机器视觉图像处理之图像滤波

1.均值滤波

均值滤波是一种基本的线性图像滤波方法，主要用于图像平滑和噪声去除。

特点

• 优点：

  • 算法简单，计算速度快

  • 对高斯噪声有较好的去除效果

  • 能有效平滑图像中的小波动

• 缺点：

  • 会导致边缘模糊

  • 对椒盐噪声(脉冲噪声)效果不佳

  • 随着滤波器尺寸增大，模糊效果越明显

 

应用场景

1. 图像预处理中的噪声去除

2. 作为更复杂算法的基础步骤

3. 需要快速实现简单平滑的场合

2.中值滤波

中值滤波是一种经典的非线性图像滤波方法，主要用于去除噪声同时较好地保留图像边缘信息。

特点

• 优点：

  • 能有效去除椒盐噪声和脉冲噪声

  • 相比均值滤波，能更好地保留图像边缘

  • 对某些随机噪声也有不错的效果

  • 不会产生新的灰度值（保持原始像素值）

• 缺点：

  • 计算复杂度高于均值滤波（需要排序操作）

  • 对高斯噪声的去除效果不如均值滤波

  • 大窗口滤波可能导致细节丢失

应用场景

1. 医学图像处理（如X光片、CT图像去噪）

2. 去除文档图像中的斑点噪声

3. 监控视频中去除随机噪声

4. 任何需要保留边缘的去噪场合

3.高斯滤波

高斯滤波是一种基于高斯函数的线性平滑滤波器，广泛用于图像处理中的去噪和模糊操作。

特点

• 优点：

  • 有效去除高斯噪声

  • 相比均值滤波能更好地保留边缘

  • 具有各向同性特性（旋转对称）

  • 可调节σ值控制平滑程度

• 缺点：

  • 计算复杂度高于均值滤波

  • 对椒盐噪声效果不佳

  • 仍会导致一定程度的边缘模糊

应用场景

1. 图像预处理中的去噪

2. 计算机视觉中的特征提取前处理

3. 图像金字塔构建

4. 边缘检测前的平滑处理