图像的平滑处理与锐化处理
图像的平滑与锐化
昆明理工大学（数字图像处理）实验报告实验名称：图像的平滑与锐化专业：电子信息科学与技术姓名：学号：成绩：[实验目的]1、理解图像平滑与锐化的基本原理。
2、掌握图像滤波的基本定义及目的。
3、理解空间域滤波的基本原理及方法。
4、编程实现图像的平滑与锐化。
[实验原理]空间滤波器都是基于模板卷积，其主要工作步骤是：1)将模板在图中移动，并将模板中心与图中某个像素位置重合；2)将模板上的系数与模板下对应的像素相乘；3)将所有乘积相加；4)将和（模板的输出响应）赋给图中对应模板中心位置的像素。
1、图像的平滑目的：减少噪声方法：空域法：邻域平均法、低通滤波、多幅图像求平均、中值滤波（1）邻域平均(均值滤波器)所谓的均值滤波是指在图像上对待处理的像素给一个模板，该模板包括了其周围的邻近像素。
将模板中的全体像素的均值来替代原来的像素值的方法。
（2）中值滤波（统计排序滤波）一般地 , 设有一个一维序列 f1 , f2 , f3 ,…, fn ,取该窗口长度(点数)为 m (m为奇数 ),对一维序列进行中值滤波,就是从序列中相继抽取m 个数 fi-v , … , fi-1, fi,fi+1 , … , fi+v;其中 fi 为窗口的中心点值 ,v = ( m - 1 )/ 2 。
再将这 m 个点 值按 其数值大小排序,取中间的 那个数作为滤波输出 ,用数学公式表示为:yi = med fi-v,…,fi-1,fi,fi+1,…,fi+v其中i ∈Z,v=(m-1)/2 。
中值滤波一般采用一个含有奇数个点的滑动窗口,将窗口中各点灰度值的中值来替代指定点(一般是窗口的中心点)的灰度值。
二维中值滤波可有下式表示 :yi = med { fij }中值滤波的性质有 :(1) 非线性 , 两序列 f ( r ) , g ( r )med{ f ( r ) + g ( r ) } ≠ med{ f ( r ) } + med{ g ( r ) }(2) 对尖峰性干扰效果好,即保持边缘的陡度又去掉干扰,对高斯分 布噪声效果差;(3) 对噪声延续距离小于W/2的噪声抑制效果好,W 为窗口长度。
图像的平滑处理与锐化处理
数字图像处理作业题目：图像的平滑处理与锐化处理姓名：***学号：************专业：计算机应用技术1.1理论背景现实中的图像由于种种原因都是带噪声的，噪声恶化了图像质量，使图像模糊，甚至淹没和改变特征，给图像分析和识别带来了困难。
一般数字图像系统中的常见噪声主要有：高斯噪声、椒盐噪声等。
图像去噪算法根据不通的处理域，可以分为空间域和频域两种处理方法。
空间域处理是在图像本身存在的二维空间里对其进行处理。
而频域算法是用一组正交函数系来逼近原始信号函数，获得相应的系数，将对原始信号的分析转动了系数空间域。
在图像的识别中常需要突出边缘和轮廓信息，图像锐化就是增强图像的边缘和轮廓。
1.2介绍算法图像平滑算法：线性滤波（邻域平均法）对一些图像进行线性滤波可以去除图像中某些类型的噪声。
领域平均法就是一种非常适合去除通过扫描得到的图像中的噪声颗粒的线性滤波。
领域平均法是空间域平滑噪声技术。
对于给定的图像()j i f,中的每个像素点()nm,，取其领域S。
设S含有M个像素，取其平均值作为处理后所得图像像素点()nm,处的灰度。
用一像素领域内各像素灰度平均值来代替该像素原来的灰度，即领域平均技术。
领域S的形状和大小根据图像特点确定。
一般取的形状是正方形、矩形及十字形等，S 的形状和大小可以在全图处理过程中保持不变，也可以根据图像的局部统计特性而变化，点(m,n)一般位于S 的中心。
如S 为3×3领域，点(m,n)位于S 中心，则()()∑∑-=-=++=1111,91,i j j n i m f n m f 假设噪声n 是加性噪声，在空间各点互不相关，且期望为0，方差为2σ，图像g 是未受污染的图像，含有噪声图像f 经过加权平均后为 ()()()()∑∑∑+==j i n M j i g M j i f M n m f ,1,1,1, 由上式可知，经过平均后，噪声的均值不变，方差221σσM =，即方差变小，说明噪声强度减弱了，抑制了噪声。
数字图像处置图像平滑和锐化
数字图像处理
21
CTArray< plex > CImageProcessing::Low_pass_filter( CTArray< plex > original_signal ){ long dimension = original_signal.GetDimension(); double threshold = 0; for( int index = 0; index < dimension; index ++ ) { double magnitude = sqrt( original_signal[ index ].m_re * original_signal[ index ].m_re + original_signal[ index ].m_im * original_signal[ index ].m_im ); if( magnitude > threshold ) threshold = magnitude; } threshold /= 100; for( int index = 0; index < dimension; index ++ ) { double magnitude = sqrt( original_signal[ index ].m_re * original_signal[ index ].m_re + original_signal[ index ].m_im * original_signal[ index ].m_im ); double eplon = 1.0 / sqrt( 1 + ( threshold / magnitude ) * ( threshold / magnitude ) ); original_signal[ index ].m_re *= eplon; original_signal[ index ].m_im *= eplon; } return original_signal;}
图像锐化算法实现
算法原理：通过将图像分解成多个频带，对每个频带进行滤波处理，再合并处理后的频带得到 锐化图像。
算法特点：能够更好地保留图像细节，提高图像清晰度，适用于各种类型的图像。
算法步骤：频带分解、滤波处理、频带合并、锐化图像。
算法应用：广泛应用于图像处理领域，如医学影像、遥感图像、安全监控等。
算法原理：根据图像局部特性自适 应调整滤波器系数，以提高图像边 缘清晰度
优点：对噪声具有较好的鲁棒性， 能够自适应地处理不同场景下的图 像锐化
添加标题
添加标题
常用实现方法：Laplacian、 Unsharp Masking等
添加标题
添加标题
适用场景：适用于各种类型的图像， 尤其适用于存在噪声和模糊的图像
图像锐化的实现步 骤
将彩色图像转换为灰度图像 增强图像对比度 突出图像边缘信息 减少图像数据量，加速处理速度
边缘检测是图像 锐化的重要步骤， 通过检测图像中 的边缘信息，可 以对图像进行清 晰化处理。
常见的边缘检测 算法包括Sobel、 Prewitt、Canny 等，这些算法通 过不同的方式检 测图像中的边缘 信息。
在边缘检测之后， 通常需要进行阈 值处理，将边缘 信息与阈值进行 比较，保留重要 的边缘信息，去 除不必要的噪声。
经过边缘检测和 阈值处理后，可 以对图像进行锐 化处理，使其更 加清晰。
对图像进行滤波处理，去除噪声和干扰 选择合适的滤波器，如高斯滤波器、中值滤波器等 对滤波后的图像进行锐化处理，增强边缘和细节 可根据实际需求选择不同的滤波器和参数，以达到最佳效果
对图像进行滤波处理，去除噪声 对图像进行边缘检测，突出边缘信息 对图像进行对比度增强，提高图像的清晰度 对图像进行细节增强，增强图像的纹理和细节信息
浅谈图像平滑滤波和锐化的区别及用途总结
浅谈图像平滑滤波和锐化的区别及⽤途总结空域滤波技术根据功能主要分为与滤波。
能减弱或消除图像中的⾼频率分量⽽不影响低频分量，⾼频分量对应图像中的区域边缘等值具有较⼤变化的部分，可将这些分量滤去减少局部起伏，使图像变得⽐较平滑。
也可⽤于消除噪声，或在提取较⼤⽬标前去除太⼩的细节或将⽬标的⼩间断连接起来。
滤波正好相反，滤波常⽤于增强被模糊的细节或⽬标的边缘，强化图像的细节。
⼀、基本的灰度变换函数1.1.图像反转适⽤场景：增强嵌⼊在⼀幅图像的暗区域中的⽩⾊或灰⾊细节，特别是当⿊⾊的⾯积在尺⼨上占主导地位的时候。
1.2.对数变换（反对数变换与其相反）过程：将输⼊中范围较窄的低灰度值映射为输出中较宽范围的灰度值。
⽤处：⽤来扩展图像中暗像素的值，同时压缩更⾼灰度级的值。
特征：压缩像素值变化较⼤的图像的动态范围。
举例：处理傅⾥叶频谱，频谱中的低值往往观察不到，对数变换之后细节更加丰富。
1.3.幂律变换（⼜名：伽马变换）过程：将窄范围的暗⾊输⼊值映射为较宽范围的输出值。
⽤处：伽马校正可以校正幂律响应现象，常⽤于在计算机屏幕上精确地显⽰图像，可进⾏对⽐度和可辨细节的加强。
1.4.分段线性变换函数缺点：技术说明需要⽤户输⼊。
优点：形式可以是任意复杂的。
1.4.1.对⽐度拉伸：扩展图像的动态范围。
1.4.2.灰度级分层：可以产⽣⼆值图像，研究造影剂的流动。
1.4.3.⽐特平⾯分层：原图像中任意⼀个像素的值，都可以类似的由这些⽐特平⾯对应的⼆进制像素值来重建，可⽤于压缩图⽚。
1.5.直⽅图处理1.5.1直⽅图均衡：增强对⽐度，补偿图像在视觉上难以区分灰度级的差别。
作为⾃适应对⽐度增强⼯具，功能强⼤。
1.5.2直⽅图匹配（直⽅图规定化）：希望处理后的图像具有规定的直⽅图形状。
在直⽅图均衡的基础上规定化，有利于解决像素集中于灰度级暗端的图像。
1.5.3局部直⽅图处理：⽤于增强⼩区域的细节，⽅法是以图像中的每个像素邻域中的灰度分布为基础设计变换函数，可⽤于显⽰全局直⽅图均衡化不⾜以影响的细节的显⽰。
数字图像处理实验报告
目录实验一：数字图像的基本处理操作 (4)：实验目的 (4)：实验任务和要求 (4)：实验步骤和结果 (5)：结果分析 (8)实验二：图像的灰度变换和直方图变换 (9)：实验目的 (9)：实验任务和要求 (9)：实验步骤和结果 (9)：结果分析 (13)实验三：图像的平滑处理 (14)：实验目的 (14)：实验任务和要求 (14)：实验步骤和结果 (14)：结果分析 (18)实验四：图像的锐化处理 (19)：实验目的 (19)：实验任务和要求 (19)：实验步骤和结果 (19)：结果分析 (21)实验一：数字图像的基本处理操作：实验目的1、熟悉并掌握MATLAB、PHOTOSHOP等工具的使用；2、实现图像的读取、显示、代数运算和简单变换。
3、熟悉及掌握图像的傅里叶变换原理及性质，实现图像的傅里叶变换。
：实验任务和要求1.读入一幅RGB图像，变换为灰度图像和二值图像，并在同一个窗口内分成三个子窗口来分别显示RGB图像和灰度图像，注上文字标题。
2.对两幅不同图像执行加、减、乘、除操作，在同一个窗口内分成五个子窗口来分别显示，注上文字标题。
3.对一幅图像进行平移，显示原始图像与处理后图像，分别对其进行傅里叶变换，显示变换后结果，分析原图的傅里叶谱与平移后傅里叶频谱的对应关系。
4.对一幅图像进行旋转，显示原始图像与处理后图像，分别对其进行傅里叶变换，显示变换后结果，分析原图的傅里叶谱与旋转后傅里叶频谱的对应关系。
：实验步骤和结果1.对实验任务1的实现代码如下：a=imread('d:\');i=rgb2gray(a);I=im2bw(a,;subplot(1,3,1);imshow(a);title('原图像');subplot(1,3,2);imshow(i);title('灰度图像');subplot(1,3,3);imshow(I);title('二值图像');subplot(1,3,1);imshow(a);title('原图像');结果如图所示：图原图及其灰度图像，二值图像2.对实验任务2的实现代码如下：a=imread('d:\');A=imresize(a,[800 800]);b=imread('d:\');B=imresize(b,[800 800]);Z1=imadd(A,B);Z2=imsubtract(A,B);Z3=immultiply(A,B);Z4=imdivide(A,B);subplot(3,2,1);imshow(A);title('原图像 A'); subplot(3,2,2);imshow(B);title('原图像 B'); subplot(3,2,3);imshow(Z1);title('加法图像'); subplot(3,2,4);imshow(Z2);title('减法图像'); subplot(3,2,5);imshow(Z3);title('乘法图像'); subplot(3,2,6);imshow(Z2);title('除法图像');结果如图所示：3.对实验任务3的实现代码如下：s=imread('d:\');i=rgb2gray(s);i=double(i);j=fft2(i);k=fftshift(j); %直流分量移到频谱中心I=log(abs(k)); %对数变换m=fftshift(j); %直流分量移到频谱中心RR=real(m); %取傅里叶变换的实部II=imag(m); %取傅里叶变换的虚部A=sqrt(RR.^2+II.^2);A=(A-min(min(A)))/(max(max(A)))*255;b=circshift(s,[800 450]);b=rgb2gray(b);b=double(b);c=fft2(b);e=fftshift(c);I=log(abs(e));f=fftshift(c);WW=real(f);ZZ=imag(f);B=sqrt(WW.^2+ZZ.^2);B=(B-min(min(B)))/(max(max(B)))*255;subplot(2,2,1);imshow(s);title('原图像');subplot(2,2,2);imshow(uint8(b));title('平移图像');subplot(2,2,3);imshow(A);title('离散傅里叶变换频谱');subplot(2,2,4);imshow(B);title('平移图像离散傅里叶变换频谱');结果如图所示：4.对实验任务4的实现代码如下：s=imread('d:\');i=rgb2gray(s);i=double(i);j=fft2(i);k=fftshift(j);I=log(abs(k));m=fftshift(j);RR=real(m);II=imag(m);A=sqrt(RR.^2+II.^2);A=(A-min(min(A)))/(max(max(A)))*255;b=imrotate(s,-90);b=rgb2gray(b);b=double(b);c=fft2(b);e=fftshift(c);I=log(abs(e));f=fftshift(c);WW=real(f);ZZ=imag(f);B=sqrt(WW.^2+ZZ.^2);B=(B-min(min(B)))/(max(max(B)))*255;subplot(2,2,1);imshow(s);title('原图像');subplot(2,2,2);imshow(uint8(b));title('平移图像');subplot(2,2,3);imshow(A);title('离散傅里叶频谱');subplot(2,2,4);imshow(B);title('平移图像离散傅里叶频谱');结果如图所示：：结果分析对MATLAB软件的操作开始时不太熟悉，许多语法和函数都不会使用，写出程序后，调试运行，最开始无法显示图像，检查原因，是有些标点符号没有在英文状态下输入和一些其他的细节，学会了imread()，imshow()，rgb2gray（）等函数。
数字图像处理-图像平滑和锐化变换处理
图像平滑和锐化变换处理一、实验容和要求1、灰度变换：灰度拉伸、直方图均衡、伽马校正、log变换等。
2、空域平滑：box、gauss模板卷积。
3、频域平滑：低通滤波器平滑。
4、空域锐化：锐化模板锐化。
5、频域锐化：高通滤波器锐化。
二、实验软硬件环境PC机一台、MATLAB软件三实验编程及调试1、灰度变换：灰度拉伸、直方图均衡、伽马校正、log变换等。
①灰度拉伸程序如下：I=imread('kids.tif');J=imadjust(I,[0.2,0.4],[]);subplot(2,2,1),imshow(I);subplot(2,2,2),imshow(J);subplot(2,2,3),imhist(I);subplot(2,2,4),imhist(J);②直方图均衡程序如下：I=imread('kids.tif');J=histeq(I);Imshow(I);Title('原图像');Subplot(2,2,2);Imshow(J);Title('直方图均衡化后的图像') ;Subplot(2,2,3) ;Imhist(I,64);Title('原图像直方图') ;Subplot(2,2,4);Imhist(J,64) ; Title('均衡变换后的直方图') ;③伽马校正程序如下：A=imread('kids.tif');x=0:255;a=80,b=1.8,c=0.009;B=b.^(c.*(double(A)-a))-1;y=b.^(c.*(x-a))-1;subplot(3,2,1);imshow(A);subplot(3,2,2);imhist(A);imshow(B);subplot(3,2,4);imhist(B);subplot(3,2,6);plot(x,y);④log变换程序如下：Image=imread('kids.tif');subplot(1,2,1);imshow(Image);Image=log(1+double(Image)); subplot(1,2,2);imshow(Image,[]);2、空域平滑：box、gauss模板卷积。
图像平滑与锐化处理
图像平滑与锐化处理1 图像平滑处理打开Image Interpreter/Utilities/Layer Stack对话框，如图1-1图1-1 打开Layer Stack对话框在Input File中打开tm_striped.img，在Layer中选择1，在Output File中输入输出文件名band1.img，单击Add按钮。
忽略零值，单击OK(如图1-2所示)。
图1-2 Layer Stack对话框设置打开Interpreter>Spatial Enhancement>Convolution对话框。
如图1-3图1-3 打开Convolution对话框在Input File中选择band1.img。
在Output File中选择输出的处理图像，命名为lowpass.img。
在Kernel中选择7*7Low Pass，忽略零值。
单击OK完成图像的增强处理（如图1-4所示）。
图1-4 卷积增强对话框（Convolution）平滑后的图像去掉噪音的同时造成了图像模糊，特别是对图像的边缘和细节消弱很多。
而且随着邻域范围的扩大，在去噪能力增强的同时模糊程度越严重（如图1-5）。
图1-5 处理前后的对比为了保留图像的边缘和细节信息，可对上述算法进行改进，引入阈值T，将原有图像灰度值f（i，j）,和平均值g（i，j）之差的绝对值与选定的阈值进行比较，根据比较结果决定像元（i，j）的最后灰度值G（i，j）。
当差小于阈值的时候取原值；差大于阈值的时候取平均值。
这里通过查询得T取4，其表达式为下：g（i，j），当| f（i，j）-g（i，j）|>4G（i，j）=f（i，j），当| f（i，j）-g（i，j）|<=4具体操作步骤：在图标控制面板工具栏中点击空间建模Modeler>Model Maker选项。
先放置对象图形，依次连接每个对象图形，然后定义对象，最后定义函数并运行模型（如图1-6，1-7,1-8,1-9,1-10,1-11所示）。
- 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)。
数字图像处理作业题目：图像的平滑处理与锐化处理
：张一凡
学号：4
专业：计算机应用技术
1.1理论背景
现实中的图像由于种种原因都是带噪声的，噪声恶化了图像质量，使图像模糊，甚至淹没和改变特征，给图像分析和识别带来了困难。
一般数字图像系统中的常见噪声主要有：高斯噪声、椒盐噪声等。
图像去噪算法根据不通的处理域，可以分为空间域和频域两种处理方法。
空间域处理是在图像本身存在的二维空间里对其进行处理。
而频域算法是用一组正交函数系来逼近原始信号函数，获得相应的系数，将对原始信号的分析转动了系数空间域。
在图像的识别中常需要突出边缘和轮廓信息，图像锐化就是增强图像的边缘和轮廓。
1.2介绍算法
图像平滑算法：线性滤波（邻域平均法）
对一些图像进行线性滤波可以去除图像中某些类型的噪声。
领域平均法就是一种非常适合去除通过扫描得到的图像中的噪声颗粒的线性滤波。
领域平均法是空间域平滑噪声技术。
对于给定的图像()j i f,中的每个像素点()n
m,，取其领域S。
设S含有M个像素，取其平均值作为处理后所得图像像素点()n
m,处的灰度。
用一像素领域内各像素灰度平均值来代替该像素原来的灰度，即领域平均技术。
领域S 的形状和大小根据图像特点确定。
一般取的形状是正方形、矩形及十字形等，S 的形状和大小可以在全图处理过程中保持不变，也可以根据图像的局部统计特性而变化，点(m,n)一般位于S 的中心。
如S 为3×3领域，点(m,n)位于S 中心，则
()()∑∑-=-=++=1111
,91,i j j n i m f n m f 假设噪声n 是加性噪声，在空间各点互不相关，且期望为0，方差为2σ，图像g 是未受污染的图像，含有噪声图像f 经过加权平均后为
()()()()∑∑∑+==j i n M j i g M j i f M n m f ,1
,1
,1
, 由上式可知，经过平均后，噪声的均值不变，方差221σσM =
，即方差变小，说明噪声强度减弱了，抑制了噪声。
图像锐化算法：拉普拉斯算子
拉普拉斯算子是最简单的各向同性微分算子，具有旋转不变性，比较适用于改善因为光线的漫反射造成的图像模糊。
其原理是，在摄像记录图像的过程中，光点将光漫反射到其周围区域，这个过程满足扩散方程:
f kV t
f 2=∂∂ 经过推导，可以发现当图像的模糊是由光的漫反射造成时，不模糊图像等于模糊图像减去它的拉普拉斯变换的常数倍。
另外，人们还发现，即使模糊不是由于光的漫反射造成的，对图像进行拉普拉斯变换也可以使图像更清晰。
拉普拉斯锐化的一维处理表达式是：
()()()22dx x f d x f x g -=
在二维情况下，拉普拉斯算子使走向不同的轮廓能够在垂直的方向上具有类似于一维那样的锐化效应，其表达式为:
22222
y f x f f ∂∂+∂∂=∇ 对于离散函数()j i f ,，拉氏算子定义为
()()()j i f j i f j i f y x ,,,222∇+∇=∇
其中 ()j i f x ,∇
=()[]j i f x x ,∇∇
=()()[]j i f j i f x ,,1-+∇
=()()j i f j i f x x ,,1∇-+∇
=()()()()j i f j i f j i f j i f ,1,,,1-+--+
=()()()j i f j i f j i f ,2,1,1--++
同理 ()()()1,,,--=∇j i f j i f j i f y
类似的有 ()()()()j i f j i f j i f j i f y ,21,1,,2--++=∇
所以有 ()()()()()()j i f j i f j i f j i f j i f j i f ,41,1,,1,1,2--+++-++=∇ 则拉式算子的模板表示为：
01
01
71010⎛⎫ ⎪- ⎪ ⎪⎝⎭
1.3功能应用
图像平滑：图像平滑是指用突出图像的宽大区域、低频成分、主干部分或者抑制噪声和干扰高频成分，使图像亮度平缓渐变，减小突变梯度，改善图像质量的图像处理方法。
图像锐化：图像在传输过程中，通常质量都要降低，除了噪声因素外，图像一般都要变得模糊。
这主要是因为图像的传输或者转换系统的传递函数对高频成分的衰减作用，造成图像细节轮廓不清晰。
图像锐化就是补偿图像年的轮廓，使图像比较清晰。
2. maltba源代码
lena=imread('lena.jpg'); %载入图片，本程序使用lena标准图
figure(1);imshow(lena);title('原图像'); %显示原图像
rgb1=imnoise(lena,'gaussian'); %加入高斯噪声
figure(2);imshow(rgb1);title('加入噪声后');%显示加入噪声后的图像fR1=rgb1(:,:,1); %提取图像中的R层
fG1=rgb1(:,:,2); %提取图像中的G层
fB1=rgb1(:,:,3); %提取图像中的B层
w=fspecial('average');
fR_filtered=imfilter(fR1,w); %对R层做平滑处理
fG_filtered=imfilter(fG1,w); %对G层做平滑处理
fB_filtered=imfilter(fB1,w); %对B层做平滑处理
rgb_filter=cat(3,fR_filtered,fG_filtered,fB_filtered); %将处理后的3层合并在一起
figure(3);imshow(rgb_filter);title('模糊后的图像'); %显示模糊后的图像
rgb2=rgb_filter; %将模糊后的图像传递给rgb2 fR2=rgb2(:,:,1); %提取图像中的R层
fG2=rgb2(:,:,2); %提取图像中的G层
fB2=rgb2(:,:,3); %提取图像中的B层
lapMatrix=[-1 -1 -1;-1 9 -1;-1 -1 -1];
fR_tmp=imfilter(fR2,lapMatrix); %对R层做锐化处理
fG_tmp=imfilter(fG2,lapMatrix); %对R层做锐化处理
fB_tmp=imfilter(fB2,lapMatrix); %对R层做锐化处理
rgb_tmp=cat(3,fR_tmp,fG_tmp,fB_tmp); %合并3层图像
figure(4);imshow(rgb_tmp);title('锐化后的图像');%显示锐化后的图像
3.1 实验结果
4.实验分析与总结
经过多次的实践和理论上的推导不难发现图像平滑和图像锐化是两个完全对立的图像处理技术。
图像平滑让图像中的细节成分越来越少，而相对的，图像的锐化则是凸显图像的细节部分。
在图像平滑图像处理中，在很多噪声的情况下，图像平滑能够有效的减弱噪声对图像的影响，无论是高斯噪声、椒盐噪声还是乘性噪声，都能很好的在图像平滑中将这集中噪声很好的去除。
岁演不能完全复原如原图一样的情况，但是在图像平滑过后，噪声在图像中的存在确实少了许多，但是对于一些本身比较清晰的图像，效果就不那么明显了。
图像平滑的弊端在于会把图像本身一些很好的细节部分给模糊
掉，从而降低图像的质量，对一些分辨率很高鹗茄细节很唯美的图像来说，图像平滑来处理噪声反而效果不是很好。
图像锐化则是让图像变得更为清晰。
通过图像锐化可以是图像细节部分遍的清楚起来，但是如果图像有噪声，只会让图像变得更加模糊，图像锐化不能对有噪声的图像进行处理。