图像处理与视觉感知复习--图像复原

2024-06-20 04:44

本文主要是介绍图像处理与视觉感知复习--图像复原,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

文章目录

  • 图像复原与图像增强
  • 图像退化模型
  • 图像复原模型
    • 空间域滤波复原(唯一退化是噪声)
    • 频率域滤波复原(削减周期噪声)

图像复原与图像增强

图像复原与图像增强的目的都是在某种意义上对图像进行改进,即改善图像的视觉效果,但两者使用的方法和评价标准不同:

  • 图像增强技术一般要利用人的视觉系统特性,目的是取得较好的视觉效果,不需要考虑图像退化的真实物理过程,增强后的图像也不一定要逼近原始图像。
  • 图像复原技术需要针对图像的退化原因设法进行补偿,因此需要对图像的退化过程有一定的先验知识,利用图像退化的逆过程去恢复原始图像,使复原后的图像尽可能得到接近原图像。

在这里插入图片描述

图像退化模型

退化
成像过程中的“退化”,是指由于成像系统各种因素的影响,使得图像质量降低
引起图像退化的原因

  • 成像系统的散焦
  • 成像设备与物体的相对运动
  • 成像器材的固有缺陷
  • 外部干扰

噪声模型

  • 数字图像的噪声主要来源于图像的获取和传输过程
  • 图像获取的数字化过程,如图像传感器的质量和环境条件
  • 图像传输过程中传输信道的噪声干扰,如通过无线网络传输的图像会受到光或其它大气因素的干扰

一些重要的噪声:高斯噪声、瑞利噪声、伽马(爱尔兰)噪声、指数分布噪声、均匀分布噪声、脉冲噪声(椒盐噪声)
在这里插入图片描述

几种噪声的运用:

  • 高斯噪声源于电子电路噪声和由低照明度或高温带来的传感器噪声
  • 瑞利噪声对分布在图像范围内特征化噪声有用
  • 伽马分布和指数分布用于激光成像噪声
  • 均匀密度分布用于模拟随机数生成器基础
  • 脉冲噪声用于成像中的短暂留中,如错误的开关操作

周期噪声:

  • 周期噪声是在图像获取中从电力或机电干扰中产生
  • 周期噪声可以通过频率域滤波显著减少

图像复原模型

空间域滤波复原(唯一退化是噪声)

  • 均值滤波器
    • 算术均值滤波器、几何均值滤波器、谐波均值滤波器、逆谐波均值滤波器
  • 顺序统计滤波器
    • 中值滤波器、最大值滤波器、最小值滤波器、中点滤波器、修正后的阿尔法均值滤波器
  • 自适应滤波器
    • 自适应局部噪声消除滤波器、自适应中值滤波器

总结:

  • 算术均值滤波器和几何均值滤波器适合于处理高斯或均匀等随机噪声
  • 谐波均值滤波器适合于处理脉冲噪声,缺点:必须事先知道噪声是暗噪声还是亮噪声,以便于选择合适的Q符号

自适应中值滤波器的主要目的:

  • 去除“椒盐”噪声
  • 平滑其它非冲激噪声
  • 减少物体边界细化或粗化等失真

自适应中值滤波器算法:

  • A层:找到一个非脉冲中值,如果满足 z m i n < z m e d < z m a x z_{min} < z_{med} < z_{max} zmin<zmed<zmax, 则转到B层,说明 z m e d z_{med} zmed 不是脉冲, 否则就扩大窗口尺寸,只要尺寸小于 S m a x S_{max} Smax, 就一直寻找。
  • B层,如果满足 z m i n < z x y < z m a x z_{min} < z_{xy} < z_{max} zmin<zxy<zmax, 说明 z x y z_{xy} zxy 不是脉冲, 输出 z x y z_{xy} zxy, 否则说明 z x y = z m i n 或 z x y = z m a x z_{xy} = z_{min} 或 z_{xy} = z_{max} zxy=zminzxy=zmax, 输出 z m e d z_{med} zmed

在这里插入图片描述

频率域滤波复原(削减周期噪声)

  • 带阻滤波器
    阻止一定频率范围内的信号通过而允许其它频率范围内的信号通过,消除或衰减傅里叶变换原点处的频段
    有:理想带阻滤波器、巴特沃思带阻滤波器、高斯带阻滤波器

  • 带通滤波器
    允许一定频率范围内的信号通过而阻止其它频率范围内的信号通过
    1 - 相应的带阻滤波器

  • 陷波滤波器

    • 阻止或通过事先定义的中心频率邻域内的频率
    • 由于傅里叶变换是对称的,陷波滤波器必须以关于原点对称的形式出现
    • 如果陷波滤波器位于原点处,则以它本身形式出现
  • 最佳陷波滤波器

这篇关于图像处理与视觉感知复习--图像复原的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1077131

相关文章

计算机视觉工程师所需的基本技能

一、编程技能 熟练掌握编程语言 Python:在计算机视觉领域广泛应用,有丰富的库如 OpenCV、TensorFlow、PyTorch 等,方便进行算法实现和模型开发。 C++:运行效率高,适用于对性能要求严格的计算机视觉应用。 数据结构与算法 掌握常见的数据结构(如数组、链表、栈、队列、树、图等)和算法(如排序、搜索、动态规划等),能够优化代码性能,提高算法效率。 二、数学基础

【408数据结构】散列 (哈希)知识点集合复习考点题目

苏泽  “弃工从研”的路上很孤独,于是我记下了些许笔记相伴,希望能够帮助到大家    知识点 1. 散列查找 散列查找是一种高效的查找方法,它通过散列函数将关键字映射到数组的一个位置,从而实现快速查找。这种方法的时间复杂度平均为(

《计算机视觉工程师养成计划》 ·数字图像处理·数字图像处理特征·概述~

1 定义         从哲学角度看:特征是从事物当中抽象出来用于区别其他类别事物的属性集合,图像特征则是从图像中抽取出来用于区别其他类别图像的属性集合。         从获取方式看:图像特征是通过对图像进行测量或借助算法计算得到的一组表达特性集合的向量。 2 认识         有些特征是视觉直观感受到的自然特征,例如亮度、边缘轮廓、纹理、色彩等。         有些特征需要通

【python计算机视觉编程——7.图像搜索】

python计算机视觉编程——7.图像搜索 7.图像搜索7.1 基于内容的图像检索(CBIR)从文本挖掘中获取灵感——矢量空间模型(BOW表示模型)7.2 视觉单词**思想****特征提取**: 创建词汇7.3 图像索引7.3.1 建立数据库7.3.2 添加图像 7.4 在数据库中搜索图像7.4.1 利用索引获取获选图像7.4.2 用一幅图像进行查询7.4.3 确定对比基准并绘制结果 7.

参会邀请 | 第二届机器视觉、图像处理与影像技术国际会议(MVIPIT 2024)

第二届机器视觉、图像处理与影像技术国际会议(MVIPIT 2024)将于2024年9月13日-15日在中国张家口召开。 MVIPIT 2024聚焦机器视觉、图像处理与影像技术,旨在为专家、学者和研究人员提供一个国际平台,分享研究成果,讨论问题和挑战,探索前沿技术。诚邀高校、科研院所、企业等有关方面的专家学者参加会议。 9月13日(周五):签到日 9月14日(周六):会议日 9月15日(周日

【python计算机视觉编程——8.图像内容分类】

python计算机视觉编程——8.图像内容分类 8.图像内容分类8.1 K邻近分类法(KNN)8.1.1 一个简单的二维示例8.1.2 用稠密SIFT作为图像特征8.1.3 图像分类:手势识别 8.2贝叶斯分类器用PCA降维 8.3 支持向量机8.3.2 再论手势识别 8.4 光学字符识别8.4.2 选取特征8.4.3 多类支持向量机8.4.4 提取单元格并识别字符8.4.5 图像校正

Python计算机视觉编程 第十章

目录 一、OpenCv基础知识 1.读取和写入图像 2.颜色空间 3.显示图像和结果 二、处理视频 1.输入视频 2.将视频读取到NumPy数组中 三、跟踪 1.光流 2.Lucas-Kanade算法 一、OpenCv基础知识 OpenCV 自带读取、写入图像函数以及矩阵操作和数学库。 1.读取和写入图像 import cv2# 读取图像im = c

机器视觉硬件选型根据某项目相机镜头

一 项目总需求 1、大视野检测需求: (1)大视野: ①产品尺寸15.6寸屏幕,产品大小:350mm x 225mm; ②产品料盘尺寸大小:565mm x 425mm; ③工作距离:880mm;检测精度:500μm; 1、大视野检测需求: (1)大视野: ①产品尺寸15.6寸屏幕,产品大小:350mm x 225mm; ②产品料盘尺寸大小:565mm x 425mm; 工作距离:

计算机基础知识复习9.6

点对点链路:两个相邻节点通过一个链路相连,没有第三者 应用:PPP协议,常用于广域网 广播式链路:所有主机共享通信介质 应用:早期的总线以太网,无线局域网,常用于局域网 典型拓扑结构:总线型 星型(逻辑总线型) 介质访问控制  静态划分信道 信道划分介质访问控制 频分多路复用FDM 时分多路复用TDM 波分多路复用WDM 码分多路复用CDM 动态分配信道 轮询访问介质访问控

【抽代复习笔记】28-群(二十二):四道子群例题

例1:证明,循环群的子群是循环群。 证:设G = (a),H ≤ G。 (1)若H = {e},则H是一阶循环群; (2)设H至少包含2个元素,即设H = {...,a^(-k),a^(-j),a^(-i),a^0,a^i,a^j,a^k,...}, 其中a^i是H中正指数最小的元素,0<i<j<k, 下证a^i是H的生成元: 对任意的a^t∈H(t∈Z),存在q∈Z,使得t = qi