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
硅谷秋水5 小时前
面向精确到达任务的机器人-对齐3D高斯溅射方法——基于腕部-相机VLA策略
数码相机·机器学习·计算机视觉·3d·机器人
VIP_CQCRE18 小时前
GPT Image 2.6 商品图换背景后悬浮?接触阴影、透明区域与反射验收
图像处理·人工智能·ai·电商
JonaHu1 天前
GPT Image 2.6 多语言海报改版:保留商品细节,分离文案与图像验收
图像处理·人工智能·aigc
会飞锦鲤1 天前
基于 RT-DETR 的 PCB 缺陷检测
深度学习·目标检测·计算机视觉·pyqt5·rt-detr·工业质检·pcb缺陷检测
羲云网络1 天前
GPT Image 2.6 精准编辑前,先排查参考图的访问权限与输入交接
图像处理·人工智能·aigc
羲云网络2 天前
GPT Image 2.6 GIF 交付排障:上线后为什么只剩第一帧?
图像处理·人工智能·前端开发·gif
羲云网络4 天前
GPT Image 2.6 商品图交付:用文件指纹排查错图、覆盖与版本串线
图像处理·人工智能·python·技术教程·文件校验
VIP_CQCRE4 天前
GPT Image 2.6 选型别只看首张:用盲评与合格图耗时比较 Flare、Sunburst
软件测试·图像处理·人工智能
硅谷秋水6 天前
MorphMimic 方法分析
人工智能·机器学习·计算机视觉·机器人
jay神6 天前
基于 YOLOv8 的传送带异物检测系统(Web 版)
前端·人工智能·深度学习·yolo·计算机视觉·计算机毕业设计