图像滤波的主要方法有哪些,图像滤波器的基本概念

　　去老猿https://blog.csdn.net/LaoYuanPython的Python博客目录一、引言老猿非常缺乏图像处理的基础知识，所以OpenCV-Python的学习进度非常缓慢，大量的基本概念和原理都花在了研究和学习上，比如前期图像的形态学变换、近期仿射变换、投影变换等。

　　目前正准备学习图像过滤，但是图像怎么过滤呢？形象是波吗？经过多日查阅资料和自己的理解，感觉终于明白了图像滤波的概念。这里我就像老猿一样整理分享一下相关知识，供图像处理mndgz参考。

　　2.过滤器学过物理等课程的人对过滤器都有印象。滤波器用于滤除不符合要求的波形。有低通滤波器、高通滤波器、带通滤波器等类型，广泛应用于声波、光波、电磁波等处理领域。

　　低通滤波是一种滤波方法。规则是低频信号可以正常通过，超过设定临界值的高频信号被阻挡和削弱。但阻断和衰减的幅度会根据不同的频率和不同的滤波程序(目的)而变化。它有时被称为高通滤波器，也称为低截止滤波器和低阻滤波器，允许高于某一截止频率的频率通过，同时大大衰减较低的频率。它从信号中去除不必要的低频成分或低频干扰。带通滤波器是一种允许特定频段的波通过，同时屏蔽其他频段的器件。三、图像与波图像滤波器借鉴了滤波器的概念，它有一个背景知识就是图像也是波。为什么这么说？

　　这是因为以下两个原因：

　　对于图像中每行像素的每个通道值，所有像素的相同通道值形成一条曲线。以灰度图像为例，它的像素值是单通道的灰度值，灰度值的变化表示图像灰度的变化，是一条波形曲线。对于三通道彩色图像，每行像素对应三条波形曲线。有N条线的图像意味着有nc条波形曲线，其中C代表通道数。当图像的颜色、灰度、亮度变化平缓时，图像所有对应的波形曲线波动较小，而当图像的颜色、灰度或亮度变化较大时，一些对应的波形曲线波动较大。除了少数计算机生成的数字图像，大部分用于生成图像的能量(详见《善良的书包《数字图像处理》学习总结与感知：第一章导论，眼见为实)都是电磁波、声波或电子束，都可以用波来表示。因此，图像每一行中像素通道的波动与图像密切相关。本质上，一幅图像就是各种色波的叠加。可以说，一幅图像就是颜色的波动：大的波动意味着颜色或灰度的突然变化；小波动意味着颜色或灰度的平滑过渡。因此，波的各种指数可以用来描述图像。

　　另外，波动是否频繁变化可以用频率来表示，频率是波动速度的一个指标。单位时间内波动次数越多，频率越高，反之亦然。所以颜色/灰度值变化频繁的地方就是图像的高频区；颜色/灰度值稳定平滑的地方，就是图像的低频区域。

　　更多详情请参考《转载：图像滤波概念知识解释》的介绍。

　　四。图像噪声4.1。概述噪声在理论上可以定义为“只有概率统计才能识别的不可预测的随机误差”。图像噪声主要来源于图像采集(数字化)和传输过程。

　　一般图像变化平滑，但由于成像系统、传输介质和记录设备的不完善，数字图像在其形成、传输和记录过程中，往往会受到多种因素的干扰，存在不必要的噪声(声波概念所指的噪声)。此外，在图像处理的某些方面，当输入图像对象不符合预期时，噪声会被引入到结果图像中。

　　图像噪声是指图像数据中存在的不必要或冗余的干扰信息，是阻碍人们对图像信息认知的因素。图像中的噪声通常表现为引起强烈视觉效果的孤立像素或像素块。对于数字图像信号，图像中的噪声表现为极值，通过加减运算作用于图像像素的真实灰度值，造成图像中的亮暗斑相互干扰，大大降低图像质量，影响后续的图像恢复、分割、特征提取、图像识别等工作。

　　4.2.图像噪声的分类。加性噪声、乘性噪声和量化噪声根据噪声与信号(镜像波)的关系，噪声可分为加性噪声、乘性噪声和量化噪声。

　　加性噪声:

　　加性噪声和信号的关系是加性的，不管有没有信号，这种噪声总是存在的。假设信号为S(t)，噪声为n(t)，如果混合叠加波形为S(t) n(t)的形式，则称为加性噪声。噪声与图像信号强度没有相关性，如图像传输过程中引入的“信道噪声”，电视摄像机扫描图像的噪声。通常，加性噪声被视为系统的背景噪声。

　　乘性噪声:

　　乘性噪声与信号强度有关，常随图像信号的变化而变化，如飞点扫描图像中的噪声、电视扫描光栅、胶片颗粒等。

　　乘性噪声通常是由不完美的信道引起的。它们与信号的关系是乘法。如果信号在里面，它就不会在那里，如果信号不在里面。

　　乘性噪声被视为系统的时变(如衰落或多普勒)或非线性。

　　量化噪声:

　　图像中的量化噪声是图像量化过程中模拟到数字的差异，是图像量化过程中的误差。

　　在图像处理等技术中获得采样值后，要对数据进行量化。量化值和原始采样值之间存在误差，这个值就是量化精度。量化精度越高，量化值与采样值的误差越小，采集的数据能真实反映实际情况。量化精度收集的数据越接近原始图像。

　　当量化后的数据被还原成图像时，这个量化过程中的量化误差会被再现为噪声，称为量化噪声。

　　老猿发现的材料大多只引入了加性噪声和乘性噪声，少数引入了定量噪声，但没有明确解释它们之间的关系。从三者的定义，Laoape理解为三者并行，加性噪声与图像采集设备和传输设备有关，乘性噪声与图像的显示过程有关，量化噪声与模拟图像到数字图像的量化过程有关。

　　4.2.2.其他噪声分类除了根据信号与噪声的关系对噪声进行分类，还有很多种分类方法：

　　根据噪声幅度随时间的分布形状，根据噪声的概率分布，可分为高斯噪声、yhdws噪声、伽玛噪声、指数噪声、脉冲噪声、均匀噪声说明。通常更多提到的椒盐噪声是一种脉冲噪声，是不连续的，由不规则的突发干扰脉冲或持续时间短、幅度大的噪声尖峰组成。噪音的振幅基本相同，但噪音的位置是随机的。

　　噪声脉冲可以是正的或负的。因为脉冲干扰通常大于图像信号的强度，所以在图像中，脉冲噪声总是被数字化为最小值(纯黑)或最大值(纯白)。负脉冲在图像中显示为黑点(fddx ),而正脉冲在图像中显示为白点(盐点)。因此，这种双极性脉冲噪声也称为椒盐噪声。

　　根据噪声频谱的形状，如频谱分布均匀的噪声称为白噪声；频谱与1/f噪声成反比(低频区域噪声，也称闪烁噪声，像闪烁的烛光，在示波器上用慢速扫描观察1/f噪声可以看到漂移的基线)；而与频率的平方成比例的噪声称为三角噪声等。

　　根据经常影响图像质量的噪声源，可以分为电子噪声和光电噪声。

　　动词（verb的缩写）本节介绍图像处理中图像和波的关系。由于将图像灰度值或通道值在各个位置的值组合起来看图像波，而数字图像成像的辐射源是各种波，所以图像处理与波密切相关，滤波处理实际上就是对图像每个像素的灰度值或通道值幅度的处理。

　　图像采集、传输和量化过程中会产生各种噪声。图像噪声是指图像数据中存在的不必要或冗余的干扰信息。噪声的分类方法有很多种，不同的处理会用到不同的分类方法。

　　介绍更多图像处理请参考专栏《OpenCV-Python图形图像处理》和《图像处理基础知识》。

　　对于缺乏Python基础的同事，可以通过老猿的免费专栏《专栏：Python基础教程目录》从零开始学习Python。

　　博客写作不易，请支持：如果看了这篇文章有所收获，请点赞、评论、收藏。谢谢大家的支持！

　　关于老猿的付费专栏：付费专栏《https://blog.csdn.net/laoyuanpython/category_9607725.html 使用PyQt开发图形界面Python应用》致力于基于Python的PyQt图形界面开发基础课程，对应文章目录《https://blog.csdn.net/LaoYuanPython/article/details/107580932 使用PyQt开发图形界面Python应用专栏目录》；付费栏目《https://blog.csdn.net/laoyuanpython/category_10232926.html moviepy音视频开发专栏 )详细介绍moviepy音视频剪辑合成处理的类相关方法及使用相关方法进行相关剪辑合成场景的处理，对应文章目录为《https://blog.csdn.net/LaoYuanPython/article/details/107574583 moviepy音视频开发专栏文章目录》；付费专栏《https://blog.csdn.net/laoyuanpython/category_10581071.html OpenCV-Python初学者疑难问题集》是《https://blog.csdn.net/laoyuanpython/category_9979286.html OpenCV-Python图形图像处理》的伴生专栏，是作者个人对OpenCV-Python中图形图像处理学习中遇到的一些问题的感悟的整合。相关资料基本都是老猿反复研究的成果，有助于OpenCV-Python初学者深入理解OpenCV。对应的文章目录是《https://blog.csdn.net/LaoYuanPython/article/details/109713407 OpenCV-Python初学者疑难问题集专栏目录》付费栏目《https://blog.csdn.net/laoyuanpython/category_10762553.html Python爬虫入门》。本文从互联网前端开发mndgz的角度，介绍了爬虫开发你应该知道的内容，包括爬虫入门的基础知识，以及抓取CSDN文章信息、博主信息、文章点赞评论等实用内容。前两个专栏适合有一定Python基础但没有相关知识的mndgz读者。请结合《https://blog.csdn.net/laoyuanpython/category_9979286.html OpenCV-Python图形图像处理》的学习使用第三栏。

　　对于缺乏python基础的人，可以通过老猿的免费专栏“https://blog . csdn . net/laoyuanpython/category _ 9831699 . html专栏：Python基础教程目录”从零开始学习Python。

　　欢迎有兴趣并愿意支持老猿的读者购买付费专栏。

　　如对文章内容有任何疑问，可在博客评论区留言，或关注：老猿Python微信公众号发送消息咨询。

　　老猿蟒，跟老猿学蟒！去老猿https://blog.csdn.net/LaoYuanPython.的Python博客目录

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。