3.过滤——高斯滤波器之Matlab、Octave实战、保持两个高斯直行_5_octave 图像 噪声

目录

在Matlab使用高斯滤波器

在Octave高斯滤波器去除噪音

保持两个高斯直行

---

在Matlab使用高斯滤波器

本文首先使用Matlab展示示例，我要做的是在Matlab中演示过滤中的代码和效果。

基本上，Matlab构建过滤器和应用过滤器是非常常见，甚至琐碎的。

Matlab，我们要做的是定义两件事：

第一：我们将定义内核的大小；（请记住，这就是我们之前谈论的内容）

>> hsize = 31;

在这个例子它将是31乘31。注意是核大小为奇数，注意我才可以把中心像素画下来。

第尔：我们将定义sigma的大小；

我要让sigma为5。

Matlab有一个非常棒的小函数fspecial。

>> sigma = 5;
>> h = fspecial('gaussian', hsize, sigma);

在fspecial中，您可以为其指定参数，其中一个是您想要的过滤器类型。我们选择"gaussian"。

您还必须给它hsize和sigma，才能完成这个函数的操作。

您也可以给它矩形尺寸和多个sigma。完成后，它将为您构建这些过滤器。

事实上，Matlab有一个叫做冲浪的美丽小功能。

>> surf(h);

对，如果你用正确的颜色图画出来，它会把你画成一个曲面，你会看到这个：

您还可以将其显示为俯瞰的图像，

>> imagesc(h);

 运行代码后效果如图：

但更重要的是，你可以取你的图像，这是我们这里熊猫的图像：

我可以用这个h对它进行过滤：

>> outim = imfiler(im, h);
>> imshow(outim);

这是我们刚建立的过滤器，然后我可以展示它。那会是什么样子？

这将是一只模糊的熊猫。

此代码是构建过滤器并将其应用于Matlab中的图像所需的全部代码。

这很容易。

同样，根据sigma的大小，我们得到不同的平滑量。

所以这里我们使用三个不同的sigma：1，3和10。代码如下：

>> for sigma = 1:3:10
    h = fspecial('gaussian', fsize, sigma);
    out = imfiler(im, h);
    imshow(out);
    pause;
   end

我们使用不同大小的sigmas建立我们的高斯，我们过滤并显示它们，结果如图：

如你所看，我们得到了不会模糊，一般模糊，很模糊的三个不同效果。（注意模糊是由sigma大小决定，而不是内核大小）

这就是在Matlab中构建这些过滤器所需的全部内容。
 

---

在Octave高斯滤波器去除噪音

我们谈一下使用滤波器去除噪声，让我们看看它是如何运作的。

让我们加载一个完美的图像。

>> img = imread('saturn.png');
>> imshow(img);

 代码运行结果如下：

然后通过添加一些噪音来破坏它。

>> noise = randn(size(img)) .* 25;
>> noise_img = img + noise;
>> imshow(noise_img);

代码运行结果如下：

我应该为这个sigma命名以避免以后混淆。

>> noise_sigma = 25;
>> noise = randn(size(img)) .* noise_sigma;
>> noise_img = img + noise;
>> imshow(noise_img);

最后，我们知道如何创建高斯滤波器。我们定义一个内核大小和一个sigma。

>> filter_size = 11;
>> filter_sigma = 2;

接着我们可以使用图像包中的fspecial函数。所以首先加载包，然后创建过滤器。

>> pkg load image;
>> filter = fspecial('gaussian', filter_size, filter_sigma);

现在，我们可以应用此过滤器来消除噪音。

>> smoothed = imfilter(niose_img, filter);
>> imshow(smoothed);

注意imfilter中参数的顺序：首先是图像，然后是过滤器。

代码运行后：

请注意滤镜是如何平滑的，或者更确切地说是模糊了图像。

像噪音一样的细微颗粒现在被弄模糊了。但是过滤器也对原始图像产生了很大影响。

因此，去除噪音并不神奇。你不可能完全回到最初的状态。

在视觉上，它可能看起来不太令人印象深刻，但是考虑到噪声图像与平滑图像相比，图像处理程序的进一步表现非常不同。

继续，自己运行此代码，你尝试不同的参数来生成噪音和平滑。

保持两个高斯直行

最后，至少要警告或澄清一句话。

我们说过，作为高斯滤波器的宽度，这是模糊平滑的方差。

上次我们谈到Sigma或Sigma平方作为噪声函数的方差时，增加了多少噪声。

在一种情况下，滤波器σ是空间中的宽度，与噪声一样，它是一个值的方差。噪声σ越大，就越有可能产生大的噪声值。

噪声信号越大，添加的噪声越大，模糊滤波器σ（sigma）越大，模糊程度就越大。

所以，你必须是一个合理的sigma，因为他们都使用正态分布。

但是一个超过了一个空间，一个超过了强度。

我们可以在这里展示这两个sigma，顺便说一下，在这里我使用的是从0到1的图像。如图：

在最上面的一行中，没有进行平滑过滤，我们在噪声中有一个0.2的sigma。

0.2对于范围只有0到1，或者-0.5到0.5，那么这是一个很大的噪音。

sigma为0.1噪音较小。

sigma为0.05的噪音更小。

但是我们可以用高斯来平滑这些噪音。

在sigma=0.2时，我们越平滑，红色线的噪音就越模糊。如图：

因此，对于同样数量的平滑，噪声越小，同样数量的平滑就越平滑。

这里的红色圈起来的图像是最平滑的。

但这是向你们展示这两个sigma，这两个高斯。

从上下文来看，它几乎总是清晰的，但是有人会说：“等一下，我认为信号越大，噪音就越大。

现在你告诉我Sigma越多，越模糊，我们拥有的噪音就越少。”

我回答：“sigma为2！”

这结束了有关过滤和噪音的文章。（以后发现有用的相关过滤和噪音的文章会继续补充）

我们将开始进一步新的内容的图像处理。

总结：

1.目前滤波这单元我们学到了，移动平均线和加权移动平均线的概念；

2.相关滤波：均匀权重（移动平均）、不均匀权重的（加权移动平均）。

3.加权移动平均思想最终优化为使用正态分布的高斯滤波器。

4.高斯滤波器针对不同维度有不同的公式。

---

——学会编写自己的代码，才能练出真功夫。