空間濾波通過圖像與卷積模板的卷積運(yùn)算來實(shí)現(xiàn)圖像濾波。根據(jù)卷積模板的不同，可以分為平滑和銳化濾波。
1
平滑濾波
平滑濾波一般用于消除圖像中的隨機(jī)噪聲，常見的平滑濾波方法有均值濾波和中值濾波等。在ENVI中打開一個(gè)文件，ENVI Classic主菜單→Filter→Convolutions and Morphology，打開Convolutions and Morphology Tool窗口，如下圖所示，在該對(duì)話框進(jìn)行平滑或銳化濾波設(shè)置。
Convolutions and Morphology Tool 窗口→Convolutions→Low Pass，進(jìn)行低通濾波(均值濾波)，如下圖所示：
圖片
其中Kernel Size用于設(shè)置濾波器尺寸只能為奇數(shù)，默認(rèn)值為3，為什么只能是奇數(shù)？首先我們要知道濾波器就是鄰域分析窗口，卷積運(yùn)算結(jié)果是要放到窗口中間的那個(gè)像元上，所以奇數(shù)的窗口才符合要求；Image Add Back(0-100)%文本框用于設(shè)置背景圖像疊加百分比，即原圖像在增強(qiáng)后圖像中的影響比例。設(shè)置這兩個(gè)參數(shù)后，點(diǎn)擊Quick Apply按鈕可選擇某個(gè)波段快速進(jìn)行濾波，或者點(diǎn)擊Apply To File…按鈕選擇整個(gè)文件進(jìn)行濾波。
但是均值濾波在對(duì)圖像進(jìn)行平滑的同時(shí)也破壞了圖像的細(xì)節(jié)部分，從而使圖像變得模糊。濾波器尺寸越大，圖像越模糊。下面小編給出了某原始圖像和不同濾波器尺寸均值濾波結(jié)果的對(duì)比圖。
原始圖像
33均值濾波圖像
99均值濾波圖像
Convolutions and Morphology Tool窗口→Convolutions→Median，進(jìn)行中值濾波。相比于均值濾波，中值濾波能夠在一定程度上保留圖像的細(xì)節(jié)信息。該方法對(duì)椒鹽噪聲表現(xiàn)比較好，對(duì)高斯噪聲表現(xiàn)較差；而均值濾波對(duì)高斯噪聲表現(xiàn)較好，對(duì)椒鹽噪聲表現(xiàn)較差。這時(shí)候就會(huì)有小伙伴說了，什么叫椒鹽噪聲和高斯噪聲呢？小編大概講講兩者的區(qū)別吧，高斯噪聲中噪聲的概率密度函數(shù)服從高斯分布（即正態(tài)分布），即某個(gè)強(qiáng)度的噪聲點(diǎn)個(gè)數(shù)最多,離這個(gè)強(qiáng)度越遠(yuǎn)噪聲點(diǎn)個(gè)數(shù)越少。
高斯噪聲是一種加性噪聲,即噪聲直接加到原圖像上,因此可以用線性濾波器濾除。椒鹽噪聲是由圖像傳感器、傳輸信道、解碼處理等產(chǎn)生的黑白相間的亮暗點(diǎn)噪聲，往往由圖像切割引起。椒鹽噪聲包括鹽噪聲(高灰度噪聲)、胡椒噪聲(低灰度噪聲)。兩者同時(shí)出現(xiàn)時(shí)，在圖像上呈現(xiàn)為黑白雜點(diǎn)。下面小編給出了某原始圖像和不同濾波器尺寸均值濾波結(jié)果的對(duì)比圖。
原始圖像
33中值濾波圖像
99中值濾波圖像
2
銳化濾波
銳化濾波一般用于突出邊緣和輪廓、線狀目標(biāo)信息，也稱為邊緣增強(qiáng)。常見的銳化濾波模板有High Pass(高通濾波)算子、Roberts(羅伯特)算子、Sobel(索貝爾)算子和 Laplacian(拉普拉斯)算子等。
在ENVI Classic里面的Convolutions and Morphology Tool窗口→Convolutions→High Pass進(jìn)行高通濾波。為了實(shí)現(xiàn)對(duì)高頻信息的增強(qiáng)，卷積模板中心值為正值，四周為負(fù)值，默認(rèn)鄰域范圍是9*9像元。
原始圖像
高通濾波銳化結(jié)果
除了高通濾波算子之外，ENVI還提供了基于Roberts算子、Sobel算子和 Laplaciar算子的空間濾波方法。其中Sobel算子和Roberts算子的模板是固定的，不能設(shè)置卷積模板尺寸，只能設(shè)置疊加背景圖像的百分比。
Convolutions and Morphology Tool 窗口→Convolutions→Roberts，基于Roberts 算子進(jìn)行濾波運(yùn)算。同樣在Convolution 菜單下選擇Sobel和Laplacian，可分別進(jìn)行基于Sobel算子和Laplacian算子的濾波。
Sobel算子銳化結(jié)果
Roberts算子銳化結(jié)果
Laplacian算子銳化結(jié)果
Roberts和Sobel算子都屬于一階微分算子，檢測(cè)灰度值的梯度變化，能夠有效突出邊緣。Roberts算子定位比較準(zhǔn)確，但對(duì)噪聲非常敏感。Sobel算子卷積模板具有平滑效果，能在一定程度上抑制噪聲。Laplacian算子屬于二階微分算子，主要用于檢測(cè)灰度突變的區(qū)域。
來源：https://blog.csdn.net/qq_43173805/article/details/119843646
本文鏈接：http://www.cnaircompressor.com/blog/343.html
本文標(biāo)簽：
