静止图像的一种自适应平滑滤波算法1
拉普拉斯算子可用于图像的平滑处理
拉普拉斯算子可用于图像的平滑处理
拉普拉斯算子是一种用于图像处理的算子，它可以用来对图像进行平滑处理。
拉普拉斯算子最初是由法国数学家和物理学家费米在1782年提出的，它是一种二阶微分算子，它可以
用来检测图像中的边缘信息。
拉普拉斯算子可以用来对图像进行平滑处理的原因在于，它可以分离出图像中的边缘信息，从而得到一幅更加平滑的图像。
拉普拉斯算子的具体实现方法是，首先，根据拉普拉斯算子的定义，用卷积操作计算出图像的拉普拉斯算子，然后，将原始图像与拉普拉斯算子结果作差，得到新的图像，这个新图像就是平滑处理后的图像。
拉普拉斯算子对图像的平滑处理具有很多优点，首先，它可以有效地去除图像中的噪声，从而提高图像的质量；其次，它可以使原始图像中的边缘更加清晰，从而提高图像的清晰度；最后，它可以提高图像的连续性，从而更好地提取出图像中的特征信息。
总之，拉普拉斯算子是一种用于图像处理的有效算子，它可以有效地对图像进行平滑处理，从而提高图像质量和清晰度，提取出图像中的特征信息。
滑动平均值滤波算法
滑动平均值滤波算法（Moving Average Filter），也称为移动平均滤波，是一种用于信号处理和数据处理的常见滤波技术。
它的基本原理是通过计算一系列连续窗口内数据点的平均值来减少噪音并平滑数据。
滑动平均值滤波可以用于时间序列数据的平滑、去噪和趋势分析。
下面是滑动平均值滤波的基本步骤和用法：1.选择窗口大小：首先，你需要确定滑动窗口的大小。
窗口大小决定了在滤波过程中考虑的数据点数量。
较大的窗口可以提供更平滑的输出，但可能会引入较大的延迟，较小的窗口响应更快，但可能无法滤除高频噪音。
2.初始化窗口：为了开始滤波，你需要初始化一个长度为窗口大小的缓冲区，用来存储窗口内的数据点。
3.数据处理：从输入数据流中逐步获取数据点，并将它们添加到窗口缓冲区中。
当缓冲区已满时，删除最旧的数据点，以便腾出空间。
4.计算平均值：在每次添加新数据点后，计算窗口内所有数据点的平均值。
平均值可以通过将窗口内的数据点相加并除以窗口大小来得到。
5.输出平均值：使用计算出的平均值作为输出，代表输入数据的滤波后数值。
以下是一个示例 Python 代码，用于实现滑动平均值滤波：上述代码中，data是输入数据流，window_size是滑动窗口的大小。
代码逐步处理输入数据，计算窗口内数据点的平均值，然后将平均值添加到输出列表moving_avg中。
滑动平均值滤波可以有效地减小噪音，平滑数据，并减小不规则性。
它在传感器数据处理、时间序列分析和信号处理等领域都有广泛的应用。
根据具体应用场景和需求，你可以选择不同窗口大小和实现方式来滤波数据。
图像的平滑名词解释
图像的平滑名词解释图像的平滑是图像处理中一项重要的技术，它通过对图像进行滤波操作来减少噪声并增强图像的视觉效果。
本文将对图像的平滑进行详细解释，介绍常用的图像平滑方法以及其应用领域。
一、图像的平滑概述图像平滑是指通过对图像进行滤波操作，将图像中的噪声进行抑制，进而改善图像的质量和视觉效果。
图像噪声是由于图像采集过程中的各种因素引起的不规则和随机的像素值变化。
噪声干扰使得图像变得模糊、失真，对图像分析和处理的结果产生负面影响。
二、常用的图像平滑方法1. 均值滤波均值滤波是一种简单有效的图像平滑方法。
它将每个像素的值替换为该像素周围邻域的像素值的平均值。
均值滤波可以减少高频噪声，但对边缘信息会有较大的模糊效果。
2. 中值滤波中值滤波是一种非线性滤波方法，适用于去除图像中的脉冲噪声。
该方法将每个像素的值替换为该像素周围邻域的像素值的中值。
中值滤波不会导致边缘信息的模糊，因此在保留边缘信息的同时能够很好地去除椒盐噪声等高频噪声。
3. 高斯滤波高斯滤波是一种线性平滑滤波方法。
它通过对图像进行卷积操作，使用高斯核对每个像素的值进行加权平均。
高斯滤波对图像进行模糊处理，能够减少高频噪声并保留边缘信息。
4. 双边滤波双边滤波是一种既考虑空间信息又考虑像素间相似性的非线性滤波方法。
它通过对图像进行空间域和灰度域上的加权平均来进行平滑处理。
双边滤波在去除噪声的同时能够保留图像的边缘和细节信息，因此在图像修复、图像增强等领域广泛应用。
三、图像平滑的应用领域1. 医学图像处理在医学图像中，噪声的存在会严重影响图像的质量和对疾病的诊断。
图像平滑方法可以去除医学图像中的噪声，改善图像的可视化效果，提高医生对疾病的诊断准确性。
2. 视频压缩在视频压缩领域，图像平滑可以减少视频序列中的冗余信息，进而实现更高效的压缩。
通过对视频序列进行空间域和时间域上的平滑处理，可以消除噪声和图像中的冗余信息，提高压缩效果。
3. 图像增强图像平滑方法还可以应用于图像增强领域。
邻域滤波法
邻域滤波法是一种常用的图像处理方法，主要用于去除图像中的噪声和改善图像的视觉效果。
该方法的基本思想是在图像的每个像素周围搜索邻域，并根据邻域内的像素强度分布来对当前像素进行加权处理，从而得到较为平滑的图像。
邻域滤波法的基本步骤如下：1. 确定邻域大小和权重函数。
邻域大小通常根据图像的分辨率和噪声特点进行选择，权重函数则可以根据具体应用场景和需求进行设计。
常见的权重函数包括高斯权重函数、拉普拉斯权重函数等。
2. 在图像中遍历每个像素，计算其邻域内所有像素的强度值，并根据权重函数对当前像素进行加权处理。
通常情况下，邻域内像素的强度值会被归一化，以确保它们在加权处理时具有相同的权重。
3. 将加权处理后的像素值作为当前像素的新值，并将其替换原图像中的当前像素值。
重复以上步骤，直到处理完整个图像。
邻域滤波法的优点在于它能够有效地去除图像中的噪声，同时保留图像中的重要细节。
通过在图像的每个像素周围搜索邻域，邻域滤波法能够更好地适应图像的局部特性，从而更好地去除噪声。
此外，邻域滤波法还可以通过调整权重函数和邻域大小来适应不同的应用场景和需求，具有较好的灵活性和适应性。
在实际应用中，邻域滤波法可以应用于各种图像处理任务，如去噪、增强、超分辨率等。
该方法在医学影像、遥感影像、视频处理等领域得到了广泛应用。
然而，邻域滤波法也存在一定的局限性，如可能会对图像的边缘产生一定的模糊影响，需要谨慎选择邻域大小和权重函数以避免过度平滑图像。
总之，邻域滤波法是一种有效的图像处理方法，能够去除噪声并改善图像的视觉效果。
通过在图像的每个像素周围搜索邻域并对其进行加权处理，该方法能够更好地适应图像的局部特性，具有较好的灵活性和适应性。
在实际应用中，邻域滤波法可以应用于各种图像处理任务，具有重要的实用价值。
基于整数DCT的运动目标检测与跟踪
Ｓ ｐ２ ０ ｅ ．０ ７ ｖ １ ２Ｎ ． ０． ｏ ５ １
基 于整 数 Ｄ Ｔ 的运 动 目标 检 测 与跟 踪 Ｃ
陈 东
（ 西安 邮电学院 电子与信息工程 系， 陕西 西安 ７ ０ ２ ） １ １ １
摘要： 本文提出了一种静止摄像机条件下的运动目标检测与跟踪算法。它建立在一种整数 Ｄ Ｔ算法的基础上， Ｃ 通
应 环 境 的变化 。
匿 圈
医 莉
塑
匿 雨圃 用 一定 的算 法对 背 景模 型 进 行 动 态 的更 新 ， 适 以便
综合各种 因素 ， 我们采用背景消减 的方法来进
ห้องสมุดไป่ตู้
图 １ 运 动 目标 检 测 与 跟 踪 流 程 图
收稿 日期 ：０ ７—０ ２０ ３—１ ４
作者 简介 ： 陈东 （９ ８ ， ， １ ７ 一）男 四川南充人 ， 西安邮电学院 电子与信息工程 系助教。
过低通 滤波进行 背景提取 ， 并用背景减 除的方 法分 割 出前景 目标 ， 通过模 板 匹配 实现对运 动 目标 的连 续跟 踪。 再 在对运动 目 标跟踪 时 ， 算法对背景模型进行 不断的更 新 ， 以有效 的消除背景 的轻度 变化对 目 检测 的影响 ， 该 可 标 再 加上又 同时采 用 了一 系列滤波和模板 匹配 ， 强了 目标跟 踪的稳 定性和 可 靠性。通过对 多个 图像 序 列的 实验 ， 增 该 算 法显 示 出了良 的性能 ， 于不确定的外部 因素 ， 好 对 如光照 变化 、 阴影等造成的干扰 ， 均具有相 当强的适应能力 。
运动 目标检测与跟踪的首要工作是从图像序列 中将变化区域从 背景图像 中提取 出来 ， 即运动 目标 的分割 。此项工作 对后续处理是极为重要 的， 因为 以后的处理过程仅仅考虑图像中对应于运动区域的 像素 ， 而就 目 的研究情况来看 ， 前 一般有三种方法来 实现运动分割 ， 即背景消减、 时间差分和光流计算。 时间差分能够较快 的检测 出运动 目标 ， 且对 环境变 化具有较强的适应 能力 ， 时间差分 的结果 精度不 但 高， 以获得运动 目标的所有特征像素点 ， 难 且在运动 物体内部容易产生 空洞 ； 而光流计算虽然适应性更 高， 即使在摄像机运动的情况下也能检测出运动 目 标， 但光流的计算复杂度非常高 ， 难以满足实时处理 系统的需要； 目前最常用的运动分割算法是背景减 除， 它利用 当前图像帧与背景 图像 的差分来分割 出
图像平滑的概念
图像平滑的概念
图像平滑指的是通过一系列的图像处理操作，减少图像中的噪声和杂乱的像素值的技术。
它在图像处理和计算机视觉领域广泛应用。
图像平滑的目的是使图像更加光滑和清晰，同时减少因噪声引起的图像失真。
常见的图像平滑方法包括均值滤波、中值滤波、高斯滤波等。
- 均值滤波：将每个像素的值替换为该像素周围像素的平均值，可以有效地去除噪声，但会导致图像失去细节。
- 中值滤波：将每个像素的值替换为该像素周围像素值的中位数，适用于去除椒盐噪声等噪声，能够保留更多的图像细节。
- 高斯滤波：使用高斯函数作为权重来进行滤波，可以有效模糊图像并降低噪声，同时保留更多的图像细节。
图像平滑可以改善图像的质量，提高图像处理和分析的准确性，常用于图像去噪、特征提取、边缘检测等应用。
高斯滤波算法
高斯滤波算法1. 介绍在数字图像处理中，滤波是一种常用的图像增强技术，可以去除图像中的噪声或者平滑图像。
高斯滤波算法是一种线性平滑滤波算法，具有简单、高效、易于实现的优点，被广泛应用于图像处理领域。
2. 原理高斯滤波算法的原理是基于高斯函数，通过对图像的每个像素点应用高斯函数进行滤波，从而实现平滑的效果。
高斯函数可以表示为：%20=%20%5Cfrac%7B1%7D%7B2%5Cpi%20%5Csigma%5E2%7D%20e%5E%7B-%5Cfrac%7Bx%5E2%20+%20y%5E2%7D%7B2%5Csigma%5E2%7D%7D)其中，x和y是像素点的坐标，σ是高斯分布的标准差。
高斯滤波算法将图像中的每个像素点与周围的像素点进行加权平均，权重由高斯函数决定，这样就能得到平滑后的图像。
3. 步骤高斯滤波算法的步骤如下：3.1 确定滤波模板大小根据需要平滑的程度，确定高斯滤波模板的大小。
模板的大小通常为奇数，常见的大小有3x3、5x5、7x7等。
3.2 计算权重矩阵根据高斯函数的公式，计算滤波模板中每个位置的权重值。
权重值越大表示该位置的像素对滤波结果的影响越大。
3.3 对每个像素点应用滤波模板遍历图像中的每个像素点，将滤波模板放置在当前像素点处，并根据模板中的权重值对周围的像素进行加权平均。
将加权平均后的值赋给当前像素点，从而得到平滑后的图像。
4. 示例代码下面是一个使用Python实现的简单高斯滤波算法的示例代码：import cv2import numpy as npdef gaussian_blur(image, kernel_size, sigma):# 创建高斯滤波模板kernel = np.fromfunction(lambda x, y: (1/(2*np.pi*sigma**2)) * np.exp(-((x-(kernel_size-1)/2)**2 + (y-(kernel_size-1)/2)**2) / (2*sigma**2)), (kernel_si ze, kernel_size))kernel /= np.sum(kernel)# 对图像应用滤波模板blurred_image = cv2.filter2D(image, -1, kernel)return blurred_image# 读取图像image = cv2.imread("image.jpg")# 高斯滤波blurred_image = gaussian_blur(image, 3, 1)# 显示结果cv2.imshow("Original Image", image)cv2.imshow("Blurred Image", blurred_image)cv2.waitKey(0)cv2.destroyAllWindows()5. 总结高斯滤波算法是一种常用的图像平滑技术，通过对图像中的每个像素点应用高斯函数进行滤波，可以去除噪声或者平滑图像。
遥感中均值平滑和中值滤波的计算方法
遥感中均值平滑和中值滤波的计算方法遥感中的均值平滑和中值滤波是常用于图像处理的两种滤波技术，它们可用于消除图像中的噪声和提高图像质量。
在以下内容中，我将详细介绍这两种滤波方法的计算步骤和原理。
1.均值平滑：均值平滑是通过计算像素点周围邻域像素的平均灰度值来平滑图像。
以下是均值平滑的计算步骤：步骤1：选择滑动窗口的大小（一般为奇数），例如3x3、5x5等。
步骤2：将滑动窗口置于图像的每个像素点处。
步骤3：计算滑动窗口内所有像素的平均灰度值。
步骤4：将计算得到的平均灰度值赋给窗口中心的像素。
步骤5：重复步骤2到步骤4，直到窗口遍历完整张图像。
均值平滑的计算方法相对简单，但输出图像在平滑程度上会丧失较多的细节。
2.中值滤波：中值滤波是通过计算像素点周围邻域像素的中值来平滑图像。
以下是中值滤波的计算步骤：步骤1：选择滑动窗口的大小（一般为奇数），例如3x3、5x5等。
步骤2：将滑动窗口置于图像的每个像素点处。
步骤3：将窗口内所有像素的灰度值提取出来，进行排序。
步骤4：将排序后得到的中值赋给窗口中心的像素。
步骤5：重复步骤2到步骤4，直到窗口遍历完整张图像。
中值滤波的计算方法相对复杂一些，但输出图像在平滑程度上保留了较多的细节，且能够更好地去除椒盐噪声等孤立点噪声。
这两种滤波方法均可通过编程语言实现，以下是Python示例代码：1. 均值平滑的Python代码示例：```pythonimport cv2import numpy as npdef mean_filter(image, kernel_size):padded_image = cv2.copyMakeBorder(image, kernel_size//2, kernel_size//2, kernel_size//2, kernel_size//2,cv2.BORDER_CONSTANT)filtered_image = np.zeros_like(image)for i in range(image.shape[0]):for j in range(image.shape[1]):filtered_image[i, j] = np.mean(padded_image[i:i+kernel_size, j:j+kernel_size])return filtered_imageimage = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)filtered = mean_filter(image, 3)cv2.imshow('Mean Filtered Image', filtered)cv2.waitKey(0)```2. 中值滤波的Python代码示例：```pythonimport cv2import numpy as npdef median_filter(image, kernel_size):padded_image = cv2.copyMakeBorder(image, kernel_size//2, kernel_size//2, kernel_size//2, kernel_size//2,cv2.BORDER_CONSTANT)filtered_image = np.zeros_like(image)for i in range(image.shape[0]):for j in range(image.shape[1]):filtered_image[i, j] =np.median(padded_image[i:i+kernel_size, j:j+kernel_size]) return filtered_imageimage = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)filtered = median_filter(image, 3)cv2.imshow('Median Filtered Image', filtered)cv2.waitKey(0)```在实际应用中，可以根据具体情况选择合适的滤波方法。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
(6)
[
]
(7)
第 10 期
景晓军等：静止图像的一种自适应平滑滤波算法
・9・
2 2 式中， d (k ) (m, n) = Gm + Gn
于是，在点(m, n)处的平滑信号 f (k ) (m, n) 定义为 f (k +1) (m, n) =
1 1
1 N (k )
∑∑ f
i =−1 j =−1
(5) k 等于 K 否? 如果 k =K，则结束迭代；否则 k = K+1，转步骤(2)。 由上可知，自适应平滑方法的基本思想是采用一个局部加权模板与原始的图像信号进行 迭代卷积（迭代次数一般是固定的） ，这一过程具有各向异性扩散的性质，在每次迭代时各个 像元点的加权系数是改变的，它是该像元点的梯度函数。同时滤波器的加权系数还依赖于参 数 h，该参数控制了在迭代过程中所要保留下来的突变点的幅度。总之，加权系数反映了图 像灰度值连续性的程度。经过多次迭代后，滤波器的输出图像变为由若干均匀强度区域所组 成，且这些区域之间存在很好的边缘。因此，自适应平滑具有两个明显的作用：一是锐化了 区域边缘；二是使区域内部得到平滑。后续仿真实验结果表明，自适应滤波器的平滑作用是 缓慢和渐进的，而边缘锐化则只需经过少数几次迭代就能得到。
收稿日期：2002-03-05；修订日期：2002-06-12 作者简介：景晓军(1965-)，男，北京人，北京邮电大学副教授、博士后，1999 年毕业于国防科技大学电子 技术系，获博士学位，发表学术论文几十篇，研究方向为信息融合、模式识别、图像处理等；李剑峰，男， 内蒙古呼和浩特人，北京邮电大学在读博士；熊玉庆，男，江西吉安人，博士后，研究方向为分布并行处理、 移动计算、图像处理等。
(k) (k)
f ′(m) 2 (m)) = exp − 2 2 h
(5)
式中， f ′ (k ) (m ) 为图像灰度值 f (k ) (m ) 的一阶导数，h 为恒定参数，该参数确定了在平滑过程 中可以保留下的边缘幅度。 当图像灰度值用二维信号 f (k ) (m, n) 表示时， d ( k ) (m, n) 定义为 f (k ) (m, n) 的梯度（为便于 计算，令滤波窗尺寸为 3×3） ∂f (k ) (m, n) ∂f ( k ) (m, n) = (Gm , Gn ) , ∂m ∂n 因此，反映图像像元灰度值连续性的权系数 w( k ) (m, n) 可表示为 (d ( k ) (m, n))2 w( k ) (m, n ) = y w( k ) (m, n ) = exp − 2h 2
1
引言
在图像滤波中，常用的方法是线性滤波技术和非线性滤波技术[1~2]。 线性滤波[1]以其完善的理论基础、数学处理简单、易于采用 FFT 和硬件实现等优点，一 直在图像滤波领域占有重要的地位。线性滤波对加性高斯噪声有较好的平滑作用。但对脉冲 信号和其它形式的高频分量抑制效果较差，且模糊信号边缘。 非线性滤波[3~4]是基于对输入信号序列的一种非线性影射关系， 常可把某一特定的噪声近 似地影射为零而保留信号的重要特征，因而可以在一定程度上克服线性滤波器的不足。非线
i =−M
∑w
M
(k)
( m + i) ；
滤波窗长度为(2M+1)，且对任意的 m 和 k ， w( k ) (m) ≡ 1 。 该滤波器对图像中的所有像元（包括像元灰度值突变处）灰度值都进行了平滑，没有特 意对发生突变的像元灰度值进行保留，所以图像的边缘也被平滑掉了。 为了更好地保留图像边缘，我们在像元灰度值发生突变的位置，将滤波器的权值由 1 设 置为 0，这样就避免了对突变处的像元点进行平滑。由于滤波窗的长度是有限的，所以适当 选择滤波窗长度，可以使由突变处隔开的两个不同的区域不会被平均。此外，对于突变处的 像元点，平滑过程中将会把它们归于与其邻近的区域，因此，经过平滑滤波后，将增强图像 的边缘。 但是，在实际应用时，我们并不知道图像像元灰度值的突变发生在何处，且发生突变 的陡峭程度也不一样，我们不能简单地用硬判决（ 0 、1）来决定任意点的权值。为了解决 这个问题， 我们采用对原始图像中各像元点灰度值不连续性的计算来自适应调整滤波器的 权系数，即 w( k ) (m) = Ö (d (k ) (m)) (4) 式 中 ， d ( k ) (m) 是 对 像 元 灰 度 值 不 连 续 性 的 度 量 ； Ö (d ( k ) (m)) 为 单 调 递 减 函 数 ， 令 Ö (0) = 1 ， 且 随 着 Ö ( k ) (m) 的增大， Ö (d (k ) (m)) → 0 。 这里取像元灰度值的梯度作为 d ( k ) (m) 的估值。 于是 w( k ) (m) 可表示为 w (m ) = Ö ( f ′
摘
要：本文提出了一种基于梯度信息的自适应平滑滤波算法。该算法根据图像中像元灰度值的
突变特性，自适应地改变滤波器的权值，在区域平滑的过程中使图像的边缘锐化，较好地处理了 平滑噪声、锐化边缘这对滤波技术中的矛盾。后续实验结果表明，该算法具有良好的滤波性能， 易于实时处理。 关键词：图像滤波；梯度信息；自适应平滑； 中图分类号：TN911.73 文献标识码：A 文章编号：1000-436X(2002)10-0006-09
(1)
Gs (m, n ,σ ) =
1 1 exp − 2 (m2 + n 2 ) 2 2πσ 2σ
(2)
式(2)中， σ ：高斯标准方差； m：原始红外图像点的横坐标变量； n：原始红外图像点的纵坐标变量。 高斯滤波器有理想的特性，该滤波器的平滑作用可以通过 σ 来控制，即可以通过改变高 斯标准方差 σ 的值来调整对图像的平滑程度。此外，高斯滤波器可以由一系列有限窗口均值 滤波器卷积得到，如用等权值的局部滤波器来计算，对于一维信号，这一平滑过程可以表示 为
Abstract ：In this paper, a n algorithm for adaptive smooth filtering based on gradient is proposed. According to characteristic of revulsion every point gray scale, this algorithm adaptively changes coefficients of the filter, according to gradient on each point. Experiment results indicate that it performs well and excels in real-time tasks. Key words：image filtering; gradient information; adaptive smoothing
第 10 期
景晓军等：静止图像的一种自适应平滑滤波算法
・7・
性滤波早期运用较多的是中值滤波器[5~6]，其应用于多维信号处理时，对窄脉冲信号具有良好 的抑制能力，但中值滤波器对中拖尾（如均匀分布噪声）和短拖尾分布噪声（如高斯噪声） 时，滤波性能较差，且拖尾越短，其滤波能力越差。另外，中值滤波缺乏成熟完善的数学理 论指导，也是其弊病所在。 基于数学形态学[7~8]的图像滤波，也属于非线性滤波的范畴。它具备一套完备的理论、方 法及算法体系，弥补了非线性滤波缺乏系统性、严密性的数学理论指导的弊病。轮廓结构形 态学是根据图像噪声和有用信号相比，总具有某种随机性难以形成稳定的构形，导致其团块 支持域具有小延展度的连通分量（有用信号恰好相反）的特性，用团块的延展度区分噪声和 有用信号，进行滤波。其实现的是几何结构的区域滤波，就是说一个噪声块，只要有一点判 定条件满足要求，整个区域（块）噪声就可全去掉。而通常使用的方法是解析判定条件式的 点滤波，一个噪声块，要每一个点都满足判定条件是很难的，这就导致整个噪声块常常滤不 干净。因此，形态学滤波质量有保证，噪声去除的较干净，可以保留很好的图像细节。但形 态学需要结构元素(或函数)集较多，计算较复杂，系统效率低，不易满足实时性的要求。而 人为减少结构元素(或函数)集，会导致曲线的变形和断裂，恶化总体效果。另外，抑制噪声、 锐化边缘受诸多因素影响，相互制约，在图像滤波中形成了一对矛盾。形态学在解决这一对 滤波矛盾上，也存在着缺陷。 总之，当前没有一种方法对所有测试图像滤波效果均为最佳。因此，在实际应用时，应 针对具体的应用背景和给定的图像类别，综合考虑时间和存储空间的要求，选择适当的滤波 方法。 针对上述情况，在全面考虑了抑噪、锐化、保留细节、时间和存储空间等因素的情况下， 本文提出了一种基于梯度信息的自适应平滑滤波技术，在平滑噪声的同时，保留边缘信息和 细节，在此基础上尽可能地达到锐化边缘的目的，并满足实时性的要求。
2002 年 10 月 第 23 卷 第 10 期
通
信
学
报
JOURNAL OF CHINA INSTITUTE OF COMMUNICATIONS
Vol.23 No.10 October 2002
学术论文
静止图像的一种自适应平滑滤波算法1
景晓军， 李剑峰， 熊玉庆
(北京邮电大学，北京 １００８７６)
・10・
通
信
学
报
2002 年
3
3.1
自适应平滑滤波器的性能分析
自适应平滑滤波器的收敛性 为便于描述，这里我们只讨论一维自适应平滑滤波器的收敛特性，其结论同样适用于二 维的情形。 一维自适应平滑算法可表示为
・8・
通1) (m) =
1 N
i =− M
∑f
M
(k)
( m + i ) w (k ) ( m + i )
(3)
式中， f (0 ) (m) ：平滑前的原始图像数据； f (k +1) (m) ：第 k +1 次迭代平滑后滤波器的输出值； w( k ) (m + i) ：窗内各点的权值； N=