计算机视觉CS131:专题2 |
您所在的位置:网站首页 › sigma的公式 › 计算机视觉CS131:专题2 |
1 高斯核 高斯核在图像处理中有广泛应用(后面很多专题文章还会提到高斯核),它用正态分布计算图像中每个像素的变换。 1.1 一维定义G(x)={\frac{1}{{\sqrt{2\pi}}\sigma}}e^{-{\frac{x^{2}}{2\sigma^{2}}}} \\ 68% 的数据在±1 个标准差(σ)内; 95% 的数据在±2 个标准差(σ)内; 99.7% 的数据在±3 个标准差(σ)内。 1.2 二维定义G_{\sigma}=\frac{1}{2\pi\sigma^{2}}e^{-\frac{(x^{2}+y^{2})}{2\sigma^{2}}} \\ 指定σ,高斯核宽度基本也可以算出来:按照3σ原则(该区域内元素值累加超达到全体元素值累计的99.7%),当σ=1时,产生作用的核宽度基本是1+2*(3*1)=7像素;当σ=3时,产生作用的核宽度是1+2*(3*3)=19像素。 为什么?因为超过一定宽度后的元素值基本都接近0了,当你用高斯核对图像进行处理时,高斯核中心区之外的这些位置几乎就不产生什么作用了。下图是不同σ下,元素值和距中心点距离之间的关系。 1.6 高斯核的特性 (1)去噪时,能把高频信号去掉(低通滤波器)(相当于图像平滑)。 (2)确定了σ,高斯核宽度也就确定。 (3)二维高斯核公式能分解 (4)一个大高斯核,能够用两个小高斯核连续操作实现。(因为卷积有这种性质) 高斯核分解后去卷积和直接卷积结果是一致的原因:(注意:向量也可以去和矩阵做卷积,依次滑过去求和) 如果一个图像是n x n大小,用m x m去卷积,计算复杂度: 解释:一个像素点,就要计算n x n次加法(即一次卷积的计算量),然后有n x n个像素点要做卷积运算。 如果核是分离的,则计算复杂度: 解释:先对图像‘行’做卷积,计算复杂度是m x n^2,再对结果做一次卷积,计算复杂度同样是 m x n^2,所以总复杂度是2 x n^2 x m也就是n^2 x m(2倍这东西不算入计算复杂度) 2 图像噪声 和 滤波2.1 椒盐噪声、脉冲噪声现象:有孤立的纯黑、 纯白的像素点。 形成原因:像素感应器失效、通讯受干扰等。 滤波方法:中值滤波(取临近像素的中值作为替换) 中值滤波效果: 现象:各种灰度值噪声都有,成正态分布。 形成原因:传感器亮度不均匀、各种其他噪声叠加等。 滤波方法:因为高斯噪声的范围遍布所有灰度级,所以,任何一种低通、高通、带通滤波器都无法完全将其滤除,我们只能尽可能的获得较好效果。滤除高斯噪声的主要方法有:平滑线性滤波、高斯滤波、维纳滤波还有小波去噪等。 高斯滤波效果: 注意:高斯核滤波,就是用一个高斯核(核元素先要进行归一化),对图像就行滑动卷积计算,得到一张新图,也就是滤波图。 2.3 使用高斯核做平滑滤波相对箱式滤波的优点在《专题1:卷积和互相关》中,提到普通的箱式平滑滤波如下: 滤波核是一个正方形,新图中每个像素点值用原图中一块矩形区域相似累加平均得到,这么做会引发一点点问题,导致新图上产生横竖一样的痕迹纹路。如果把滤波核换成各方向中心对称的高斯核,则没有这个问题。两者效果对比如下(右下角图采用的高斯核进行平滑滤波):
|
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |