參考學(xué)習(xí)鏈接
計(jì)算機(jī)視覺(jué)與深度學(xué)習(xí)-04-圖像去噪&卷積-北郵魯鵬老師課程筆記
圖像噪聲
噪聲點(diǎn)，其實(shí)在視覺(jué)上看上去讓人感覺(jué)很難受，直觀理解就是它跟周?chē)南袼攸c(diǎn)差異比較大，顯得比較突兀，視覺(jué)看起來(lái)很不舒服，這就是噪聲點(diǎn)。
噪聲分類(lèi)
椒鹽噪聲
黑絲像素和白色像素隨機(jī)出現(xiàn)
脈沖噪聲
白色像素隨機(jī)出現(xiàn)
對(duì)椒鹽噪聲&脈沖噪聲去噪
使用高斯卷積核
高斯卷積核（低通濾波器）并不能去除椒鹽噪聲和脈沖噪聲。
中值濾波器
中值濾波器是非線(xiàn)性操作。
剛開(kāi)始的卷積核沒(méi)有權(quán)重
當(dāng)圖像處理時(shí)，將3 * 3的卷積核套在圖像的9個(gè)像素上，取這9個(gè)圖像向上的像素值，排序求出其中值，并用該中值替換當(dāng)前中心點(diǎn)像素值。
中值濾波對(duì)圖像處理后
中值濾波 vs 均值濾波
- 中值濾波：卷積結(jié)果的像素值是圖像原本就有這個(gè)像素值。
- 均值濾波：卷積結(jié)果的像素值是加權(quán)平均計(jì)算出的，可能原本并沒(méi)有這個(gè)像素值。（高斯濾波）
高斯噪聲
噪聲強(qiáng)度變化服從高斯分布（正態(tài)分布）
高斯噪聲數(shù)學(xué)模型是一個(gè)獨(dú)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)，一般認(rèn)為
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。
即認(rèn)為 圖像是由真實(shí)圖像 + 高斯噪聲組成的，高斯噪聲的產(chǎn)生一個(gè)是由于采集器附加的噪聲，另一個(gè)是由于光學(xué)問(wèn)題帶來(lái)的噪聲。將兩者合起來(lái)就是最終看到的帶有噪聲的圖像。
因此對(duì)于高斯噪聲就有了這樣的假設(shè)：首先噪聲的產(chǎn)生是相互獨(dú)立的，而且服從均值為0的正態(tài)分布。
減少高斯噪聲
噪聲的方差越大，高斯卷積核的方差或尺寸就要越大。文章來(lái)源：http://www.zghlxwxcb.cn/news/detail-732098.html
雖然高斯卷積核可以去除高斯噪聲，但是更模糊（最下圖比最上圖模糊），壞的噪聲去掉了，好的像素也受到了影響。文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-732098.html
到了這里，關(guān)于計(jì)算機(jī)視覺(jué)與深度學(xué)習(xí)-卷積神經(jīng)網(wǎng)絡(luò)-卷積&圖像去噪&邊緣提取-圖像去噪 [北郵魯鵬]的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
