文章目录
- 滤波
- 简单滤波器
- 卷积滤波
- Unsharp Mask
- Top Hat
ImageJ系列：安装与初步💎灰度图像处理
滤波
预设滤波器
ImageJ的Process菜单提供了诸多图像滤波器，其中大部分方法均可定制参数，但也提供了一些已经预设参数的处理方法。
- Smooth 3 × 3 3\times3 3×3平滑滤波，将每个像素替换为其 3 × 3 3\times3 3×3邻域的平均值。
- Sharpen 3 × 3 3\times3 3×3锐化滤波，将每个像素替换为3×3邻域的加权平均值
- Find Edges 3 × 3 3\times3 3×3Sobel边缘检测器。
效果如下
简单滤波器
ImageJ中的大部分滤波器，都在Process->Filters的子菜单中。其中，下面这几种滤波器只需输入一个模板参数
- Gaussian Blur 高斯滤波，输入参数为高斯函数的标准差。
- Median 中值滤波，用相邻像素的中值替换当前像素
- Mean 均值滤波，用邻域平均值替换当前像素
- Minimum 最小值滤波，用邻域像素最小值来替换当前像素
- Maximum 最大值滤波，用邻域像素最大值来替换当前像素
- Variance 方差滤波，用邻域像素方差来替换当前像素
这些滤波函数中，除了Variance用于边缘提取之外，其他滤波器均用作降噪或者平滑，下面取设参数为5，滤波效果如下
点击Filters->Show Circular Masks，可以查看不同滤波半径所作用的邻域范围。
由于我们处理的是RGB图像，而这些滤波函数针对R, G, B三个通道执行相同的滤波操作，所以最后得到的结果可能会比较怪异，相比之下，单一通道的灰度图像或许会更效果明显一些。
此外，这几个滤波器均提供了3D版本，即不仅局限于单个通道，其邻域的概念扩展到不同通道，并且针对不同坐标轴，允许设置不同的滤波半径。
卷积滤波
对于高斯滤波和均匀滤波来说，其运算过程是通过卷积实现的。例如， 3 × 3 3\times3 3×3的均匀滤波，其卷积模板为
[ 1 / 9 1 / 9 1 / 9 1 / 9 1 / 9 1 / 9 1 / 9 1 / 9 1 / 9 ] \begin{bmatrix} 1/9&1/9&1/9\\ 1/9&1/9&1/9\\ 1/9&1/9&1/9 \end{bmatrix} 1/91/91/91/91/91/91/91/91/9
Filters的子菜单中也提供了卷积滤波Convolve，默认的卷积模板可用作边缘提取
[ − 1 − 1 − 1 − 1 − 1 − 1 − 1 − 1 − 1 − 1 − 1 − 1 24 − 1 − 1 − 1 − 1 − 1 − 1 − 1 − 1 − 1 − 1 − 1 − 1 ] \begin{bmatrix} -1&-1&-1&-1&-1\\ -1&-1&-1&-1&-1\\ -1&-1&24&-1&-1\\ -1&-1&-1&-1&-1\\ -1&-1&-1&-1&-1 \end{bmatrix} −1−1−1−1−1−1−1−1−1−1−1−124−1−1−1−1−1−1−1−1−1−1−1−1
效果如下
Unsharp Mask
这是个边缘增强滤波工具，原理是从原始图像中减去高斯模糊版后的图像，有两个参数
- Radius：高斯模糊的标准偏差
- Mask Weight：确定过滤强度，值越大，减去的高斯滤波的权重就越大。取值为0时，就是原图。
下图是权重为0.9时的滤波效果。
Top Hat
顶帽滤波，是一种形态学滤波方法。所谓形态学滤波，包含开/闭两种基础的运算，顶帽滤波等于原图减去开运算；而原图减去原图减去闭运算则称作底帽滤波，或者黑帽滤波。具体含义可参考：python图像处理之形态学梯度、礼帽、黑帽
当选中Light Background时，其滤波效果如下
