下载文档原格式
图像锐化有哪些方法图像锐化是图像处理中常用的一种操作，可以通过增强图像的高频信息，使图像边缘更加清晰。
常用的图像锐化方法主要包括增强算子、滤波操作和边缘检测等。
1. 增强算子方法：增强算子方法是基于对图像进行空间变换，通过改变像素点的灰度值来增强图像的边缘和细节。
常用的增强算子方法包括拉普拉斯算子、索伯算子和普瑞维特算子等。
这些算子可以对图像进行卷积操作，得到锐化后的图像。
例如，拉普拉斯算子可以通过在每个像素点和周围邻域之间进行卷积操作来增强图像的高频信息。
2. 滤波操作方法：滤波操作方法是通过设计一定的滤波器来对图像进行卷积操作，以增强图像的边缘细节。
常用的滤波操作方法包括高通滤波器、边缘增强滤波器和维纳滤波器等。
高通滤波器可以通过减少图像低频分量来增强图像的高频信息，从而使图像边缘更加清晰。
边缘增强滤波器则可以通过增加图像的局部差异来增强图像的边缘细节。
维纳滤波器是一种自适应滤波器，可以根据图像的噪声特性来进行滤波操作，以减少噪声对锐化效果的影响。
3. 边缘检测方法：边缘检测方法是通过寻找图像的局部极值点来确定图像的边缘位置，从而实现图像锐化。
常用的边缘检测方法包括Sobel算子、Canny算子和LoG算子等。
Sobel算子可以通过计算图像梯度的幅值和方向来确定图像边缘的位置和方向。
Canny 算子是一种基于图像梯度的多阈值边缘检测算法，可以通过滤波、非极大值抑制和双阈值检测等步骤来确定图像的强边缘和弱边缘。
LoG算子是一种拉普拉斯高斯算子，可以通过在图像上进行卷积操作来检测图像的边缘信息。
除了以上的方法，图像锐化还可以通过多尺度分析、形态学操作和投影剪切等方法来实现。
多尺度分析可以通过对图像的不同尺度进行分析和合成来增强图像的局部细节和边缘信息。
形态学操作是一种基于图像形状和结构的操作，可以通过腐蚀、膨胀和开闭操作等来增强图像的边缘信息。
投影剪切是一种基于数学变换的图像锐化方法，可以通过对图像的投影进行变换来改变图像的灰度级分布，从而增强图像的边缘和细节。
canny边缘检测的原理
Canny边缘检测是一种多级检测算法，其基本原理如下：
首先，使用高斯滤波器对图像进行平滑处理，以减少图像中的噪声。
然后，计算图像的梯度大小和方向，以便确定边缘的位置和方向。
在计算梯度的过程中，会遍历每个像素点，判断该像素点是否为边缘点。
在Canny算法中，非极大值抑制和双阈值法是两个关键步骤。
非极大值抑制的目的是去除那些非边缘的像素点，保留可能的边缘点。
双阈值法则是为了进一步筛选出真正的边缘点，避免出现过多的假边缘。
最后，Canny算法会对检测到的边缘进行跟踪和连接，形成完整的边缘图像。
总的来说，Canny边缘检测算法是一种非常有效的边缘检测算法，能够准确地检测出图像中的边缘，并且在处理噪声和防止假边缘方面具有很好的性能。
边缘检测算子图像配准的方法7.4.1 基于特征的图像配准基于特征的图像配准首先提取图像信息的特征，然后以这些特征为模型进行配准。
特征提取的结果是一含有特征的表和对图像的描述，每个特征由一组属性表示，对属性的进一步描述包括边缘的定向和弧度、区域的大小等。
局部特征之间存在着相互关系，如几何关系、辐射度量关系、拓扑关系等。
可以用这些局部特征之间的关系描述全局特征。
通常基于局部特征配准大多都是基于点、线或边缘的，而全局特征的配准则是利用局部特征之间的关系进行配准的方法。
由于图像的特征点比图像的像素点要少很多，因此大大减少了配准过程的计算量，但特征提取方法的计算代价通常较大，不便于实时应用。
特征点的配准度量值对位置的变化比较敏感，可以大大提高配准的精确程度。
对于纹理较少的图像区域提取的特征的密度通常比较稀少，局部特征的提取就比较困难。
特征点的提取过程可以减少噪声的影响，对灰度变化、图像形变和遮挡等都有较好的适应能力。
因此，在图像配准领域得到了广泛应用。
基于特征的图像配准方法有两个重要环节：特征提取和特征配准。
7.4.2 基于互信息的图像配准医学图像配准技术从基于特征的配准方法发展到基于统计的配准方法有其突破性的意义。
与基于特征的配准方法相比，基于统计的配准方法的突出优点为鲁棒性好、配准精度高、人工干预少。
基于统计的配准方法通常是指最大互信息的图像配准方法。
基于互信息的图像配准是用两幅图像的联合概率分布与完全独立时的概率分布的广义距离来估计互信息，并作为多模态医学图像配准的测度。
当两幅基于共同的解剖结构的图像达到最佳配准时，它们的对应像素的灰度互信息应为最大。
由于基于互信息的配准对噪声比较敏感，首先，通过滤波和分割等方法对图像进行预处理。
然后进行采样、变换、插值、优化从而达到配准的目的。
基于互信息的配准技术属于基于像素相似性的方法。
它基于图像中所有的像素进行配准，基于互信息的图像配准引入了信息论中的概念，如熵、边缘熵、联合熵和互信息等，可使配准精度达到亚像素级的高精度。
计算机视觉的算法与应用计算机视觉是计算机科学领域中的一个重要研究方向，致力于使计算机系统具备感知和理解图像或视频的能力。
通过使用各种算法和技术，计算机视觉可以实现图像识别、目标检测、人脸识别、图像分割等功能，广泛应用于人工智能、机器人技术、安防监控、自动驾驶等领域。
一、图像处理算法图像处理算法是计算机视觉的基础，主要用于图像的预处理和特征提取。
常见的图像处理算法包括边缘检测、滤波、形态学处理等。
1. 边缘检测边缘检测算法用于从图像中检测出物体的边缘。
常用的边缘检测算法有Sobel算子、Canny算子和Laplacian算子。
这些算法可以通过计算图像中像素点的梯度或二阶导数来找到图像的边缘。
2. 滤波滤波算法用于对图像进行平滑或增强处理。
平滑滤波可以降低图像的噪声，常见的平滑滤波算法有均值滤波和高斯滤波。
增强滤波可以增加图像的对比度或细节信息，如直方图均衡化算法和锐化滤波算法。
3. 形态学处理形态学处理算法用于对二值图像进行形态学操作，如腐蚀、膨胀、开运算和闭运算。
这些操作可以改变图像中物体的形态和结构，用于去除噪声、填充空洞或分离连通区域。
二、图像识别与分类算法图像识别与分类算法旨在将图像分为不同的类别或识别出图像中的目标物体。
常见的图像识别与分类算法包括基于特征的分类方法和深度学习方法。
1. 基于特征的分类方法基于特征的分类方法使用手工设计的特征来表示图像，并使用分类器对图像进行分类。
常用的特征包括颜色直方图、纹理特征和形状特征。
常见的分类器有SVM、KNN和决策树等。
2. 深度学习方法深度学习方法是近年来计算机视觉领域的重要突破，其利用深度神经网络从数据中自动学习特征表示，并通过分类器进行分类。
常用的深度学习模型包括卷积神经网络（CNN）和循环神经网络（RNN）等。
这些模型在图像识别和目标检测任务中取得了显著的成果。
三、计算机视觉的应用计算机视觉技术在各个领域都有广泛的应用，为人们的生活和工作带来了诸多便利。
去除镜像干扰的方法引言：在现代科技发展的今天，人们对图像的处理需求越来越多。
然而，在图像处理过程中，我们常常会遇到镜像干扰的问题，这给图像处理带来了不小的困扰。
为了解决这一问题，我们需要采取一些方法来去除镜像干扰，以保证图像处理的准确性和可靠性。
本文将介绍一些常用的去除镜像干扰的方法。
一、频域滤波法频域滤波法是一种常见的去除镜像干扰的方法。
它通过将图像转换到频域，利用频域滤波器对图像进行滤波，从而去除镜像干扰。
具体步骤如下：1. 对图像进行傅里叶变换，将图像转换到频域；2. 设计频域滤波器，根据镜像干扰的特点选择合适的滤波器；3. 将滤波器应用到频域图像上，得到去除镜像干扰后的频域图像；4. 对去除镜像干扰后的频域图像进行逆傅里叶变换，得到去除镜像干扰后的图像。
二、边缘检测法边缘检测法是另一种常用的去除镜像干扰的方法。
它通过检测图像中的边缘信息，利用边缘检测算法来去除镜像干扰。
具体步骤如下：1. 对图像进行边缘检测，提取图像中的边缘信息；2. 利用边缘信息，确定图像中的主要轮廓；3. 根据主要轮廓，推测出镜像干扰的位置和形状；4. 对镜像干扰的位置和形状进行修复，去除镜像干扰。
三、局部特征匹配法局部特征匹配法是一种基于图像局部特征的去除镜像干扰的方法。
它通过对图像进行局部特征提取，利用特征匹配算法来去除镜像干扰。
具体步骤如下：1. 对图像进行局部特征提取，提取出图像的特征描述子；2. 利用特征描述子，对图像进行特征匹配，找到图像中的镜像干扰；3. 根据镜像干扰的位置和形状，推测出镜像干扰的原始位置和形状；4. 对镜像干扰的原始位置和形状进行修复，去除镜像干扰。
四、模板匹配法模板匹配法是一种基于模板匹配的去除镜像干扰的方法。
它通过对图像进行模板匹配，利用模板匹配算法来去除镜像干扰。
具体步骤如下：1. 根据镜像干扰的特点，设计合适的模板；2. 将模板与图像进行匹配，找到图像中的镜像干扰；3. 根据镜像干扰的位置和形状，推测出镜像干扰的原始位置和形状；4. 对镜像干扰的原始位置和形状进行修复，去除镜像干扰。
遥感图像处理的基本步骤和技巧遥感图像处理是利用遥感技术获取的遥感图像数据进行分析、处理和解释的过程。
遥感图像处理技术在环境监测、资源管理、农业和城市规划等领域具有广泛的应用。
本文将介绍遥感图像处理的基本步骤和技巧。
一、图像预处理图像预处理是遥感图像处理的第一步，目的是改善图像质量，消除噪声和其他不必要的干扰。
常见的图像预处理技术包括辐射校正、大气校正和几何纠正。
辐射校正是将原始图像中的数字数值转换为辐射亮度值，以消除由于不同仪器和观测条件引起的辐射差异。
大气校正则是通过对图像进行大气光校正，消除大气吸收和散射效应，获得更准确的地物辐射亮度信息。
几何纠正是校正图像中的几何畸变，使其与实际地面特征对应。
二、图像增强图像增强是通过增加图像的对比度和清晰度，突出感兴趣的地物信息。
常见的图像增强技术包括直方图均衡化、滤波和波段变换。
直方图均衡化是通过调整图像像素的亮度分布，增强图像对比度。
滤波是通过应用各种滤波器来去除图像中的噪声和模糊。
波段变换是将图像从一种波段转换到另一种波段，以提取不同地物特征。
三、特征提取特征提取是从图像中提取与感兴趣地物相关的信息。
常见的特征提取技术包括阈值分割、边缘检测和纹理分析。
阈值分割是将图像分为不同的区域，使每个区域具有相似的亮度或颜色特征。
边缘检测是寻找图像中的边界线，以辅助划分地物边界。
纹理分析是通过提取图像的纹理特征来描述地物的空间结构。
四、分类与识别分类与识别是将特定地物进行分类和识别的过程。
常见的分类与识别技术包括监督分类、无监督分类和目标检测。
监督分类是通过使用已知类别的训练样本，建立分类器对图像进行分类。
无监督分类是根据图像像素的统计特征将图像自动分为不同的类别。
目标检测是在图像中检测和识别特定的目标，例如建筑物、道路等。
五、图像解译与分析图像解译与分析是对处理后的遥感图像进行解释和分析的过程。
通过对图像分析可以获取地表特征的数量和质量信息，用于环境变化监测、资源管理和规划决策。
龙源期刊网
基于边缘保持滤波的Canny彩色图像边缘检测方法
作者：唐继勇
来源：《现代电子技术》2012年第11期
摘要：提出了基于边缘保持滤波的Canny彩色图像边缘检测方法。
该
方法利用了HSV颜色空间信道相关性低的优点，结合Canny算子定位准确的优
点和边缘保持滤波理论，用边缘保持滤波取代传统的高斯滤波，用梯度矢量
计算法替代传统的梯度标量计算法，从而增强了在平滑过程中对图像边缘的
保持，最大程度保留了色彩的差异信息，实现了彩色图像边缘的自适应提取。
运用计算机视觉技术进行图像增强的方法分享图像增强是计算机视觉领域中的一个重要任务，它旨在通过调整图像的各种属性和特性，提高图像的质量和可视化效果。
计算机视觉技术在图像增强中扮演着关键角色，它提供了各种方法和算法来改善图像的亮度、对比度、清晰度等关键特性。
在本文中，我们将探讨几种常见的运用计算机视觉技术进行图像增强的方法。
一、灰度变换灰度变换是最简单但也是最常见的图像增强方法之一。
通过对图像像素的灰度级进行变换，可以调整图像的亮度和对比度。
常用的灰度变换方法包括线性变换、非线性变换和直方图均衡化。
线性变换是通过对每个像素进行乘法和加法操作来改变图像的亮度和对比度。
常用的线性变换方法有亮度调整和对比度拉伸。
亮度调整可以通过将每个像素乘以一个常数来增加或减少亮度。
对比度拉伸则通过对像素值进行线性伸缩来增加图像的对比度。
非线性变换通常涉及到像素值的幂次、指数、对数等运算。
这些操作可以用来调整图像的亮度和对比度，同时改变像素值的分布。
例如，幂次变换可以通过将每个像素值的幂次来调整图像的亮度和对比度。
指数变换则可以用来调整图像的亮度和增强细节。
直方图均衡化是一种常用的非线性灰度变换方法，它通过调整图像的灰度级分布来增强图像的对比度。
直方图均衡化可以使图像的灰度级更均匀地分布在整个灰度范围内，从而提高图像的可视化效果。
二、滤波器应用滤波器应用是另一种常见的图像增强方法。
滤波器可以通过对图像进行卷积操作来改变图像的特征和属性。
常用的滤波器包括平滑滤波器、锐化滤波器和边缘检测滤波器。
平滑滤波器主要用于降低图像的噪声和去除细节。
平滑滤波器通过计算周围像素的平均值或加权平均值来减少图像的噪声。
常用的平滑滤波器包括均值滤波器和高斯滤波器。
锐化滤波器用于增强图像的细节和边缘。
锐化滤波器通过计算图像中不同方向的梯度，从而增强图像中的边缘信息。
常用的锐化滤波器包括拉普拉斯滤波器和Sobel滤波器。
边缘检测滤波器用于检测图像中的边缘和轮廓。
基于图像处理的信号检测与识别技术研究信号检测与识别技术在现代通信和图像处理领域中具有广泛的应用。
基于图像处理的信号检测与识别技术通过对图像进行处理和分析，实现对图像信号的检测与识别。
本文将就基于图像处理的信号检测与识别技术进行研究和探讨。
首先，我们需要了解信号检测与识别技术的基本原理和方法。
在信号检测方面，常用的技术包括阈值检测、相关检测和循环谱检测等。
在阈值检测中，通过对图像中的像素值进行阈值判决，将不同的信号进行分类。
相关检测利用相关性系数来判断信号之间的相似度，从而实现信号的检测与识别。
循环谱检测则利用信号的循环谱特性来实现信号的检测。
在信号识别方面，常用的技术包括特征提取与选择、分类器设计和模式匹配等。
特征提取与选择是信号识别的核心环节，它通过对信号进行预处理和特征提取，减少冗余信息，并提取出能够代表信号特征的特征向量。
分类器设计则根据特征向量将信号分类为不同的类别，常用的分类器包括支持向量机、决策树和神经网络等。
模式匹配是在已有训练样本的基础上，通过比较特征向量与已有模型之间的相似度，实现对新信号的识别。
基于图像处理的信号检测与识别技术主要在图像处理领域的应用上较为广泛。
在图像处理中，信号通常体现为图像中的某种模式、纹理或形状等。
通过对图像进行处理和分析，可以提取出图像中的信号特征，并对这些特征进行检测和识别。
常用的图像处理方法包括图像滤波、边缘检测、形态学处理和特征提取等。
图像滤波是图像处理中常用的技术，其主要功能是对图像进行平滑处理、去噪或增强等。
常用的图像滤波方法包括线性滤波、非线性滤波和频域滤波等。
边缘检测则是在图像中检测出边缘信息，常用的边缘检测算法包括Sobel算子、Canny算子和Laplace算子等。
形态学处理是在图像中进行结构元素的腐蚀和膨胀操作，常用于图像的形状分析和目标提取。
特征提取是通过对图像进行处理和分析，提取出能够代表图像特征的特征向量，常用的特征提取方法包括灰度共生矩阵、小波变换和图像的尺度不变特征变换等。
contour边缘提取算法
边缘提取是计算机视觉和图像处理中的一项重要技术，用于检测图像中物体的边缘。
Contour边缘提取算法是一种常用的边缘提取方法，其基本原理是通过检测图像中像素值的突变来确定边缘位置。
Contour边缘提取算法的实现步骤如下：
1. 预处理：对原始图像进行平滑滤波，去除噪声，提高图像质量。
常用的平滑滤波器有高斯滤波器、中值滤波器等。
2. 边缘检测：采用边缘检测算子（如Sobel、Canny等）对平滑后的图像进行边缘检测。
这些算子会在图像中滑动，并对每个像素点周围的像素值进行比较，如果像素值发生突变，则认为该点是边缘点。
3. 轮廓跟踪：对检测到的边缘点进行跟踪，连接成完整的轮廓。
常用的跟踪算法有轮廓跟踪算法、Hough变换等。
4. 轮廓提取：从跟踪得到的轮廓中提取出物体的边缘。
这一步可以通过阈值分割、区域生长等方法实现。
Contour边缘提取算法的优点是简单、快速、准确度高，能够较好地提取出物体的边缘。
但是，对于一些复杂背景或者光照不均匀的图像，Contour边
缘提取算法可能会受到干扰，导致提取出的边缘不准确。
此时，可以考虑使用更复杂的算法，如基于深度学习的边缘提取算法等。
图像处理中的边缘检测算法及其应用一、引言图像处理是指利用计算机对数字图像进行编辑、处理和分析的过程，具有广泛的应用领域。
在图像处理中，边缘检测是一项最为基础的任务，其目的是通过识别图像区域中像素强度突变处的变化来提取出图像中的边缘信息。
本文将介绍边缘检测算法的基本原理及其应用。
二、基本原理边缘是图像中像素值发生跳变的位置，例如黑色区域与白色区域的交界处就可以看作是一条边缘。
边缘检测的主要任务是将这些边缘信息提取出来。
边缘检测算法一般可以分为基于梯度的算法和基于二阶导数的算法。
其中基于梯度的算法主要包括Sobel算子、Prewitt算子和Canny算子；而基于二阶导数的算法主要包括Laplacian算子、LoG（Laplacian of Gaussian）算子和DoG（Difference of Gaussian）算子。
1.Sobel算子Sobel算子是一种常用的边缘检测算法，是一种基于梯度的算法。
该算法在x方向和y方向上都使用了3x3的卷积核，它们分别是：Kx = |-2 0 2|-1 0 1-1 -2 -1Ky = | 0 0 0|1 2 1Sobel算子的实现可以通过以下步骤：①将输入图像转为灰度图像；②根据以上卷积核计算x方向和y方向的梯度；③根据以下公式计算梯度幅值和方向：G = sqrt(Gx^2 + Gy^2) (梯度幅值)θ = atan(Gy/Gx) (梯度方向)其中Gx和Gy分别为x方向和y方向上的梯度。
可以看到，Sobel算子比较简单，对噪声具有一定的抑制作用，但是在边缘细节处理上不够精细。
2.Prewitt算子Prewitt算子也是一种基于梯度的边缘检测算法。
其卷积核如下： -1 0 1-1 0 1-1 -1 -1Ky = | 0 0 0|1 1 1实现方法与Sobel算子类似。
3.Canny算子Canny算子是一种基于梯度的边缘检测算法，是目前应用最广泛的边缘检测算法之一。
基于双边滤波的LOG边缘检测算法摘要：传统LOG边缘检测算法采用高斯函数滤波时，尽管抑制了噪声，但同时也损坏了局部低强度边缘。
针对这一问题，本文提出了结合双边滤波的LOG边缘检测算法，首先采用双边滤波来替代传统LOG算子中的高斯滤波，然后计算平滑后图像的拉普拉斯，最后提取运算后的零穿插点作为图像的边缘。
实验说明，改良后的LOG算法能有效抑制噪声，较好地保护边缘，提高了检测精度，减少伪边缘数，相对传统LOG算法具有更好的检测效果。
关键字：LOG算子；双边滤波；边缘保护；边缘检测1.引言边缘是指图像局部强度变化最显著的局部，反映了图像中物体最根本的特征，是对图像进展分割、理解以及检索的重要依据。
边缘检测一直是图像处理中的热点和难点[]1。
由于数字图像中可能包含不同程度的噪声,使得边缘检测在图像处理中比拟困难。
经典的边缘检测算子，如Robert、Prewitt、Sobel等[]2，简单、易于实现，但对噪声敏感、抗干扰性能差。
Marr边缘检测算法[]3克制了一般微分运算对噪声敏感的缺点，利用能够反映人眼视觉特性的LOG算子对图像的边缘进展检测。
该方法在图像边缘检测中具有一定的优势，然而在实际应用中，边缘检测算法仍然存在着一定的问题。
比方尺度因子无法自适应调整、模板的尺寸对检测结果影响比拟大、零穿越结果无法区分像素反差的大小等。
使得噪声对图像仍有较大的影响，众多学者对其进展了研究。
杨振亚等人[]4针对LOG算子的缺陷，提出了选择性平滑方式去除图像中的椒盐噪声；提出了依据图像灰度的一阶导数极大值和二阶导数零穿相结合的边缘检测方法,抑制了图像中的大局部其它噪声,并保持了边缘定位精度；还通过用图像灰度共生矩阵的惯性矩特征值，自适应调整高斯空间系数和边缘检测阈值,实现了图像边缘的自动提取。
李小红等人[]5分析LOG 滤波器边缘检测方法及多尺度特性的理论根底上,提出了一种LOG边缘检测的改良算法。
该算法对滤波后的梯度图像选取一个阈值T以提高边缘检测的精度。
课程实验报告
2017 - 2018学年一学期
课程名称：计算机视觉及应用
实验名称：滤波和边缘检测
班级：
学生姓名: 学号:
实验日期: 地点:
指导教师:
成绩评定: 批改日期:
4)在给定的图片上面添加噪声，然后在进行边缘检测。
实验步骤及方法算子边缘检测的原理
对原始图像进行灰度化
Canny算法通常处理的图像为灰度图，因此如果摄像机获取的是彩色图像，那首先就得进行灰度化。
对一幅彩色图进行灰度化，就是根据图像各个通道的采样值进行加权平均。
以RGB格式的彩图为例，通常灰度化采用的方法是Gray=++。
对图像进行高斯滤波
图像高斯滤波的实现可以用两个一维高斯核分别两次加权实现，也可以通过一个二维高斯核一次卷积实现。
1）高斯核实现
2）图像高斯滤波
通常滤波和边缘检测是矛盾的概念，抑制了噪声会使得图像边缘模糊，这回增加边缘定位的不确定性；而如果要提高边缘检测的灵敏度，同时对噪声也提高了灵敏度。
用一阶偏导的有限差分来计算梯度的幅值和方向
其x向、y向的一阶偏
导数矩阵，梯度幅值以及梯度方向
对梯度幅值进行非极大值抑制
图像梯度幅值矩阵中的元素值越大，说明图像中该点的梯度值越大，但这不能说明该点就是边缘（这仅仅是属于图像增强的过程）。
在Canny算法中，非极大值抑制是进行边缘检测的重要步骤，通俗意义上是指寻找像素点局部最大值，将非极大值点所对应的灰度值置为0，这样可以剔除掉一大部分非边缘的点。
用双阈值算法检测和连接边缘
Canny算法中减少假边缘数量的方法是采用双阈值法。
选择两个阈值（关于阈值的选取方法在扩展中进行讨论），根据高阈值得到一个边缘图像，这样一个图像含有很少的假边缘，但是由于阈值较高，产生的图像边缘可能不闭合，未解决这样一个问题采用了另外一个低阈值。
在高阈值图像中把边缘链接成轮廓，当到达轮廓的端点时，该算法会在断点的8邻域点中寻找满足低阈值的点，再根据此点收集新的边缘，直到整个图像边缘闭合。
2.中值滤波原理
通过从图像中的某个采样窗口取出奇数个数据进行排序
用排序后的中值取代要处理的数据即可
实验数据分析及处理示例图片角点检测情况：
图一图二
图一为示例图像加入椒盐噪声的图片。
图二是用中值滤波后的图片。
图三图四
图五图六
图三为将原图像进行灰度化后的图片，图四为在灰度图片上面用canny算子进行边缘提取的图片
图五为将在灰度图片上面进行边缘提取后的图片夹到原图像的结果，图六为使用了sobel算子进行边缘提取的结果
图七图八
图九
图七为加入sigma=的高斯白噪声后，利用canny算子进行的轮廓提取。
图八为加入sigma=的高斯白噪声后，利用canny算子进行的轮廓提取。
图九为加入sigma=的高斯白噪声后，利用sobel算子进行的轮廓提取
实验结果分析
(1)通过这次实验，我们能够看出中值滤波对过滤椒盐噪声的效果很好，主要是因为椒盐噪声的黑白的值为255和0，通过中值滤波能够较好的过滤出里面的噪声。
（2）通过使用canny算子和sobel算子对所给的图像进行边缘提取，我们能够看到canny算子在边缘提取中，效果比使用sobel 算子进行边缘提取的效果好。
（3）通过这次实验，我们能够看出当加入sigma=的高斯噪声时效果比加入sigma=的高斯噪声时效果的边缘提取效果好。
主要是。
