计算机视觉与深度学习-卷积神经网络-卷积&图像去噪&边缘提取-图像去噪 [北邮鲁鹏]

目录标题

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。

相关推荐
白熊18812 分钟前
【计算机视觉】目标检测:深度解析YOLOv9:下一代实时目标检测架构的创新与实战
目标检测·计算机视觉·架构
不学习怎么给老板打工?1 小时前
yolov8使用
深度学习
AI产品备案1 小时前
算法备案类型解析:如何判断你的算法属于哪种类型?
深度学习·安全
lanboAI2 小时前
基于卷积神经网络的蔬菜水果识别系统,resnet50,mobilenet模型【pytorch框架+python源码】
pytorch·python·cnn
苯酸氨酰糖化物2 小时前
计算机毕业设计--基于深度学习(U-Net与多尺度ViT)的车牌模糊图像修复算法设计与实现(含Github代码+Web端在线体验界面)
深度学习·算法·课程设计
每天都要写算法(努力版)2 小时前
【神经网络与深度学习】改变随机种子可以提升模型性能?
人工智能·深度学习·神经网络
烟锁池塘柳03 小时前
【计算机视觉】三种图像质量评价指标详解:PSNR、SSIM与SAM
人工智能·深度学习·计算机视觉
进取星辰4 小时前
PyTorch 深度学习实战(23):多任务强化学习(Multi-Task RL)之扩展
人工智能·pytorch·深度学习
盼小辉丶4 小时前
TensorFlow深度学习实战——基于循环神经网络的文本生成模型
rnn·深度学习·tensorflow
FL16238631294 小时前
水污染检测数据集VOC+YOLO格式2487张4类别
深度学习·yolo·机器学习