目錄

• 簡介
• Halcon算子與算法原理
• • 基礎(chǔ)濾波
  • • a、均值濾波
    • b、中值濾波
    • c、高斯濾波
    • d、導(dǎo)向濾波

簡介

圖像濾波，即在盡量保留圖像細節(jié)特征的條件下對目標圖像的噪聲進行抑制，是圖像預(yù)處理中不可缺少的操作，其處理效果的好壞將直接影響到后續(xù)圖像處理和分析的有效性和可靠性。（摘自百度百科）

Halcon算子與算法原理

基礎(chǔ)濾波

a、均值濾波

mean_image 均值濾波是指任意一點的像素值，都是周圍 N \times M 個像素值的均值 對圖像內(nèi)部的噪聲及模糊圖像有很好的作用 例如下圖中，紅色點的像素值是其周圍藍色背景區(qū)域像素值之和除25，25=5\times5 是藍色區(qū)域的大小

b、中值濾波

madian_image 中值濾波是非線性的圖像處理方法，在去噪的同時可以兼顧到邊界信息的保留。 選一個含有奇數(shù)點的窗口W，將這個窗口在圖像上掃描， 把窗口中所含的像素點按灰度級的升或降序排列，取位于中間的灰度值來代替該點的灰度值 對單個噪聲具有很好的平滑作用，特別是椒鹽噪聲。

c、高斯濾波

gauss_filter 高斯濾波是一種線性平滑濾波，適用于消除高斯噪聲，廣泛應(yīng)用于圖像處理的減噪過程。

通俗的講，高斯濾波就是對整幅圖像進行加權(quán)平均的過程，每一個像素點的值，都由其本身和鄰域內(nèi)的其他像素值經(jīng)過加權(quán)平均后得到。
高斯濾波的具體操作是：用一個模板（或稱卷積、掩模）掃描圖像中的每一個像素，用模板確定的鄰域內(nèi)像素的加權(quán)平均灰度值去替代模板中心像素點的值。
為了克服簡單局部平均法的弊端(圖像模糊)，目前已提出許多保持邊緣、細節(jié)的局部平滑算法。它們的出發(fā)點都集中在如何選擇鄰域的大小、形狀和方向、參數(shù)加平均及鄰域各店的權(quán)重系數(shù)等。
圖像高斯平滑也是鄰域平均的思想對圖像進行平滑的一種方法，在圖像高斯平滑中，對圖像進行平均時，不同位置的像素被賦予了不同的權(quán)重。高斯平滑與簡單平滑不同，它在對鄰域內(nèi)像素進行平均時，給予不同位置的像素不同的權(quán)值，下圖的所示的 3\times3 和 5\times5 鄰域的高斯模板。


高斯濾波讓臨近的像素具有更高的重要度，對周圍像素計算加權(quán)平均值，較近的像素具有較大的權(quán)重值。如下圖所示，中心位置權(quán)重為0.4。

d、導(dǎo)向濾波

guided_filter 引導(dǎo)濾波（導(dǎo)向濾波）不僅能實現(xiàn)雙邊濾波的邊緣平滑， 而且在檢測到邊緣附近有很好的表現(xiàn)，可應(yīng)用在圖像增強、HDR壓縮、圖像摳圖及圖像去霧等場景

引用導(dǎo)向濾波資料
https://blog.csdn.net/sinat_36264666/article/details/77990790?locationNum=7&fps=1

總結(jié)

以上是生活随笔為你收集整理的Halcon图像滤波方法与原理概述的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。