海口网站建设品牌大全,赤蚁网站建设,020网站开发,个人网站空间大小目录标题 参考学习链接图像噪声噪声分类椒盐噪声脉冲噪声对椒盐噪声脉冲噪声去噪使用高斯卷积核中值滤波器 高斯噪声减少高斯噪声 参考学习链接
计算机视觉与深度学习-04-图像去噪卷积-北邮鲁鹏老师课程笔记
图像噪声
噪声点#xff0c;其实在视觉上看上去让人感… 目录标题 参考学习链接图像噪声噪声分类椒盐噪声脉冲噪声对椒盐噪声脉冲噪声去噪使用高斯卷积核中值滤波器 高斯噪声减少高斯噪声 参考学习链接
计算机视觉与深度学习-04-图像去噪卷积-北邮鲁鹏老师课程笔记
图像噪声
噪声点其实在视觉上看上去让人感觉很难受直观理解就是它跟周围的像素点差异比较大显得比较突兀视觉看起来很不舒服这就是噪声点。
噪声分类
椒盐噪声 黑丝像素和白色像素随机出现 脉冲噪声 白色像素随机出现 对椒盐噪声脉冲噪声去噪
使用高斯卷积核 高斯卷积核低通滤波器并不能去除椒盐噪声和脉冲噪声。
中值滤波器 中值滤波器是非线性操作。 刚开始的卷积核没有权重
当图像处理时将3 * 3的卷积核套在图像的9个像素上取这9个图像向上的像素值排序求出其中值并用该中值替换当前中心点像素值。 中值滤波对图像处理后 中值滤波 vs 均值滤波
中值滤波卷积结果的像素值是图像原本就有这个像素值。均值滤波卷积结果的像素值是加权平均计算出的可能原本并没有这个像素值。高斯滤波
高斯噪声 噪声强度变化服从高斯分布正态分布 高斯噪声数学模型是一个独立的加和模型 f ^ ( x , y ) f ( x , y ) μ ( x , y ) \hat{f}(x,y) f(x,y) μ(x,y) f^(x,y)f(x,y)μ(x,y)一般认为 η ( x , y ) ∼ N ( μ , σ ) η ( x , y ) ∼ N ( μ , σ ) η(x,y)∼N(μ,σ)通常μ 0 , σ很小。
即认为 图像是由真实图像 高斯噪声组成的高斯噪声的产生一个是由于采集器附加的噪声另一个是由于光学问题带来的噪声。将两者合起来就是最终看到的带有噪声的图像。
因此对于高斯噪声就有了这样的假设首先噪声的产生是相互独立的而且服从均值为0的正态分布。
减少高斯噪声 噪声的方差越大高斯卷积核的方差或尺寸就要越大。
虽然高斯卷积核可以去除高斯噪声但是更模糊最下图比最上图模糊坏的噪声去掉了好的像素也受到了影响。
