基础图像滤波器 Image Filter

一张图像是一组二维的像素值。

Filtering：

• Replace each pixel by a linear combination of its neighbors
• The combination is determined by the filter‘s kernel
• Often spatially-invariant，the same kernel is applied to all pixel locations

加权平均归一化，讲究。

Gaussian Filter ，Box Filter,回想一下他们长啥样。

Zero Padding？或者？因为kernel超出图像边界。

如何做出影像效果？高斯滤波先，然后向右向下平移，再叠加上去，就能得出这样的效果。

fun with filters？？

我们可以同filter实现一些简单的几何上的操作。仔细想一想，怎么操作。

边缘检测 Detecting Edges：

How do you detect edges in an image？

像素不连续区域导数较大。

 

 

边缘检测，为何先用高斯滤波再求导呢？

现在明白了么？

先用高斯滤波滤掉小噪声，在用求导方式安全找出边缘部分。

 

 

求导滤波前，一定要先平滑滤波一次。这个比较重要。

先remove noise。

两遍filter。

先做高斯，再求导滤波。浪费时间。高斯也叫卷积吧。

DoG Derivative of Gaussian filter。

有一个数学上等价的是：先卷积再求导等于先求导再卷积。是等价的。

DoG就是这么做的。

 

Sobel filter 水平，垂直

梯度的方向，大小amplitude。

非极大值抑制。(这个好好理解一下，百度百科还是稳。)

属于图像处理的内容。 

 

Bilateral filter，在不同地方用不同的核。双边滤波～很早的滤波器。

Start with Gaussian Filter

• Here, input is a step function + noise.
• Spatial Gaussian filter f
• Output is blurred

存在smoth过度的问题。 怎么解决？

先分析下问题是怎么来的？

在高斯滤波时候，每个像素取小邻域然后加权平均。

污染了边缘部分？

 

那么这个函数怎么解决这个问题呢？

value差的大，权重小，value差的小权重大。

理解一下思路，引入了一个新的高斯。注意还要归一化。

kernel在不同pixel是不同的，想象为啥。这样更好地保留图像。

spacial distance。

双边滤波。这个双？怎么理解？

大概原理懂了吧。

既能滤波，又能较好的保留边缘。

边缘平滑？

细节增强？原图和smooth相减得到细节，再把细节的二倍加回去。懂了吧。

抑制细节的操作就是平滑了。

双边滤波双边滤波～～～真好。解决了一小点问题  如何加速？分析计算复杂度。。。数据算法。

如何加速？ 这里有很多算法。

 

接下来居然会说到  JBF，2004年

回想一下。。。。和自己之前的论文的联系。

 

 

然后来到了Guided Filtering，也很重要。