计算机视觉与深度学习-卷积神经网络-卷积图像去噪边缘提取-图像去噪 [北邮鲁鹏]
目录标题
- 参考学习链接
- 图像噪声
- 噪声分类
- 椒盐噪声
- 脉冲噪声
- 对椒盐噪声&脉冲噪声去噪
- 使用高斯卷积核
- 中值滤波器
- 高斯噪声
- 减少高斯噪声
参考学习链接
计算机视觉与深度学习-04-图像去噪&卷积-北邮鲁鹏老师课程笔记
图像噪声
噪声点，其实在视觉上看上去让人感觉很难受，直观理解就是它跟周围的像素点差异比较大，显得比较突兀，视觉看起来很不舒服，这就是噪声点。
噪声分类
椒盐噪声
黑丝像素和白色像素随机出现
脉冲噪声
白色像素随机出现
对椒盐噪声&脉冲噪声去噪
使用高斯卷积核
高斯卷积核（低通滤波器）并不能去除椒盐噪声和脉冲噪声。
中值滤波器
中值滤波器是非线性操作。
刚开始的卷积核没有权重
当图像处理时，将3 * 3的卷积核套在图像的9个像素上，取这9个图像向上的像素值，排序求出其中值，并用该中值替换当前中心点像素值。
中值滤波对图像处理后
中值滤波 vs 均值滤波
- 中值滤波：卷积结果的像素值是图像原本就有这个像素值。
- 均值滤波：卷积结果的像素值是加权平均计算出的，可能原本并没有这个像素值。（高斯滤波）
高斯噪声
噪声强度变化服从高斯分布（正态分布）
高斯噪声数学模型是一个独立的加和模型 f ^ ( x , y ) = f ( x , y ) + μ ( x , y ) \hat{f}(x,y) = f(x,y)+ μ(x,y) f^(x,y)=f(x,y)+μ(x,y)，一般认为 η ( x , y ) ∼ N ( μ , σ ) η ( x , y ) ∼ N ( μ , σ ) η(x,y)∼N(μ,σ)，通常μ = 0 , σ很小。
即认为 图像是由真实图像 + 高斯噪声组成的，高斯噪声的产生一个是由于采集器附加的噪声，另一个是由于光学问题带来的噪声。将两者合起来就是最终看到的带有噪声的图像。
因此对于高斯噪声就有了这样的假设：首先噪声的产生是相互独立的，而且服从均值为0的正态分布。
减少高斯噪声
噪声的方差越大，高斯卷积核的方差或尺寸就要越大。
虽然高斯卷积核可以去除高斯噪声，但是更模糊（最下图比最上图模糊），坏的噪声去掉了，好的像素也受到了影响。