見圖像傳統(tǒng)處理算法-邊緣檢測(cè)-分割-增強(qiáng)-降噪

一、邊緣檢測(cè)邊緣檢測(cè)的幾種微分算子：一階微分算子：Roberts、Sobel、Prewitt二階微分算子：Laplacian、Log/Marr非微分算子：Canny一階微分算子1.Roberts:沒(méi)有經(jīng)過(guò)圖像平滑處理，圖像噪聲無(wú)法得到較好的抑制，但圖像邊緣定位精度較高。2.Sobel：引入了類似局部平均的運(yùn)算，對(duì)噪聲有平滑作用，能很好的消除噪聲的影響。與Prewitt比，Sobel對(duì)像素位置做了加權(quán)，可以降低邊緣模糊程度。3.Prewitt：去掉部分偽邊緣，對(duì)噪聲有平滑作用。如何計(jì)算邊緣幅值與方向呢？以Sobel為例，3*3Sobel兩個(gè)方向的算子在圖像上滑動(dòng)，模板與其覆蓋的圖像3*3區(qū)域的9個(gè)像素進(jìn)行卷積，求和后得到此方向的邊緣檢測(cè)幅值。二階微分算子1.Laplacian拉普拉斯算子數(shù)學(xué)公式：2.Log/Marr邊緣檢測(cè)是先進(jìn)行高斯濾波，再進(jìn)行拉普拉斯算子進(jìn)行檢測(cè)，最后通過(guò)找過(guò)零點(diǎn)來(lái)確定邊緣位置。非微分算子：Canny使用Canny算子的邊緣檢測(cè)過(guò)程如下：*RGB圖像轉(zhuǎn)化為灰度圖像；*對(duì)圖像進(jìn)行高斯濾波；*利用canny算子（圖像四個(gè)方向：水平、垂直、對(duì)角）計(jì)算圖像梯度，根據(jù)**梯度計(jì)算圖像邊緣幅度；*非極大值抑制，得到真正的邊緣->細(xì)化；*雙閾值邊緣提??；*結(jié)果二值化顯示。二、圖像分割傳統(tǒng)圖像分割算法1.基于閾值的分割方法閾值法的基本思想是基于圖像的灰度特征計(jì)算一個(gè)或多個(gè)灰度閾值，并將圖像中每個(gè)像素的灰度值與閾值作比較，最后將像素根據(jù)比較結(jié)果分到合適的類別中。因此，該方法最為關(guān)鍵的一步就是按照某個(gè)準(zhǔn)則函數(shù)來(lái)求解最佳灰度閾值。閥值分割方法的優(yōu)缺點(diǎn)：計(jì)算簡(jiǎn)單，效率較高；只考慮像素點(diǎn)灰度值本身的特征，一般不考慮空間特征，因此對(duì)噪聲比較敏感，魯棒性不高。2.基于區(qū)域的分割方法基于區(qū)域的分割方法是以直接尋找區(qū)域?yàn)榛A(chǔ)的分割技術(shù)，基于區(qū)域提取方法有兩種基本形式：一種是區(qū)域生長(zhǎng)，從單個(gè)像素出發(fā)，逐步合并以形成所需要的分割區(qū)域；另一種是從全局出發(fā)，逐步切割至所需的分割區(qū)域。區(qū)域生長(zhǎng)：區(qū)域生長(zhǎng)是從一組代表不同生長(zhǎng)區(qū)域的種子像素開始，接下來(lái)將種子像素鄰域里符合條件的像素合并到種子像素所代表的生長(zhǎng)區(qū)域中，并將新添加的像素作為新的種子像素繼續(xù)合并過(guò)程，知道找不到符合條件的新像素為止。該方法的關(guān)鍵是選擇合適的初始種子像素以及合理的生長(zhǎng)準(zhǔn)則。區(qū)域生長(zhǎng)算法需要解決的三個(gè)問(wèn)題：（1）選擇或確定一組能正確代表所需區(qū)域的種子像素；（2）確定在生長(zhǎng)過(guò)程中能將相鄰像素包括進(jìn)來(lái)的準(zhǔn)則；（3）指定讓生長(zhǎng)過(guò)程停止的條件或規(guī)則。區(qū)域分裂合并：區(qū)域生長(zhǎng)是從某個(gè)或者某些像素點(diǎn)出發(fā)，最終得到整個(gè)區(qū)域，進(jìn)而實(shí)現(xiàn)目標(biāo)的提取。而分裂合并可以說(shuō)是區(qū)域生長(zhǎng)的逆過(guò)程，從整幅圖像出發(fā)，不斷的分裂得到各個(gè)子區(qū)域，然后再把前景區(qū)域合并，得到需要分割的前景目標(biāo)，進(jìn)而實(shí)現(xiàn)目標(biāo)的提取。區(qū)域分裂合并算法優(yōu)缺點(diǎn)：（1）對(duì)復(fù)雜圖像分割效果好；（2）算法復(fù)雜，計(jì)算量大；（3）分裂有可能破怪區(qū)域的邊界。分水嶺算法：是一種基于拓?fù)淅碚摰臄?shù)學(xué)形態(tài)學(xué)的分割方法，其基本思想是把圖像看作是測(cè)地學(xué)上的拓?fù)涞孛?，圖像中每一點(diǎn)像素的灰度值表示該點(diǎn)的海拔高度，每一個(gè)局部極小值及其影響區(qū)域稱為集水盆，而集水盆的邊界則形成分水嶺。分水嶺對(duì)微弱邊緣具有良好的響應(yīng)，圖像中的噪聲、物體表面細(xì)微的灰度變化都有可能產(chǎn)生過(guò)度分割的現(xiàn)象，但是這也同時(shí)能夠保證得到封閉連續(xù)邊緣。3.基于邊緣檢測(cè)的分割方法基于邊緣檢測(cè)的圖像分割算法試圖通過(guò)檢測(cè)包含不同區(qū)域的邊緣來(lái)解決分割問(wèn)題。通常不同區(qū)域的邊界上像素的灰度值變化比較劇烈，如果將圖片從空間域通過(guò)傅里葉變換到頻率域，邊緣就對(duì)應(yīng)著高頻部分，這是一種非常簡(jiǎn)單的邊緣檢測(cè)算法。邊緣檢測(cè)的優(yōu)缺點(diǎn)：（1）邊緣定位準(zhǔn)確；（2）速度快；（3）不能保證邊緣的連續(xù)性和封閉性；（4）在高細(xì)節(jié)區(qū)域存在大量的碎邊緣，難以形成一個(gè)大區(qū)域，但是又不宜將高細(xì)節(jié)區(qū)域分成小碎片；由于上述的（3）（4）兩個(gè)難點(diǎn)，邊緣檢測(cè)只能產(chǎn)生邊緣點(diǎn)，而非完整意義上的圖像分割過(guò)程。這也就是說(shuō)，在邊緣點(diǎn)信息獲取到之后還需要后續(xù)的處理或者其他相關(guān)算法相結(jié)合才能完成分割任務(wù)。在以后的研究當(dāng)中，用于提取初始邊緣點(diǎn)的自適應(yīng)閾值選取、用于圖像的層次分割的更大區(qū)域的選取以及如何確認(rèn)重要邊緣以去除假邊緣將變得非常重要。4.基于主動(dòng)輪廓模型的分割方法在實(shí)現(xiàn)主動(dòng)輪廓模型時(shí)，可以靈活的選擇約束力、初始輪廓和作用域等，以得到更佳的分割效果。利用曲線演化來(lái)檢測(cè)目標(biāo)的一類方法，基于此可以得到精確的邊緣信息。其基本思想是，先定義初始曲線C，然后根據(jù)圖像數(shù)據(jù)得到能量函數(shù)，通過(guò)最小化能量函數(shù)來(lái)引發(fā)曲線變化，使其向目標(biāo)邊緣逐漸逼近，最終找到目標(biāo)邊緣。這種動(dòng)態(tài)逼近方法所求得的邊緣曲線具有封閉、光滑等優(yōu)點(diǎn)。5.基于深度學(xué)習(xí)的分割方法（簡(jiǎn)單介紹）A、基于特征編碼在特征提取領(lǐng)域中VGG和ResNet是兩個(gè)非常有統(tǒng)治力的方法。VGG通過(guò)反復(fù)地堆疊3*3的小型卷積核和2*2的最大池化層，構(gòu)建了16~19層的深度神經(jīng)網(wǎng)絡(luò)。幾點(diǎn)說(shuō)明：*感受野很小的濾波器：3×3（這是捕獲左/右，上/下，中心概念的最小尺寸）。*1×1卷積濾波器，可以看作輸入通道的線性變換（后面加relu的是非線性）。*卷積步長(zhǎng)固定為1個(gè)像素；卷積層輸入的空間填充要滿足卷積之后保留空間分辨率，即3×3卷積層的填充為1個(gè)像素。*空間池化由五個(gè)最大池化層進(jìn)行，這些層在一些卷積層之后（不是所有的卷**積層之后都是最大池化）。在2×2像素窗口上進(jìn)行最大池化，步長(zhǎng)為2。之后是三個(gè)全連接（FC）層。*最后一層是soft-max層。所有網(wǎng)絡(luò)中全連接層的配置是相同的。*在多個(gè)遷移學(xué)習(xí)任務(wù)中的表現(xiàn)要優(yōu)于googLeNet。而且，從圖像中提取CNN特征，VGG模型是首選算法。

*雖然網(wǎng)絡(luò)層數(shù)加深，但VGG在訓(xùn)練的過(guò)程中比AlexNet收斂的要快一些，主要因?yàn)椋?/p>

（1）使用小卷積核和更深的網(wǎng)絡(luò)進(jìn)行的正則化；

（2）在特定的層使用了預(yù)訓(xùn)練得到的數(shù)據(jù)進(jìn)行參數(shù)的初始化。理解1*1卷積核的作用（1）采用非線性激活函數(shù)可以提高模型的非線性能力；（2）專注于跨通道的特征組合；（3）對(duì)featuremap在channel層級(jí)進(jìn)行降維或升維。？ResNetResnet出現(xiàn)的背景：深度學(xué)習(xí)網(wǎng)絡(luò)在堆疊到一定深度的時(shí)候會(huì)出現(xiàn)梯度消失的現(xiàn)象，導(dǎo)致誤差升高效果變差，后向傳播時(shí)無(wú)法將梯度反饋到前面的網(wǎng)絡(luò)層，使得前方的網(wǎng)絡(luò)層的參數(shù)難以更新，訓(xùn)練效果變差。梯度消失或者梯度爆炸解決方案：對(duì)輸入數(shù)據(jù)和中間層的數(shù)據(jù)進(jìn)行歸一化（BN）操作，這種方法可以保證網(wǎng)絡(luò)在反向傳播中采用隨機(jī)梯度下降（SGD），從而讓網(wǎng)絡(luò)達(dá)到收斂。不退化不是我們的目的，我們希望有更好性能的網(wǎng)絡(luò)。

resnet學(xué)習(xí)的是殘差函數(shù)F(x)=H(x)-x,這里如果F(x)=0,那么就是上面提到的恒等映射。事實(shí)上，resnet是“shortcutconnections”的在connections是在恒等映射下的特殊情況，它沒(méi)有引入額外的參數(shù)和計(jì)算復(fù)雜度。通過(guò)使用ResNetUnit成功訓(xùn)練出了152層的神經(jīng)網(wǎng)絡(luò)。Resnet核心：對(duì)殘差塊做了計(jì)算優(yōu)化，即將兩個(gè)3x3的卷積層替換為1x1+3x3+1x1,如下圖。新結(jié)構(gòu)中的中間3x3的卷積層首先在一個(gè)降維1x1卷積層下減少了計(jì)算，然后在另一個(gè)1x1的卷積層下做了還原，既保持了精度又減少了計(jì)算量。ResNet的優(yōu)缺點(diǎn)：1）引入了全新的網(wǎng)絡(luò)結(jié)構(gòu)（殘差學(xué)習(xí)模塊），形成了新的網(wǎng)絡(luò)結(jié)構(gòu)，可以使網(wǎng)絡(luò)盡可能地加深；2）使得前饋/反饋傳播算法能夠順利進(jìn)行，結(jié)構(gòu)更加簡(jiǎn)單；3）恒等映射地增加基本上不會(huì)降低網(wǎng)絡(luò)的性能；4）建設(shè)性地解決了網(wǎng)絡(luò)訓(xùn)練的越深，誤差升高，梯度消失越明顯的問(wèn)題；5）由于ResNet搭建的層數(shù)眾多，所以需要的訓(xùn)練時(shí)間也比平常網(wǎng)絡(luò)要長(zhǎng)。B、基于區(qū)域選擇（regionalproposalbased）Regionalproposal在計(jì)算機(jī)視覺(jué)領(lǐng)域是一個(gè)非常常用的算法，尤其是在目標(biāo)檢測(cè)領(lǐng)域。其核心思想就是檢測(cè)顏色空間和相似矩陣，根據(jù)這些來(lái)檢測(cè)待檢測(cè)的區(qū)域。然后根據(jù)檢測(cè)結(jié)果可以進(jìn)行分類預(yù)測(cè)。StageⅠ：R-CNNStageⅡ：FastR-CNN：目標(biāo)檢測(cè)StageⅢ：FasterR-CNN:目標(biāo)檢測(cè)StageⅣ：MaskR-CNN:主要完成了三件事情：目標(biāo)檢測(cè)，目標(biāo)分類，像素級(jí)分割。StageⅤ：MaskScoringR-CNNC.基于RNN的圖像分割在語(yǔ)義分割領(lǐng)域，基于區(qū)域選擇的幾個(gè)算法主要是由前人的有關(guān)于目標(biāo)檢測(cè)的工作漸漸延伸到語(yǔ)義分割的領(lǐng)域的.ReSeg模型MDRNNs（Multi-DimensionalRecurrentNeuralNetworks）模型D.基于上采樣/反卷積的分割方法FCN:在FCN當(dāng)中的反卷積-升采樣結(jié)構(gòu)中，圖片會(huì)先進(jìn)性上采樣（擴(kuò)大像素）；再進(jìn)行卷積——通過(guò)學(xué)習(xí)獲得權(quán)值。優(yōu)缺點(diǎn)：*FCN對(duì)圖像進(jìn)行了像素級(jí)的分類，從而解決了語(yǔ)義級(jí)別的圖像分割問(wèn)題；*FCN可以接受任意尺寸的輸入圖像，可以保留下原始輸入圖像中的空間信息；*得到的結(jié)果由于上采樣的原因比較模糊和平滑，對(duì)圖像中的細(xì)節(jié)不敏感；*對(duì)各個(gè)像素分別進(jìn)行分類，沒(méi)有充分考慮像素與像素的關(guān)系，缺乏空間一致性。SetNet：旨在解決自動(dòng)駕駛或者智能機(jī)器人的圖像語(yǔ)義分割深度網(wǎng)絡(luò)，SegNet基于FCN，與FCN的思路十分相似，只是其編碼-解碼器和FCN的稍有不同，其解碼器中使用去池化對(duì)特征圖進(jìn)行上采樣，并在分各種保持高頻細(xì)節(jié)的完整性；而編碼器不使用全連接層，因此是擁有較少參數(shù)的輕量級(jí)網(wǎng)絡(luò)：SetNet的優(yōu)缺點(diǎn)：*保存了高頻部分的完整性；*網(wǎng)絡(luò)不笨重，參數(shù)少，較為輕便；*對(duì)于分類的邊界位置置信度較低；*對(duì)于難以分辨的類別，例如人與自行車，兩者如果有相互重疊，不確定性會(huì)增加。三、圖像增強(qiáng)圖像增強(qiáng)算法常見于對(duì)圖像的亮度、對(duì)比度、飽和度、色調(diào)等進(jìn)行調(diào)節(jié)，增加其清晰度，減少噪點(diǎn)等。增強(qiáng)往往經(jīng)過(guò)多個(gè)算法的組合，完成上述功能，比如圖像去燥等同于低通濾波器，增加清晰度則為高通濾波器，當(dāng)然增強(qiáng)一副圖像是為最后獲取圖像有用信息服務(wù)為主。一般的算法流程可為：圖像去燥（低通濾波器）增加清晰度（對(duì)比度）（高通濾波器）灰度化或者獲取圖像邊緣特征或者對(duì)圖像進(jìn)行卷積、二值化等1.直方圖均衡化

圖像對(duì)比度增強(qiáng)的方法可以分為兩種：直接對(duì)比度增強(qiáng)方法，間接對(duì)比度增強(qiáng)方法。直方圖拉伸和直方圖均衡化是常見的間接對(duì)比度增強(qiáng)方法。直方圖拉伸是利用對(duì)比度拉伸對(duì)直方圖進(jìn)行調(diào)整，擴(kuò)大前景和背景灰度的差別。直方圖均衡化則是利用累積函數(shù)對(duì)灰度值進(jìn)行調(diào)整，實(shí)現(xiàn)對(duì)比度的增強(qiáng)。直方圖均衡化處理原理：將原始圖像的灰度圖從比較集中的某個(gè)灰度區(qū)間均勻分布在整個(gè)灰度空間中，實(shí)現(xiàn)對(duì)圖像的非線性拉伸，重新分配圖像像素值。算法的本質(zhì)是重新分布圖像的像素值。增加了許多局部的對(duì)比度，整體的對(duì)比度沒(méi)有進(jìn)行太大改變，所以應(yīng)用圖像為圖像有用數(shù)據(jù)的對(duì)比度相近時(shí)，例如：X光圖像，可以將曝光過(guò)度或曝光不足照片進(jìn)行更好的顯示，或者是背景及前景太亮或太暗的圖像非常有用。算法當(dāng)然也有缺點(diǎn)，具體表現(xiàn)為：變換后的圖像灰度級(jí)減少，某些細(xì)節(jié)減少；某些圖像有高峰值，則處理后對(duì)比度不自然的過(guò)分增強(qiáng)。算法偽代碼：1、計(jì)算原始灰度圖像的像素概率分布2、根據(jù)像素概率分布獲取圖像累積分布函數(shù)3、根據(jù)映射函數(shù)(均衡化)獲取變換后的圖像2.基于拉普拉斯算子的圖像增強(qiáng)利用拉普拉斯算子進(jìn)行圖像增強(qiáng)本質(zhì)是利用圖像的二次微分對(duì)圖像進(jìn)行銳化，在圖像領(lǐng)域中微分是銳化，積分是模糊，利用二次微分對(duì)圖像進(jìn)行銳化即利用鄰域像素提高對(duì)比度。3.基于Log變換的圖像增強(qiáng)對(duì)數(shù)變換可以將圖像的低灰度值部分?jǐn)U展，顯示出低灰度部分更多的細(xì)節(jié)，將其高灰度值部分壓縮，減少高灰度值部分的細(xì)節(jié)，從而達(dá)到強(qiáng)調(diào)圖像低灰度部分的目的。變換方法：對(duì)于不同的底數(shù)，底數(shù)越大，對(duì)低灰度部分的擴(kuò)展就越強(qiáng)，對(duì)高灰度部分的壓縮也就越強(qiáng)。4.基于伽馬變換的圖像增強(qiáng)伽馬變換主要用于圖像的校正，將灰度過(guò)高或者灰度過(guò)低的圖片進(jìn)行修正，增強(qiáng)對(duì)比度。變換公式就是對(duì)原圖像上每一個(gè)像素值做乘積運(yùn)算：伽馬變換對(duì)圖像的修正作用其實(shí)就是通過(guò)增強(qiáng)低灰度或高灰度的細(xì)節(jié)實(shí)現(xiàn)的。γ值以1為分界，值越小，對(duì)圖像低灰度部分的擴(kuò)展作用就越強(qiáng)，值越大，對(duì)圖像高灰度部分的擴(kuò)展作用就越強(qiáng)，通過(guò)不同的γ值，就可以達(dá)到增強(qiáng)低灰度或高灰度部分細(xì)節(jié)的作用。伽馬變換對(duì)于圖像對(duì)比度偏低，并且整體亮度值偏高（對(duì)于于相機(jī)過(guò)曝）情況下的圖像增強(qiáng)效果明顯。四、圖像降噪圖像預(yù)處理算法的好壞直接關(guān)系到后續(xù)圖像處理的效果，如圖像分割、目標(biāo)識(shí)別、邊緣提取等，為了獲取高質(zhì)量的數(shù)字圖像，很多時(shí)候都需要對(duì)圖像進(jìn)行降噪處理，盡可能的保持原始信息完整性（即主要特征）的同時(shí)，又能夠去除信號(hào)中無(wú)用的信息。一般的圖像處理，微小的細(xì)節(jié)對(duì)圖像降噪的后續(xù)處理程序影響不太明顯，但是當(dāng)處理對(duì)象為醫(yī)學(xué)圖像時(shí)，這樣的小失誤是不被允許的，因?yàn)樵卺t(yī)療診斷或治療中，每一個(gè)微小的失誤都會(huì)影響醫(yī)師的治療方法甚至威脅到患者的生命。這就要求更多的研究者來(lái)投入時(shí)間和精力研究新的降噪技術(shù)，以達(dá)到降噪并同時(shí)仍能保留足夠細(xì)節(jié)信息的目的。目前常用的圖像去噪算法大體上可非為兩類，即空域像素特征去噪算法和變換域去噪算法。前者是直接地在圖像空間中進(jìn)行的處理，后者是間接地在圖像變換域中進(jìn)行處理。什么是隨機(jī)噪聲呢？相比于圖像的真實(shí)信號(hào)來(lái)說(shuō)隨機(jī)噪聲就是一種或高或低呈現(xiàn)出不確定變化的一種信號(hào)，如下圖所示虛線代表真實(shí)信號(hào)，紅藍(lán)線表示的就是隨機(jī)噪聲信號(hào)，所有的隨機(jī)噪聲信號(hào)求和后結(jié)果為0。由于這個(gè)零和特點(diǎn)，目前幾乎所有的空域降噪算法都是基于這個(gè)理論為出發(fā)點(diǎn)來(lái)進(jìn)行降噪處理的?？沼蛳袼靥卣魅ピ胨惴ɑ诳沼蛳袼靥卣鞯姆椒?，是通過(guò)分析在一定大小的窗口內(nèi)，中心像素與其他相鄰像素之間在灰度空間的直接聯(lián)系，來(lái)獲取新的中心像素值的方法，因此往往都會(huì)存在一個(gè)典型的輸入?yún)?shù)，即濾波半徑r。此濾波半徑可能被用于在該局部窗口內(nèi)計(jì)算像素的相似性，也可能是一些高斯或拉普拉斯算子的計(jì)算窗口。在鄰域?yàn)V波方法里面，最具有代表性的濾波方法有以下幾種：(1)算術(shù)均值濾波與高斯濾波算術(shù)均值濾波用像素鄰域的平均灰度來(lái)代替像素值，適用于脈沖噪聲，因?yàn)槊}沖噪聲的灰度級(jí)一般與周圍像素的灰度級(jí)不相關(guān)，而且亮度高出其他像素許多。均值濾波結(jié)果A'(i,j)隨著L（濾波半徑）取值的增大而變得越來(lái)越模糊，圖像對(duì)比度越來(lái)越小。經(jīng)過(guò)均值處理之后，噪聲部分被弱化到周圍像素點(diǎn)上，所得到的結(jié)果是噪聲幅度減小，但是噪聲點(diǎn)的顆粒面積同時(shí)變大，所以污染面積反而增大。為了解決這個(gè)問(wèn)題，可以通過(guò)設(shè)定閾值，比較噪聲和鄰域像素灰度，只有當(dāng)差值超過(guò)一定閾值時(shí)，才被認(rèn)為是噪聲。不過(guò)閾值的設(shè)置需要考慮圖像的總體特性和噪聲特性，進(jìn)行統(tǒng)計(jì)分析。高斯濾波矩陣的權(quán)值，隨著與中心像素點(diǎn)的距離增加，而呈現(xiàn)高斯衰減的變換特性。這樣的好處在于，離算子中心很遠(yuǎn)的像素點(diǎn)的作用很小，從而能在一定程度上保持圖像的邊緣特征。通過(guò)調(diào)節(jié)高斯平滑參數(shù)，可以在圖像特征過(guò)分模糊和欠平滑之間取得折中。與均值濾波一樣，高斯平滑濾波的尺度因子越大，結(jié)果越平滑，但由于其權(quán)重考慮了與中心像素的距離，因此是更優(yōu)的對(duì)鄰域像素進(jìn)行加權(quán)的濾波算法。(2)統(tǒng)計(jì)中值濾波中值濾波首先確定一個(gè)濾波窗口及位置（通常含有奇數(shù)個(gè)像素），然后將窗口內(nèi)的像素值按灰度大小進(jìn)行排序，最后取其中位數(shù)代替原窗口中心的像素值。無(wú)論是中值濾波還是加權(quán)濾波，兩者受窗口的尺寸大小影響非常大。一種對(duì)中值濾波的改進(jìn)是自適應(yīng)中值濾波，它首先判斷窗口內(nèi)部的中心像素是否是一個(gè)脈沖，如果不是，則輸出標(biāo)準(zhǔn)中值濾波的結(jié)果；如果是，則通過(guò)繼續(xù)增大窗口濾波尺寸來(lái)尋找非脈沖的中值，因此該方法相比較原始的統(tǒng)計(jì)中值濾波器，在保持清晰度和細(xì)節(jié)方面更優(yōu)。(3)雙邊濾波這是一種非線性的保邊濾波方法，是結(jié)合圖像的空間鄰近度和像素值相似度的一種折中處理，同時(shí)考慮空域信息和灰度相似性，達(dá)到保邊去噪的目的。具有簡(jiǎn)單、非迭代、局部的特點(diǎn)。雙邊濾波器之所以可以達(dá)到保邊去噪的效果，是因?yàn)闉V波器是由兩個(gè)函數(shù)構(gòu)成。一個(gè)函數(shù)是由幾何空間距離決定濾波器系數(shù)。另一個(gè)由像素差值決定濾波器系數(shù)。(4)引導(dǎo)濾波（guidedfilter）(5)NLM（Non-Localmeans）算法前面基于鄰域像素的濾波方法，基本上只考慮了有限窗口范圍內(nèi)的像素灰度值信息，沒(méi)有考慮該窗口范圍內(nèi)像素的統(tǒng)計(jì)信息如方差，也沒(méi)有考慮整個(gè)圖像的像素分布特性，和噪聲的先驗(yàn)知識(shí)。針對(duì)其局限性，NLM算法被提出，該算法使用自然圖像中普遍存在的冗余信息來(lái)去噪聲。與常用的雙線性濾波、中值濾波等利用圖像局部信息來(lái)濾波不同的是，它利用了整幅圖像來(lái)進(jìn)行去噪，以圖像塊為單位在圖像中尋找相似區(qū)域，再對(duì)這些區(qū)域求平均，能夠比較好地去掉圖像中存在的高斯噪聲。變換域去噪算法圖像變換域去噪算法的基本思想其實(shí)就是首先進(jìn)行某種變換，將圖像從空間域轉(zhuǎn)換到變換域，然后從頻率上把噪聲分為高中低頻噪聲，用這種變換域的方法就可以把不同頻率的噪聲分離，之后進(jìn)行反變換將圖像從變換域轉(zhuǎn)換到原始空間域，最終達(dá)到去除圖像噪聲的目的。圖像從空間域轉(zhuǎn)換到變換域的方法很多，其中最具代表性的有傅里葉變換、離散余弦變換、小波變換以及多尺度幾何分析方法等。BM3D空域中NLM算法和變換域中小波萎縮法效果都很好。BM3D就是融合了spatialdenoise和tranformdenoise，從而可以得到最高的峰值信噪比。它先吸取了NLM中的計(jì)算相似塊的方法，然后又融合了小波變換域去噪的方法。BM3D算法總共有兩大步驟，分為基礎(chǔ)估計(jì)（Step1）和最終估計(jì)（Step2）。在這兩大步中，分別又有三小步：相似塊分組，協(xié)同濾波和聚合。Stpe1：基礎(chǔ)估計(jì)(