中值滤波在数字图像去噪中的应用.pptx
中值滤波在数字图像去噪中的应用
汇报人：
2024-01-22
引言
图像处理基础知识
中值滤波原理及算法
中值滤波在数字图像去噪中的应用实例
中值滤波的优缺点及改进方向
结论与总结
引言
中值滤波在图像去噪中的应用
中值滤波作为一种非线性滤波方法，在去除噪声的同时能够较好地保留图像的细节信息，因此在数字图像去噪中得到了广泛应用。
数字图像去噪的重要性
在数字图像处理中，噪声是一个常见问题，它会严重影响图像的质量和后续处理的效果。因此，去噪是数字图像处理中一项重要的预处理步骤。
中值滤波是一种基于排序统计理论的非线性信号处理技术，其基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近真实值，从而消除孤立的噪声点。
中值滤波对于滤除脉冲干扰及图像扫描噪声非常有效，也常用于保护边缘信息。它能够克服线性滤波器如最小均方滤波、均值滤波等带来的图像细节模糊问题，而且在实际运算过程中并不需要图像的统计特性，这也带来不少方便。
中值滤波的原理
中值滤波的特点
图像处理基础知识
01
像素
数字图像的基本单元，每个像素具有特定的位置和颜色值。
02
分辨率
图像中像素的数量，通常以宽度和高度表示。
03
颜色空间
用于表示图像颜色的数学模型，如RGB、CMYK等。
高斯噪声
01
由于光照、传感器温度等因素引起的随机噪声，服从正态分布。
02
椒盐噪声
由图像传感器、传输信道或解码处理等产生的黑白相间的亮暗点噪声。
03
周期性噪声
由电力线频率、电机等产生的周期性干扰。
03
均方误差（MSE）
反映预测值与实际值之间差异程度的一种指标，值越小表示预测模型描述实验数据具有更好的精确度。
01
峰值信噪比（PSNR）
衡量图像失真或噪声水平的客观标准，值越高表示图像质量越好。
02
结构相似性（SSIM）
用于衡量两幅图像的相似度，考虑了亮度、对比度和结构三个方面的因素。
中值滤波原理及算法
中值滤波是一种非线性信号处理技术，其基本原理是将数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近真实值，从而消除孤立的噪声点。
对于椒盐噪声（即随机出现的黑白点）来说，中值滤波能够很好的滤除噪声，并且能够保护图像的边缘信息，不会造成边缘的模糊。
对图像进行遍历，将滤波器中心对准图像中的每个像素。
对滤波器覆盖的像素值进行排序。
重复以上步骤，直到遍历完整个图像。
选择排序后的中值作为当前像素的新值。
定义滤波器的大小和形状：通常选择方形或圆形滤波器，大小一般选择3x3、5x5等。
滤波器大小的选择：滤波器的大小决定了能够滤除噪声的程度和保护图像细节的能力。一般来说，滤波器越大，去噪能力越强，但也越容易造成图像细节的丢失。因此，需要根据具体的应用场景和需求来选择合适的滤波器大小。
滤波器形状的选择：不同形状的滤波器对于不同类型的噪声有不同的滤除效果。例如，对于椒盐噪声，方形滤波器通常比圆形滤波器更有效。
边界处理：在图像边缘处，滤波器可能会覆盖到图像外部的区域。这时需要进行边界处理，常用的方法有扩展边缘、镜像反射等。
算法优化：为了提高中值滤波的运算速度，可以采用一些优化算法，如直方图统计法、快速排序法等。
中值滤波在数字图像去噪中的应用实例
实验环境
Python3.7，OpenCV库，NumPy库，Matplotlib库。
数据准备
选择不同噪声类型和不同噪声强度的数字图像作为实验数据，包括高斯噪声、椒盐噪声等。同时，为了验证中值滤波的效果，需要准备无噪声的原始图像作为对比。
高斯噪声
中值滤波对于高斯噪声的去除效果较好，特别是在噪声强度较低的情况下。随着噪声强度的增加，中值滤波的效果逐渐减弱，但仍能保持一定的去噪能力。
椒盐噪声
中值滤波对于椒盐噪声的去除效果非常显著。由于椒盐噪声表现为黑白像素点的随机分布，中值滤波能够有效地将这些噪声点替换为周围像素的中值，从而恢复图像的原始信息。
其他噪声类型
对于其他类型的噪声，如乘性噪声、泊松噪声等，中值滤波也具有一定的去噪能力，但效果可能不如针对特定噪声类型的去噪方法。
均值滤波
均值滤波是一种简单的线性滤波方法，通过计算邻域内像素的平均值来替换中心像素的值。与中值滤波相比，均值滤波在处理高斯噪声时效果较好，但在处理椒盐噪声时可能会导致图像模糊。
高斯滤波
高斯滤波是一种线性滤波方法，通过对邻域内像素进行加权平均来实现去噪。与中值滤波相比，高斯滤波在处理高斯噪声时效果较好，且能够保持较好的图像细节，但在处理椒盐噪声时效果较差。
非局部均值去噪
非局部均值去噪是一种基于像素块相似性的去噪方法，通过寻找相似像素块并进行加权平均来实现去噪。与中值滤波相比，非局部均值去噪在处理各种类型的噪声时均能取得较好的效果，但计算复杂度较高。
中值滤