博客:博客園 | CSDN | blog
寫在前面
在計算機視覺中,濾波(filtering)是指
Image filtering: compute function of local neighborhood at each position.
—— from CAP5415–Fall 2014-Lecture 2 (08/21/2014)–Filtering
In the broadest sense of the term “filtering”, the value of the filtered image at a given location is a function of the values of the input image in a small neighborhood of the same location.
濾波本質上是一種特殊的函數,其作用在圖像的每個位置,通過定義的計算方式得到輸出,輸出的值用於替換圖像當前位置(濾波器中心)的值。
令濾波函數爲 ,其中爲圖像的局部鄰域,爲濾波器的權重,濾波器可以分成如下3類,
- 線性濾波器(Linear filter):線性濾波的輸出爲輸入的線性組合,即,線性濾波器最爲常見;
- 非線性濾波器(Non-Linear Filter):不滿足上條性質的爲非線性濾波,典型的非線性濾波如最大值/最小值/中值濾波、膨脹/腐蝕等;
- 自適應濾波器(Adaptive filter):線性濾波中的在滑動過程中固定不變(與圖像內容獨立無關),自適應濾波的在滑動過程中會隨着窗口內像素的性質和結構發生變化。直覺上,自適應濾波器在某些複雜情況下可能取得更好的效果,但相對線性濾波器,其計算代價更高也更難優化加速。
從濾波目的或者解決的問題上,也可分成3類:
- 圖像處理:並不想從圖像中提取信息,只想將圖像轉換成期望的樣子;
- 特徵提取:想從圖像中提取到某些信息,比如梯度、二階導、紋理等;
- 模式檢測:想知道圖像局部長什麼樣子,像哪種模式,比如模板匹配、稀疏表示等;
這兩種分類方式並不是割裂的,而是互相交叉的,用於圖像處理的濾波器也有線性、非線性、自適應之分。
Padding
濾波操作不可避免的一個問題是邊界如何處理,當濾波器的中心壓在圖像邊界處時,濾波器會有一部分落在圖像外,但圖像外並沒有像素,該如何處理?通常需要對圖像進行填充(padding),填充需要解決2個問題,填充的元素取什麼值以及填充多少個元素。
對於延拓元素的取值,通常有4種方式,
- 常數填充(0填充):填充的元素取相同的常數值
- 週期填充(circular):認爲圖像的上下左右被與自身相同的圖像包圍着
- 複製填充(replicate):複製圖像邊界的元素
- 對稱填充(symmetric):填充的元素與圖像關於邊界對稱
4種填充方式依次如下圖所示,
對於填充多少個元素,通常有3種方式,令濾波器的大小爲$g\times g $ ,圖像大小爲 ,
- full:邊界分別填充個元素,濾波結果爲,比原圖大
- same:邊界分別填充個元素,濾波結果爲,與原圖大小相同
- valid:邊界不填充,濾波結果爲,比原圖小
濾波雜談
-
基本假設:局部相關性(遠處無關)、局部相似(edge處不滿足)、噪聲隨機
-
靜止圖像的去噪,若能獲得圖像序列,可以在時域上濾波(均值、中值等);單張圖像在空域上濾波。
-
椒鹽噪聲用中值濾波。椒鹽噪聲會隨機地將像素置爲黑或白,在實踐中,會大幅改變像素值的噪聲一般採用中值濾波都是有效的。
-
非椒鹽噪聲,均值爲0的隨機噪聲(高斯噪聲),可通過moving average濾波。
-
與圖像內容耦合的噪聲,可能需要依賴先驗知識,採用合適的自適應濾波器,更多內容可以查看參考鏈接。
-
平滑相當於低通、銳化相當於高通、不同平滑半徑的差相當於帶通。
-
濾波的加速可以考慮:濾波器是否行列可分離、緩存不必要的重複計算、近似計算、SIMD等。
-
差分算子對噪聲敏感,所以差分前通常要先平滑。
-
考慮到噪聲,求梯度前通常要先(高斯)平滑再使用差分算子,sobel算子可以看成是DoG(Derivative of Gaussian)的近似,可以拆分成平滑和差分,如下所示,所以可以用sobel求梯度。
-
考慮到噪聲,求二階導前通常也要先(高斯)平滑再使用拉普拉斯算子,兩者合在一起即LoG(Laplacian of Gaussian),即對高斯求二階導再離散採樣,通常可以用**DoG(Difference of Gaussian)**即兩個不同size高斯核的差近似,詳見Laplacian/Laplacian of Gaussian,其中Laplacian算子爲
-
模式檢測需要根據期望探測的模式來定義filter,因爲不同場景需要檢測的模式不同,所以filter也多種多樣。反映模式的filter可以根據領域知識來人工定義、可以通過SOM(Self Organizing Map)無監督生成、也可以像CNN那樣通過數據驅動有監督學習得到。比如,模板匹配中的模板爲filter,相似度函數爲濾波的計算方法;稀疏表示中字典的每一列都是filter,像gabor小波字典,通過相關運算計算與每個filter的相似程度,從而知道每個圖像局部“長什麼樣子”。