不难看出，原图中有很多噪声点(灰度为正代表灰度值高的点，灰度为负代表灰度值低的点)，而且是杂乱无章，随机分布的。这也是一类很典型的图，称之为高斯噪声。经过Box平滑，噪声的程度有所下降。Gauss模板对付高斯噪声非常有效。而中值滤波对于高斯噪声则无能为力。
最后看第三幅图：
原图 经Box模板处理后 经Gauss模板处理后 经中值滤波处理后
从原图中不难看出，中间的灰度要比两边高许多。这也是一类很典型的图，称之为脉冲 (impulse)。可见，中值滤波对脉冲噪声非常有效。
综合以上三类图，不难得出下面的结论：中值滤波容易去除孤立点，线的噪声同时保持图象的边缘；它能很好的去除二值噪声，但对高斯噪声无能为力。要注意的是，当窗口内噪声点的个数大于窗口宽度的一半时，中值滤波的效果不好。这是很显然的。
3.3 锐化
锐化(sharpening)和平滑恰恰相反，它是通过增强高频分量来减少图象中的模糊，因此又称为高通滤波(high pass filter)。锐化处理在增强图象边缘的同时增加了图象的噪声。
常用的锐化模板是拉普拉斯(Laplacian)模板(见(3.4)式)，又是个数学家的名字，可见学好数学，走遍天下都不怕。本文来自辣.文,论-文·网原文请找腾讯3249-114
(3.4)
容易看出拉普拉斯模板的作法：先将自身与周围的8个象素相减，表示自身与周围象素的差别；再将这个差别加上自身作为新象素的灰度。可见，如果一片暗区出现了一个亮点，那么锐化处理的结果是这个亮点变得更亮，增加了图象的噪声。
因为图象中的边缘就是那些灰度发生跳变的区域，所以锐化模板在边缘检测中很有用。
图象检测与模板匹配
图象的分割与检测(识别)实际上是一项非常困难的工作。很难说清楚为什么图象应该分割成这样而不是那样。人类的视觉系统是非常优越的，它不仅包含了双眼，还包括了大脑，可以从很复杂的景物中分开并识别每个物体，甚至可以毫不费力地跟上每秒好几十帧变化的图象。举两个例子来说明一下人类视觉系统的优越性。
图4.1 单词THE
图4.2 看不见的三角
图4.1是单词THE，这一点很容易看出来，但仔细观察一下，就会发现，图中少了很多线条。在我们人类看来很简单的一件事，让计算机来做就很困难了。
图4.2中尽管没有任何线条，但我们还是可以很容易的看出中间存在着一个白色三角形。计算机却很难发现。
上一页 [1] [2] [3] [4] [5] [6] [7] [8] [9] 下一页