圖像濾波演算法
① matlab 圖像演算法中，常見的濾波的運算元有哪些
平滑濾波（模糊）
高斯模糊濾波（模糊圖像）
中值濾波（消除高雜訊點）
拉普拉斯濾波（銳化）
其他還有雙邊濾波等
② matlab圖像去噪演算法里 均值濾波跟中值濾波降噪為什麼必須轉換成灰度圖像才可以處理
其實都可以對彩色圖像處理的，只是matlab裡面的實現不一致。均值濾波和中值濾波matlab函數只考慮了單通道當然就必須轉換成灰度圖像；小波降噪的matlab函數不知道你是用的那個，肯定也需要把三通道的彩色圖像先轉換成單通道，分別去噪以後再整合成彩色圖像。總的來說一般圖像去噪都是對單通道來處理的，因為大部分的filter都是對二維矩陣來操作的，要是對三通道處理也需要分別對不同的通道處理再整合。
③ 高斯濾波的演算法原理
高斯濾波實質上是一種信號的濾波器，其用途是信號的平滑處理，人們知道數字圖像用於後期應用，其雜訊是最大的問題，由於誤差會累計傳遞等原因，很多圖像處理教材會在很早的時候介紹Gauss濾波器，用於得到信噪比SNR較高的圖像（反應真實信號）。與此相關的有Gauss-Laplace變換，其實就是為了得到較好的圖像邊緣，先對圖像做Gauss平滑濾波，剔除雜訊，然後求二階導矢，用二階導的過零點確定邊緣，在計算時也是頻域乘積=>空域卷積。
濾波器就是建立的一個數學模型，通過這個模型來將圖像數據進行能量轉化，能量低的就排除掉，雜訊就是屬於低能量部分。
若使用理想濾波器，會在圖像中產生振鈴現象。採用高斯濾波器的話，系統函數是平滑的，避免了振鈴現象。
④ 誰會關於圖像濾波演算法的畢設，我這里有源代碼。找高手
我會`
⑤ 中值濾波演算法處理數字圖像，去除椒鹽雜訊，圖像變清晰，次數越多圖像越模糊，但是怎麼變回去呢求反過程
中值濾波是非線性的，這個過程不可逆，如果你非常了解中值濾波的原理，應該是知道的。
要是真的想要返回去的話，可以試一下為每次中值濾波後的數據開辟新的內存，想返回的話就從內存中提取前一步的數據。
⑥ 數字圖像處理中值濾波計算
用matlab
A=你的圖像矩陣
imshow(medfilt2(A,[3 3]))
其實口算也可以，把每一個像素和其八鄰域的像素排序，取中間那個值作為這個點的像素值。
⑦ 什麼是濾波演算法
卡爾曼濾波器（Kalman Filter）是一個最優化自回歸數據處理演算法（optimal recursive data processing algorithm）。對於解決很大部分的問題，他是最優，效率最高甚至是最有用的。他的廣泛應用已經超過30年，包括機器人導航，控制，感測器數據融合甚至在軍事方面的雷達系統以及導彈追蹤等等。近年來更被應用於計算機圖像處理，例如頭臉識別，圖像分割，圖像邊緣檢測等等。
最佳線性濾波理論起源於40年代美國科學家Wiener和前蘇聯科學家Kолмогоров等人的研究工作，後人統稱為維納濾波理論。從理論上說，維納濾波的最大缺點是必須用到無限過去的數據，不適用於實時處理。為了克服這一缺點，60年代Kalman把狀態空間模型引入濾波理論，並導出了一套遞推估計演算法，後人稱之為卡爾曼濾波理論。卡爾曼濾波是以最小均方誤差為估計的最佳准則，來尋求一套遞推估計的演算法，其基本思想是：採用信號與雜訊的狀態空間模型，利用前一時刻地估計值和現時刻的觀測值來更新對狀態變數的估計，求出現時刻的估計值。它適合於實時處理和計算機運算。
現設線性時變系統的離散狀態防城和觀測方程為：
X(k) = F(k,k-1)·X(k-1)+T(k,k-1)·U(k-1)
Y(k) = H(k)·X(k)+N(k)
其中
X(k)和Y(k)分別是k時刻的狀態矢量和觀測矢量
F(k,k-1)為狀態轉移矩陣
U(k)為k時刻動態雜訊
T(k,k-1)為系統控制矩陣
H(k)為k時刻觀測矩陣
N(k)為k時刻觀測雜訊
則卡爾曼濾波的演算法流程為：
預估計X(k)^= F(k,k-1)·X(k-1)
計算預估計協方差矩陣
C(k)^=F(k,k-1)×C(k)×F(k,k-1)'+T(k,k-1)×Q(k)×T(k,k-1)'
Q(k) = U(k)×U(k)'
計算卡爾曼增益矩陣
K(k) = C(k)^×H(k)'×[H(k)×C(k)^×H(k)'+R(k)]^(-1)
R(k) = N(k)×N(k)'
更新估計
X(k)~=X(k)^+K(k)×[Y(k)-H(k)×X(k)^]
計算更新後估計協防差矩陣
C(k)~ = [I-K(k)×H(k)]×C(k)^×[I-K(k)×H(k)]'+K(k)×R(k)×K(k)'
X(k+1) = X(k)~
C(k+1) = C(k)~
⑧ 圖像處理中為什麼高斯平滑叫低通濾波。（最好有圖和計算 詳細解釋）
關鍵一點:高斯函數的傅里葉變換還是高斯函數。所以在時域與高斯坐卷積相當於頻域相乘一個高斯函數。然後才是樓上的解釋。
⑨ 圖像濾波的作用，研究的意義是什麼
圖像濾波
剛獲得的圖像有很多噪音。這主要由於平時的工作和環境引起的，圖像增強是減弱噪音，增強對比度。想得到比較干凈清晰的圖像並不是容易的事情。為這個目標而為處理圖像所涉及的操作是設計一個適合、匹配的濾波器和恰當的閾值。常用的有高斯濾波、均值濾波、中值濾波、最小均方差濾波、Gabor濾波。
由於高斯函數的傅立葉變換仍是高斯函數, 因此高斯函數能構成一個在頻域具有平滑性能的低通濾波器。可以通過在頻域做乘積來實現高斯濾波。均值濾波是對是對信號進行局部平均, 以平均值來代表該像素點的灰度值。矩形濾波器(Averaging Box Filter)對這個二維矢量的每一個分量進行獨立的平滑處理。通過計算和轉化 ,得到一幅單位矢量圖。這個 512×512的矢量圖被劃分成一個 8×8的小區域 ,再在每一個小區域中 ,統計這個區域內的主要方向 ,亦即將對該區域內點方向數進行統計,最多的方向作為區域的主方向。於是就得到了一個新的64×64的矢量圖。這個新的矢量圖還可以採用一個 3×3模板進行進一步的平滑。
中值濾波是常用的非線性濾波方法 ,也是圖像處理技術中最常用的預處理技術。它在平滑脈沖雜訊方面非常有效,同時它可以保護圖像尖銳的邊緣。加權中值濾波能夠改進中值濾波的邊緣信號保持效果。但對方向性很強的指紋圖像進行濾波處理時 ,有必要引入方向信息,即利用指紋方向圖來指導中值濾波的進行。
最小均方差濾波器,亦稱維納濾波器,其設計思想是使輸入信號乘響應後的輸出,與期望輸出的均方誤差為最小。
Gabor變換是英國物理學家 Gabor提出來的,由「測不準原理」可知,它具有最小的時頻窗,即Gabor函數能做到具有最精確的時間-頻率的局部化；另外, Gabor函數與哺乳動物的視覺感受野相當吻合,這一點對研究圖像特徵檢測或空間頻率濾波非常有用。恰當的選擇其參數, Gabor變換可以出色地進行圖像分割、識別與理解。如文獻提出的基於Gabor濾波器的增強演算法。
⑩ 圖像處理的演算法有哪些
圖像處理基本演算法操作從處理對象的多少可以有如下劃分：
一）點運算：處理點單元信息的運算
二）群運算：處理群單元 （若干個相鄰點的集合）的運算
1.二值化操作
圖像二值化是圖像處理中十分常見且重要的操作，它是將灰度圖像轉換為二值圖像或灰度圖像的過程。二值化操作有很多種，例如一般二值化、翻轉二值化、截斷二值化、置零二值化、置零翻轉二值化。
2.直方圖處理
直方圖是圖像處理中另一重要處理過程，它反映圖像中不同像素值的統計信息。從這句話我們可以了解到直方圖信息僅反映灰度統計信息，與像素具體位置沒有關系。這一重要特性在許多識別類演算法中直方圖處理起到關鍵作用。
3.模板卷積運算
模板運算是圖像處理中使用頻率相當高的一種運算，很多操作可以歸結為模板運算，例如平滑處理，濾波處理以及邊緣特徵提取處理等。這里需要說明的是模板運算所使用的模板通常說來就是NXN的矩陣（N一般為奇數如3,5,7,...），如果這個矩陣是對稱矩陣那麼這個模板也稱為卷積模板，如果不對稱則是一般的運算模板。我們通常使用的模板一般都是卷積模板。如邊緣提取中的Sobel運算元模板。