均值滤波从图像复原角度的解释

廖老师说若将图像生成看作一个随机过程,均值滤波(Mean Filtering)可以视为在高斯噪声模型下的线性最小均方估计(Linear Minimum Mean Squared Error, LMMSE)或者极大似然估计(Maximum Likelihood Estimation, MLE)的特例。这给均值滤波从图像增强上升到了图像复原的高度。但是条件很严格,一般都满足不了。从频率响应的角度分析,均值滤波不如高斯平滑

根据基于高斯噪声模型的信号去噪的结论,基于高斯噪声模型的最优估计是:

f ^ = 1 n ∑ i = 1 n g i \hat{f} = \frac{1}{n} \sum_{i=1}^n g_i f^=n1i=1∑ngi

这个假设条件是

  • 高斯噪声假设 :假设噪声是均值为 0、方差为 σ 2 \sigma^2 σ2的高斯噪声。
  • 独立同分布:假设每个像素值是独立同分布的。

若假设随机过程又是均值遍历的,则可用空间平均替换时间平均。空间平均是指在同一时刻对图像中不同位置的像素进行平均,而时间平均是指对同一位置的像素在不同时间点进行平均。

若用用空间平均替换时间平均,这正是均值滤波的定义。均值滤波通过计算局部区域内所有像素值的平均值来估计真实的信号值。

在实际应用中,独立同分布的条件就不满足,况且图像并不是遍历的,如果区域亮度不一致,那么空间平均可能会使图像中的边缘变得模糊。

相关推荐
jndingxin4 分钟前
OpenCV CUDA模块设备层-----在 GPU 上执行类似于 std::copy 的操作函数warpCopy()
人工智能·opencv·计算机视觉
jndingxin29 分钟前
OpenCV CUDA模块设备层-----在GPU 上高效地执行两个 uint 类型值的最大值比较函数vmax2()
人工智能·opencv·计算机视觉
加油吧zkf2 小时前
目标检测新纪元:DETR到Mamba实战解析
图像处理·人工智能·python·目标检测·分类
顾道长生'2 小时前
(Arxiv-2024)自回归模型优于扩散:Llama用于可扩展的图像生成
计算机视觉·数据挖掘·llama·自回归模型·多模态生成与理解
千宇宙航3 小时前
闲庭信步使用SV搭建图像测试平台:第二十七课——图像的腐蚀
图像处理·计算机视觉·fpga开发
CoovallyAIHub3 小时前
YOLOv13都来了,目标检测还卷得动吗?别急,还有这些新方向!
深度学习·算法·计算机视觉
txwtech4 小时前
第10.4篇 使用预训练的目标检测网络
人工智能·计算机视觉·目标跟踪
音视频牛哥5 小时前
计算机视觉的新浪潮:扩散模型(Diffusion Models)技术剖析与应用前景
人工智能·计算机视觉·ai·音视频·实时音视频·扩散模型
爆改模型5 小时前
【arXiv2025】计算机视觉|即插即用|LBMamba:革新视觉模型效率,性能炸裂
人工智能·计算机视觉
luofeiju7 小时前
RGB下的色彩变换:用线性代数解构色彩世界
图像处理·人工智能·opencv·线性代数