椒盐噪声的去噪处理

2023-12-31 05:52
文章标签 处理 噪声 椒盐

本文主要是介绍椒盐噪声的去噪处理,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!

对于公式

f ^ ( x , y ) = ∑ ( s , t ) ∈ S x y g ( s , t ) Q + 1 ∑ ( s , t ) ∈ S x y g ( s , t ) Q \hat f(x,y)=\frac{\sum_{(s,t)\in S_{xy}}g(s,t)^{Q+1}}{\sum_{(s,t)\in S_{xy}}g(s,t)^{Q}} f^(x,y)=(s,t)Sxyg(s,t)Q(s,t)Sxyg(s,t)Q+1
给出的逆谐波滤波回答下列问题:

(a)、解释为什么当Q是正值时滤波对去除“胡椒”噪声有效?

(b)、解释为什么当Q是负值时滤波对去除“盐”噪声有效?

其中在八位的灰度图中,0表示黑色,255表示白色,其中“胡椒”噪声灰度值趋于0,“盐”噪声灰度值趋于255。

A = ∑ ( s , t ) ∈ S x y g ( s , t ) Q A=\sum_{(s,t)\in S_{xy}}g(s,t)^{Q} A=(s,t)Sxyg(s,t)Q
f ^ ( x , y ) = ∑ ( s , t ) ∈ S x y g ( s , t ) Q + 1 ∑ ( s , t ) ∈ S x y g ( s , t ) Q = ∑ ( s , t ) ∈ S x y g ( s , t ) Q g ( s , t ) ∑ ( s , t ) ∈ S x y g ( s , t ) Q = 1 A ∑ ( s , t ) ∈ S x y g ( s , t ) Q g ( s , t ) = ∑ ( s , t ) ∈ S x y g ( s , t ) Q A g ( s , t ) \begin{aligned} \hat f(x,y) &=\frac{\sum_{(s,t)\in S_{xy}}g(s,t)^{Q+1}}{\sum_{(s,t)\in S_{xy}}g(s,t)^{Q}}\\ &=\frac{\sum_{(s,t)\in S_{xy}}g(s,t)^{Q}g(s,t)}{\sum_{(s,t)\in S_{xy}}g(s,t)^{Q}}\\ &=\frac{1}{A}\sum_{(s,t)\in S_{xy}}g(s,t)^{Q}g(s,t)\\ &=\sum_{(s,t)\in S_{xy}}\frac{g(s,t)^{Q}}{A}g(s,t) \end{aligned} f^(x,y)=(s,t)Sxyg(s,t)Q(s,t)Sxyg(s,t)Q+1=(s,t)Sxyg(s,t)Q(s,t)Sxyg(s,t)Qg(s,t)=A1(s,t)Sxyg(s,t)Qg(s,t)=(s,t)SxyAg(s,t)Qg(s,t)
所以 ∑ ( s , t ) ∈ S x y g ( s , t ) Q A g ( s , t ) \sum_{(s,t)\in S_{xy}}\frac{g(s,t)^{Q}}{A}g(s,t) (s,t)SxyAg(s,t)Qg(s,t)可以视为在图像邻域 S x y S_{xy} Sxy内的一个加权平均数,其中 g ( s 0 , t 0 ) g(s_0,t_0) g(s0,t0)的权值为 g ( s 0 , t 0 ) Q A \frac{g(s_0,t_0)^{Q}}{A} Ag(s0,t0)Q

设邻域 S x y S_{xy} Sxy内椒噪声与盐噪声的灰度分别为 g p e p p e r g_{pepper} gpepper g s a l t g_{salt} gsalt

所以存在 g p e p p e r < ∑ ( s , t ) ∈ S x y g ( s , t ) Q A g ( s , t ) < g s a l t g_{pepper}<\sum_{(s,t)\in S_{xy}}\frac{g(s,t)^{Q}}{A}g(s,t)<g_{salt} gpepper<(s,t)SxyAg(s,t)Qg(s,t)<gsalt

(a)

Q > 0 Q>0 Q>0时,因为 g p e p p e r → 0 g_{pepper}\rightarrow0 gpepper0,所以此时的 g ( s , t ) Q A → 0 \frac{g(s,t)^{Q}}{A}\rightarrow0 Ag(s,t)Q0,于是可以认为在加权平均过程中可以忽略。从而实现了去除"胡椒"噪声

(b)

Q < 0 Q<0 Q<0时,因为 g s a l t → 255 , g s a l t Q = 1 g s a l t − Q → 1 255 − Q → 0 g_{salt}\rightarrow255,g_{salt}^{Q}={\frac{1}{g_{salt}}}^{-Q}\rightarrow{\frac{1}{255}}^{-Q}\rightarrow0 gsalt255,gsaltQ=gsalt1Q2551Q0,所以此时的 g ( s , t ) Q A → 0 \frac{g(s,t)^{Q}}{A}\rightarrow0 Ag(s,t)Q0,于是可以认为在加权平均过程中可以忽略。从而实现了去除"盐"噪声

这篇关于椒盐噪声的去噪处理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/555156

相关文章

无人叉车3d激光slam多房间建图定位异常处理方案-墙体画线地图切分方案

墙体画线地图切分方案 针对问题:墙体两侧特征混淆误匹配,导致建图和定位偏差,表现为过门跳变、外月台走歪等 ·解决思路:预期的根治方案IGICP需要较长时间完成上线,先使用切分地图的工程化方案,即墙体两侧切分为不同地图,在某一侧只使用该侧地图进行定位 方案思路 切分原理:切分地图基于关键帧位置,而非点云。 理论基础:光照是直线的,一帧点云必定只能照射到墙的一侧,无法同时照到两侧实践考虑:关

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

Thymeleaf:生成静态文件及异常处理java.lang.NoClassDefFoundError: ognl/PropertyAccessor

我们需要引入包: <dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-thymeleaf</artifactId></dependency><dependency><groupId>org.springframework</groupId><artifactId>sp

jenkins 插件执行shell命令时,提示“Command not found”处理方法

首先提示找不到“Command not found,可能我们第一反应是查看目标机器是否已支持该命令,不过如果相信能找到这里来的朋友估计遇到的跟我一样,其实目标机器是没有问题的通过一些远程工具执行shell命令是可以执行。奇怪的就是通过jenkinsSSH插件无法执行,经一番折腾各种搜索发现是jenkins没有加载/etc/profile导致。 【解决办法】: 需要在jenkins调用shell脚

明明的随机数处理问题分析与解决方案

明明的随机数处理问题分析与解决方案 引言问题描述解决方案数据结构设计具体步骤伪代码C语言实现详细解释读取输入去重操作排序操作输出结果复杂度分析 引言 明明生成了N个1到500之间的随机整数,我们需要对这些整数进行处理,删去重复的数字,然后进行排序并输出结果。本文将详细讲解如何通过算法、数据结构以及C语言来解决这个问题。我们将会使用数组和哈希表来实现去重操作,再利用排序算法对结果

8. 自然语言处理中的深度学习:从词向量到BERT

引言 深度学习在自然语言处理(NLP)领域的应用极大地推动了语言理解和生成技术的发展。通过从词向量到预训练模型(如BERT)的演进,NLP技术在机器翻译、情感分析、问答系统等任务中取得了显著成果。本篇博文将探讨深度学习在NLP中的核心技术,包括词向量、序列模型(如RNN、LSTM),以及BERT等预训练模型的崛起及其实际应用。 1. 词向量的生成与应用 词向量(Word Embedding)

使用协程实现高并发的I/O处理

文章目录 1. 协程简介1.1 什么是协程?1.2 协程的特点1.3 Python 中的协程 2. 协程的基本概念2.1 事件循环2.2 协程函数2.3 Future 对象 3. 使用协程实现高并发的 I/O 处理3.1 网络请求3.2 文件读写 4. 实际应用场景4.1 网络爬虫4.2 文件处理 5. 性能分析5.1 上下文切换开销5.2 I/O 等待时间 6. 最佳实践6.1 使用 as

Level3 — PART 3 — 自然语言处理与文本分析

目录 自然语言处理概要 分词与词性标注 N-Gram 分词 分词及词性标注的难点 法则式分词法 全切分 FMM和BMM Bi-direction MM 优缺点 统计式分词法 N-Gram概率模型 HMM概率模型 词性标注(Part-of-Speech Tagging) HMM 文本挖掘概要 信息检索(Information Retrieval) 全文扫描 关键词

PHP7扩展开发之数组处理

前言 这次,我们将演示如何在PHP扩展中如何对数组进行处理。要实现的PHP代码如下: <?phpfunction array_concat ($arr, $prefix) {foreach($arr as $key => $val) {if (isset($prefix[$key]) && is_string($val) && is_string($prefix[$key])) {$arr[

PHP7扩展开发之字符串处理

前言 这次,我们来看看字符串在PHP扩展里面如何处理。 示例代码如下: <?phpfunction str_concat($prefix, $string) {$len = strlen($prefix);$substr = substr($string, 0, $len);if ($substr != $prefix) {return $prefix." ".$string;} else