7.2 图像复原之空间滤波

Four o'clock2024-11-18 9:30

图像复原（只存在噪声的复原）之空间滤波

文章目录

  • 图像复原（只存在噪声的复原）之空间滤波
  • 前言
  • [1. 均值滤波器](#1. 均值滤波器)
    • [1.1 算术平均滤波器](#1.1 算术平均滤波器)
    • [1.2 几何均值滤波器](#1.2 几何均值滤波器)
    • [1.3 谐波平均滤波器](#1.3 谐波平均滤波器)
    • [1.4 反谐波平均滤波器](#1.4 反谐波平均滤波器)
  • 总结

前言

当一幅图像仅被加性噪声退化时，其退化模型可简化为： g ( x , y ) = f ( x , y ) + η ( x , y ) G ( u , v ) = F ( u , v ) + N ( u , v ) \begin{aligned} &g(x,y)=f(x,y)+\eta(x,y) \\ &G(u,v)=F(u,v)+N(u,v) \end{aligned} g(x,y)=f(x,y)+η(x,y)G(u,v)=F(u,v)+N(u,v)其中： g ( x , y ) [ 或 G ( u , v ) ] 表示退化后的图像 f ( x , y ) [ 或 F ( u , v ) ] 表示原图像 η ( x , y ) [ 或 N ( u , v ) ] 表示图像的噪声 \begin{aligned} &g(x,y)[或G(u,v)]\quad表示退化后的图像\\ &f(x,y)[或F(u,v)]\quad表示原图像 \\ &\eta(x,y)[或N(u,v)]\quad表示图像的噪声\\ \end{aligned} g(x,y)[或G(u,v)]表示退化后的图像f(x,y)[或F(u,v)]表示原图像η(x,y)[或N(u,v)]表示图像的噪声由于噪声项通常是未知的，因此我们 不能 想当然的以为得到原图像的方式为： f ( x , y ) = g ( x , y ) − η ( x , y ) F ( u , v ) = G ( u , v ) − N ( u , v ) \begin{aligned} &f(x,y)=g(x,y)-\eta(x,y) \\ &F(u,v)=G(u,v)-N(u,v) \end{aligned} f(x,y)=g(x,y)−η(x,y)F(u,v)=G(u,v)−N(u,v)对于只存在加性噪声的图像，可以使用空间滤波的方法来估计 f ( x , y ) f(x,y) f(x,y)

1. 均值滤波器

1.1 算术平均滤波器

算术平均滤波器是最简单的均值滤波器，与空间域滤波中的盒式滤波器完全相同。令： S x y 表示中心为 ( x , y ) 、大小为 m × n 的邻域 S_{xy}表示中心为(x,y)、大小为m\times n的邻域 Sxy表示中心为(x,y)、大小为m×n的邻域则复原的图像 ： f ^ ( x , y ) = 1 m n ∑ ( r , c ) ∈ S x y g ( r , c ) \hat{f}(x,y)=\frac {1} {mn}\sum_{(r,c)\in S_{xy}}g(r,c) f^(x,y)=mn1(r,c)∈Sxy∑g(r,c)用白话来说就是使用 ( x , y ) (x,y) (x,y) 的 m × n m\times n m×n 邻域的均值作为复原图像的像素值 **均值滤波会降低图像的噪声，但是也会模糊图像**。

算术平均滤波器复原图像的代码实现如下：

python 复制代码 
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt


def imageRestoration(src, kernel):
    """
    图像复原-算术平均滤波器
    :param src: 需要复原的原图像
    :param kernel: 卷积核
    :return: 返回复原图像
    """
    img = cv.boxFilter(src, -1, kernel)  # cv2.boxFilter 方法 (默认normalize=True)
    return img


if __name__ == '__main__':
    img = cv.imread('Image/Fig0702.tif', 0)

    img1 = imageRestoration(img, (3, 3))
    img2 = imageRestoration(img, (9, 9))
    img3 = imageRestoration(img, (15, 15))

    # 图像显示
    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.rcParams['font.size'] = 20
    plt.figure(figsize=(10, 10))
    titleList = ["Original Image", "3*3", "9*9", "15*15"]
    imageList = [img, img1, img2, img3]

    for i in range(4):
        plt.subplot(2, 2, i + 1), plt.title(titleList[i]), plt.axis('off')
        plt.imshow(imageList[i], vmin=0, vmax=255, cmap='gray')
    plt.tight_layout()
    plt.savefig("Image/tmp.png")
    plt.show()

结果分析 ：

如上图所示：原图像是一张被加性高斯噪声污染的图像，其分别使用3*3、9*9、15*15的算术平均滤波器进行复原处理，可以看出虽然算术平均滤波器可以进行图像复原，但同时也会造成图像模糊。

1.2 几何均值滤波器

几何均值滤波器图像复原的公式如下，令：
S x y 表示中心为 ( x , y ) 、大小为 m × n 的邻域 S_{xy}表示中心为(x,y)、大小为m\times n的邻域 Sxy表示中心为(x,y)、大小为m×n的邻域则复原的图像 ： f ^ ( x , y ) = [ ∏ ( r , c ) ∈ S x y g ( r , c ) ] 1 m n \hat{f}(x,y)={\left[\prod_{(r,c)\in S_{xy}}g(r,c)\right]}^{\frac{1}{mn}} f^(x,y)= (r,c)∈Sxy∏g(r,c) mn1简单来说几何均值就是先求取中心点 ( x , y ) (x,y) (x,y) 的 m × n m\times n m×n 领域的像素之积，然后对像素之积求 1 m n \frac{1}{mn} mn1 次幂。

算术平均滤波器复原图像的代码实现如下：

python 复制代码 
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt

def ArithmenticMeanFilter(src, kernel):
    """
    图像复原-算数平均滤波器
    :param src: 需要复原的原图像
    :param kernel: 卷积核
    :return: 返回复原图像
    """
    img = cv.boxFilter(src, -1, kernel)  # cv2.boxFilter 方法 (默认normalize=True)
    return img


def GeometricMeanFilter(src, kernel):
    """
    图像复原-几何平均滤波器
    :param src: 原图像
    :param kernel: 卷积核的大小
    :return:
    """

    # 将图像转换为浮点数，以避免计算过程中出现溢出
    src = src.astype(np.float32) + 1e-10  # 防止取对数时出现零
    rows, cols = src.shape # 图像的大小

    # 进行几何平均值计算时，边缘像素会无法处理，因此需要对边缘像素进行填充
    pad_size = kernel // 2  # 边缘填充的大小
    padded_image = np.pad(src, pad_size, mode='reflect')  # 对边缘进行填充

    # 遍历图像每个像素，并计算几何均值
    output = np.zeros_like(src)
    for i in range(rows):
        for j in range(cols):
            # 获取邻域
            region = padded_image[i:i + kernel, j:j + kernel]
            # 计算邻域内像素的几何均值
            mean = np.exp(np.mean(np.log(region)))
            output[i, j] = mean

    # 计算出来的结果是浮点数，需要将浮点数转换为8位整数
    output = np.clip(output, 0, 255).astype(np.uint8)
    return output

if __name__ == '__main__':
    img = cv.imread('Image/Fig0702.tif', 0)

    img1 = ArithmenticMeanFilter(img, (3, 3))
    img2 = GeometricMeanFilter(img, 3)
    img3 = ArithmenticMeanFilter(img, (9, 9))
    img4 = GeometricMeanFilter(img, 9)

    # 图像显示
    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.rcParams['font.size'] = 20
    plt.figure(figsize=(30, 20))
    titleList = ["Original Image", "Arithmentic Mean Filter 3*3", "Geometric Mean Filter 3*3", "Original Image", "Arithmentic Mean Filter 9*9", "Geometric Mean Filter 9*9"]
    imageList = [img, img1, img2, img, img3, img4]

    for i in range(6):
        plt.subplot(2, 3, i + 1), plt.title(titleList[i]), plt.axis('off')
        plt.imshow(imageList[i], vmin=0, vmax=255, cmap='gray')
    plt.tight_layout()
    plt.savefig("Image/tmp.png")
    plt.show()

结果分析 ：

如上图所示：原图像依旧是那张被加性高斯噪声污染的图像，其分别使用算术平均滤波器和几何平均滤波器进行复原处理，可以看出这两种滤波器都可以进行降噪处理，但是几何平均滤波器对图像的模糊效果要少一些，特别是当卷积核大的时候更加明显。

1.3 谐波平均滤波器

谐波平均滤波器图像复原的公式如下，令：
S x y 表示中心为 ( x , y ) 、大小为 m × n 的邻域 S_{xy}表示中心为(x,y)、大小为m\times n的邻域 Sxy表示中心为(x,y)、大小为m×n的邻域则复原的图像 ： f ^ ( x , y ) = m n ∑ ( r , c ) ∈ S x y 1 g ( r , c ) \hat{f}(x,y)=\frac{mn}{\sum_{(r,c)\in S_{xy}}\frac{1}{g(r,c)}} f^(x,y)=∑(r,c)∈Sxyg(r,c)1mn简单解释一下。

  • 第一步：用 1 1 1 除以领域内每个像素的值，即 1 g ( r , c ) \frac{1}{g(r,c)} g(r,c)1 。
  • 第二步：对第一步的结果求和，即 ∑ ( r , c ) ∈ S x y 1 g ( r , c ) \sum_{(r,c)\in S_{xy}} \frac{1}{g(r,c)} ∑(r,c)∈Sxyg(r,c)1。
  • 第三步：用 m n mn mn 除以第二步的结果。

谐波平均滤波器复原图像的代码实现如下：

python 复制代码 
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt


def ArithmenticMeanFilter(src, kernel):
    """
    图像复原-算数平均滤波器
    :param src: 需要复原的原图像
    :param kernel: 卷积核
    :return: 返回复原图像
    """
    img = cv.boxFilter(src, -1, kernel)  # cv2.boxFilter 方法 (默认normalize=True)
    return img


def GeometricMeanFilter(src, kernel):
    """
    图像复原-几何平均滤波器
    :param src: 原图像
    :param kernel: 卷积核的大小
    :return:
    """

    # 将图像转换为浮点数，以避免计算过程中出现溢出
    src = src.astype(np.float32) + 1e-10  # 防止取对数时出现零
    rows, cols = src.shape  # 图像的大小

    # 进行几何平均值计算时，边缘像素会无法处理，因此需要对边缘像素进行填充
    pad_size = kernel // 2  # 边缘填充的大小
    padded_image = np.pad(src, pad_size, mode='reflect')  # 对边缘进行填充

    # 遍历图像每个像素，并计算几何均值
    output = np.zeros_like(src)
    for i in range(rows):
        for j in range(cols):
            # 获取邻域
            region = padded_image[i:i + kernel, j:j + kernel]
            # 计算邻域内像素的几何均值
            mean = np.exp(np.mean(np.log(region)))
            output[i, j] = mean

    # 计算出来的结果是浮点数，需要将浮点数转换为8位整数
    output = np.clip(output, 0, 255).astype(np.uint8)
    return output


def HarmonicMeanFilter(src, kernel):
    """
    图像复原-谐波平均滤波器
    :param src: 原图像
    :param kernel: 卷积核的大小
    :return:
    """

    # 将图像转换为浮点数，以避免计算过程中出现溢出
    src = src.astype(np.float32) + 1e-10  # 防止取对数时出现零
    rows, cols = src.shape  # 图像的大小

    # 进行几何平均值计算时，边缘像素会无法处理，因此需要对边缘像素进行填充
    pad_size = kernel // 2  # 边缘填充的大小
    padded_image = np.pad(src, pad_size, mode='reflect')  # 对边缘进行填充

    # 遍历图像每个像素，并计算几何均值
    output = np.zeros_like(src)
    for i in range(rows):
        for j in range(cols):
            # 获取邻域
            region = padded_image[i:i + kernel, j:j + kernel]
            # 计算邻域内像素的几何均值
            mean = (kernel * kernel) / np.sum(1.0 / (region + 1e-10))  # 加上小值避免除零
            output[i, j] = mean

    # 计算出来的结果是浮点数，需要将浮点数转换为8位整数
    output = np.clip(output, 0, 255).astype(np.uint8)
    return output


if __name__ == '__main__':
    img = cv.imread('Image/Fig0702.tif', 0)

    img1 = ArithmenticMeanFilter(img, (3, 3))
    img2 = GeometricMeanFilter(img, 3)
    img3 = HarmonicMeanFilter(img, 3)

    # 图像显示
    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.rcParams['font.size'] = 20
    plt.figure(figsize=(20, 20))
    titleList = ["Original Image", "Arithmentic Mean Filter 3*3", "Geometric Mean Filter 3*3",
                 "Harmonic Mean Filter 3*3"]
    imageList = [img, img1, img2, img3]

    for i in range(4):
        plt.subplot(2, 2, i + 1), plt.title(titleList[i]), plt.axis('off')
        plt.imshow(imageList[i], vmin=0, vmax=255, cmap='gray')
    plt.tight_layout()
    plt.savefig("Image/tmp.png")
    plt.show()

结果分析 ：

如上图所示：原图像依旧是那张被加性高斯噪声污染的图像，其分别使用算术平均滤波器、几何平均滤波器和谐波平均滤波器进行复原处理，可以看出这三种滤波器都可以对高斯噪声进行降噪处理。

1.4 反谐波平均滤波器

谐波平均滤波器图像复原的公式如下，令：
S x y 表示中心为 ( x , y ) 、大小为 m × n 的邻域 S_{xy}表示中心为(x,y)、大小为m\times n的邻域 Sxy表示中心为(x,y)、大小为m×n的邻域则复原的图像 ： f ^ ( x , y ) = ∑ ( r , c ) ∈ S x y g ( r , c ) Q + 1 ∑ ( r , c ) ∈ S x y g ( r , c ) Q \hat{f}(x,y)=\frac{\sum_{(r,c)\in S_{xy}}g(r,c)^{Q+1}}{\sum_{(r,c)\in S_{xy}}g(r,c)^{Q}} f^(x,y)=∑(r,c)∈Sxyg(r,c)Q∑(r,c)∈Sxyg(r,c)Q+1简单解释一下，式中：

  • Q Q Q 称为滤波器的阶数，这种滤波器适用于降低或消除噪声 。
  • Q Q Q 为正值时，该滤波器消除胡椒噪声。
  • Q Q Q 为负值时，该滤波器消除盐粒噪声。
  • 然而，该滤波器不能同时消除这两种噪声。
  • Q = 0 Q=0 Q=0 时，反谐波平均滤波器简化为算数平均滤波器。
  • Q = − 1 Q=-1 Q=−1时，反谐波平均滤波器简化为谐波平均滤波器。

反谐波平均滤波器复原图像的代码实现如下：

python 复制代码 
import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt


def Inv_HarmonicMeanFilter(src, kernel, Q):
    """
    图像复原-反谐波平均滤波器
    :param src: 原图像
    :param kernel: 卷积核的大小
    :param Q: 滤波器的阶数
    :return:
    """

    # 将图像转换为浮点数，以避免计算过程中出现溢出
    src = src.astype(np.float32) + 1e-10  # 防止取对数时出现零
    rows, cols = src.shape  # 图像的大小

    # 进行几何平均值计算时，边缘像素会无法处理，因此需要对边缘像素进行填充
    pad_size = kernel // 2  # 边缘填充的大小
    padded_image = np.pad(src, pad_size, mode='reflect')  # 对边缘进行填充

    # 遍历图像每个像素，并计算几何均值
    output = np.zeros_like(src)
    for i in range(rows):
        for j in range(cols):
            # 获取邻域
            region = padded_image[i:i + kernel, j:j + kernel]
            # 计算分子和分母
            numerator = np.sum(np.power(region, Q + 1))
            denominator = np.sum(np.power(region, Q) + 1e-10)  # 加小值避免除零
            # 计算反谐波均值
            output[i, j] = numerator / denominator

    # 计算出来的结果是浮点数，需要将浮点数转换为8位整数
    output = np.clip(output, 0, 255).astype(np.uint8)
    return output


if __name__ == '__main__':
    pepperImg = cv.imread('Image/Fig0703.tif', 0)  # 胡椒噪声图像
    saltImage = cv.imread('Image/Fig0704.tif', 0)  # 盐粒噪声图像

    img1 = Inv_HarmonicMeanFilter(pepperImg, 3, 1.5)
    img2 = Inv_HarmonicMeanFilter(saltImage, 3, -1.5)

    # 当阶数取反，则会出现灾难性后果
    img3 = Inv_HarmonicMeanFilter(pepperImg, 3, -1.5)
    img4 = Inv_HarmonicMeanFilter(saltImage, 3, 1.5)

    # 图像显示
    plt.rcParams['font.sans-serif'] = ['SimHei']
    plt.rcParams['font.size'] = 20
    plt.figure(figsize=(20, 30))
    titleList = ["Original Pepper Image", "Original Salt Image", "Inv_Harmonic Mean Filter Q = 1.5",
                 "Inv_Harmonic Mean Filter Q = -1.5", "Q = -1.5", "Q = 1.5"]
    imageList = [pepperImg, saltImage, img1, img2, img3, img4]

    for i in range(6):
        plt.subplot(3, 2, i + 1), plt.title(titleList[i]), plt.axis('off')
        plt.imshow(imageList[i], vmin=0, vmax=255, cmap='gray')
    plt.tight_layout()
    plt.savefig("Image/tmp.png")
    plt.show()

结果分析 ：

上图中第一和第二张图像分别是胡椒噪声图像和盐粒噪声图像，接下来使用了反谐波平均滤波器对图像进行了复原处理，可以看出效果相当不错，但是反谐波平均滤波器有一个缺点，就是必须要提前知道是胡椒噪声还是盐粒噪声，否则会出现上面第五、第六张图像的问题。

总结

滤波器类型 定义 适用噪声类型 对噪声的处理效果 保留图像细节的能力
算术平均滤波器 对邻域内像素值求算术平均 高斯噪声 对高斯噪声效果较好 易模糊边缘细节
几何平均滤波器 对邻域内像素值求几何平均 乘性噪声、对数噪声 对高斯噪声效果一般 能保留更多细节
谐波平均滤波器 对邻域内像素值求倒数平均 盐噪声（高亮噪声） 抑制盐噪声效果好 边缘保留较好
反谐波平均滤波器 根据参数 Q Q Q 有选择性地去噪 椒盐噪声（混合噪声） 盐噪声或椒噪声（依赖 Q Q Q 值） 灵活去噪能力强
相关推荐
martian66515 分钟前
【人工智能离散数学基础】——深入详解数理逻辑：理解基础逻辑概念，支持推理和决策系统
人工智能·数理逻辑·推理·决策系统
Schwertlilien16 分钟前
图像处理-Ch7-图像金字塔和其他变换
图像处理·人工智能
凡人的AI工具箱23 分钟前
每天40分玩转Django：Django类视图
数据库·人工智能·后端·python·django·sqlite
千天夜28 分钟前
深度学习中的残差网络、加权残差连接（WRC）与跨阶段部分连接（CSP）详解
网络·人工智能·深度学习·神经网络·yolo·机器学习
一勺汤30 分钟前
YOLOv8模型改进 第二十五讲 添加基于卷积调制（Convolution based Attention） 替换自注意力机制
深度学习·yolo·计算机视觉·模块·yolov8·yolov8改进·魔改
凡人的AI工具箱33 分钟前
每天40分玩转Django：实操图片分享社区
数据库·人工智能·后端·python·django
小军军军军军军36 分钟前
MLU运行Stable Diffusion WebUI Forge【flux】
人工智能·python·语言模型·stable diffusion
诚威_lol_中大努力中1 小时前
关于VQ-GAN利用滑动窗口生成 高清图像
人工智能·神经网络·生成对抗网络
中关村科金1 小时前
中关村科金智能客服机器人如何解决客户个性化需求与标准化服务之间的矛盾？
人工智能·机器人·在线客服·智能客服机器人·中关村科金
逸_1 小时前
Product Hunt 今日热榜 | 2024-12-25
人工智能
热门推荐
0119个Web前端交互式3D JavaScript框架和库02ARM学习（31）编译器对overlay方式的支持03玄机平台应急响应—webshell查杀04RAG 实践- Ollama+RagFlow 部署本地知识库05【一文读懂】NTN（非地面网络）技术介绍06(欧拉)openEuler系统添加网卡文件配置流程、(欧拉)openEuler系统手动配置ipv6地址流程、(欧拉)openEuler系统网络管理说明07ZZ038 物联网应用与服务赛题第J套08组基轨迹建模 GBTM的介绍与实现（Stata 或 R）09Docker 夺命连环 15 问10VSCode插件 —— Cody AI （免费AI助手！）