积分过程使得图像边缘模糊，图像锐化则通过微分使得图像边缘突出、清晰。
平滑滤波包括：均值滤波、加权均值滤波、阈值平均滤波、中值滤波、高斯滤波等，应用时他们仅是卷积核之间的不同。
平滑滤波用于模糊处理和降低噪声。模糊处理常用于预处理任务中，如在目标提取之前去除图像中的一些琐碎细节，以及桥接直线或曲线的缝隙。通过线性或非线性平滑滤波也可降低噪声。
均值滤波（normalized box filter）就是用其像素点周围像素的平均值代替元像素值，在滤除噪声的同时也会滤掉图像的边缘信息的方法。
但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。
卷积核：
opencv提供的函数
//作用：使用归一化卷积模板模糊图像#cv2.blur(src, ksize, dst=None, anchor=None, borderType=None)#src：图像矩阵 ksize：滤波窗口(算子)尺寸 anchor：锚点 borderType：边界扩充类型高斯滤波是一种线性平滑滤波器，对于服从正态分布的噪声有很好的抑制作用。在实际场景中，我们通常会假定图像包含的噪声为高斯白噪声，所以在许多实际应用的预处理部分，都会采用高斯滤波抑制噪声，如传统车牌识别等。
高斯滤波和均值滤波一样，都是利用一个掩膜和图像进行卷积求解。不同之处在于：均值滤波器的模板系数都是相同的为1，而高斯滤波器的模板系数，则随着距离模板中心的增大而系数减小（服从二维高斯分布），从而确保中心点看起来更接近与它距离更近的点。所以，高斯滤波器相比于均值滤波器对图像个模糊程度较小，更能够保持图像的整体细节。
卷积核：
opencv提供的函数
//作用：根据像素距离使用高斯函数生成权重进行滤波#cv2.GaussianBlur(src, ksize, sigmaX[, dst[, sigmaY[, borderType]]])#dst：输出图像 src：输入图像 ksize：卷积核的大小 #sigmaX：x方向上的标准差 sigmaY：y方向上的标准差 #borderType：边界模式，默认为BORDER_DEFAULT统计排序滤波器，非线性滤波器。如果不在边缘区域，图像的数据是平缓的，没有太大的差值。因此，一个噪声点的值要么过大，要么过小。比如下图，左图是没有处理的原图，90在该区域由为突出，通过对33的9个数据进行排序，将中间值27重新填入，即滤波完成，原本的噪声点被去掉，该区域恢复平缓。同理，在边缘区域中，对于边界来说，高频不会影响，而过低数值将会突出，中值的选择将不会受到影响，除非33的整块区域都被污染，这时我们可以考虑更大的核来处理。
没有卷积核表达式。
能够有效去除椒盐噪声（黑白点叠加在图像上）
去除噪声的同时，比较好地保留边缘
锐化处理的主要目的是为了突出图像的边缘信息，增强图像的轮廓特征，以便于人眼的观察和机器的识别。
要介绍3中方法：拉普拉斯算子（二阶微分）、非锐化掩蔽、一阶微分（包括罗伯特交叉梯度算子和Soble算子）。
文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。
转载请注明本文地址：https://www.ucloud.cn/yun/122149.html
摘要：图像配准技术是红外图像处理中最关键的技术之一配准的结果直接影响到故障的检测与定位。图像配准可分为基于灰度的图像配准和基于特征的图像配准。利用算法分别检测标准图像与待配准图像的特征点形成维的特征点描述子。 ...
摘要：摘要卷积神经网络是一种识别和理解图像的神经网络。本文将从不同的层次来介绍卷积神经网络。本文将继续为你介绍关于卷积神经网络的知识。 摘要： 卷积神经网络是一种识别和理解图像的神经网络。本文将从不同的层次来介绍卷积神经网络。 本文将继续为你介绍关于卷积神经网络的知识。为了保持文章的简洁性和全面性我将为你提供研究论文的链接，里边会有更为详细的解释。 确定宽度和填充(Stride and Pa...
摘要：摘要卷积神经网络是一种识别和理解图像的神经网络。本文将从不同的层次来介绍卷积神经网络。本文将继续为你介绍关于卷积神经网络的知识。 摘要： 卷积神经网络是一种识别和理解图像的神经网络。本文将从不同的层次来介绍卷积神经网络。 本文将继续为你介绍关于卷积神经网络的知识。为了保持文章的简洁性和全面性我将为你提供研究论文的链接，里边会有更为详细的解释。 确定宽度和填充(Stride and Pa...
摘要：从到，计算机视觉领域和卷积神经网络每一次发展，都伴随着代表性架构取得历史性的成绩。在这篇文章中，我们将总结计算机视觉和卷积神经网络领域的重要进展，重点介绍过去年发表的重要论文并讨论它们为什么重要。这个表现不用说震惊了整个计算机视觉界。 从AlexNet到ResNet，计算机视觉领域和卷积神经网络（CNN）每一次发展，都伴随着代表性架构取得历史性的成绩。作者回顾计算机视觉和CNN过去5年，总结...
阅读 3369·2023-04-25 16:35
阅读 512·2021-10-11 11:09
阅读 1774·2021-10-11 10:58
阅读 5480·2021-09-22 15:11
阅读 1733·2021-09-02 15:40
阅读 3243·2019-08-30 14:03
阅读 2468·2019-08-29 16:54
阅读 3216·2019-08-29 16:34
