图像处理与分析——实验四-图像恢复和滤波处理

实验目标：

• 掌握图像恢复基本方法和技术。
• 使用频域滤波去除图像中的条纹干扰。
• 应用自适应中值滤波器去除图像随机噪声。

一、

实验要求：

imgs目录下有图像windmill_noise.png，用Python写程序，去除条纹干扰。

实验图片路径为： imgs/windmill_noise.png

输出路径为：outputs/

请按照exp4_1_i的格式，输出每个任务结果

实验方案：

1. 图像读取与预处理：

   • 使用 Image.open 从指定路径读取图像，并使用 convert('L') 转换为灰度图像。
   • 将图像数据转换为numpy数组以便进行进一步处理。

   image = Image.open(image_path).convert('L')
   image = np.array(image)

2. 傅里叶变换：

   • 对图像进行傅里叶变换，将图像从空间域转换到频域，使用 fft2 计算二维傅里叶变换。
   • 使用 fftshift 调整傅里叶变换的结果，使零频率分量移到频谱的中心。

   f_image = fftshift(fft2(image))

3. 频域过滤：

   • 在频域中创建一个遮罩，精确地屏蔽掉导致条纹干扰的频率成分。
   • 通过在中心列周围设置宽度的遮罩并保持中心线不变，避免完全阻断中心线。

   width = 20
   for i in range(ccol - width, ccol + width):
       if i != ccol:
           f_image[crow-1:crow+1, i] = 0

4. 傅里叶逆变换与图像恢复：

   • 对修改后的频域数据进行傅里叶逆变换，使用 ifft2 和 ifftshift 恢复图像。
   • 取结果的实部，并转换为图像格式以便保存和显示。

   if_image = ifft2(ifftshift(f_image))
   filtered_image = np.abs(if_image).astype(np.uint8)
   Image.fromarray(filtered_image).save(output_path + 'exp4_1_1.png')

实验结果：

原图与处理后的对比：

1. 原图特点：
   • 原图显示了一个风车的图像，但整个图像上有明显的垂直条纹，这些条纹覆盖了图像的细节，影响视觉效果。
2. 处理后的图像：
   • 处理后的图像中条纹被显著去除，风车和背景的细节更加清晰可见。
   • 通过在频域内精确地屏蔽干扰的频率，有效地恢复了图像的原始外观。

分析：

• 使用傅里叶变换将图像转到频域后，条纹干扰在频域中表现为明显的峰值。通过屏蔽这些峰值，并进行傅里叶逆变换，条纹被有效地消除，恢复了图像的自然外观。

二、

实验要求：

imgs目录下有图像boardWithNoise.jpg，用Python写程序，采用自适应中值滤波器去除噪声干扰。

实验图片路径为： imgs/boardWithNoise.jpg

输出路径为：outputs/

请按照exp4_2_i的格式，输出每个任务结果

实验方案：

1. 图像读取与预处理：

   • 类似于任务一，读取并转换图像为灰度格式。
   • 转换图像数据为numpy数组。

   img = Image.open(image_path).convert('L')
   img_array = np.array(img, dtype=np.uint8)

2. 中值滤波：

   • 实现中值滤波函数，其中包含使用 reflect 模式填充数据，避免引入边缘噪声。
   • 在定义的窗口大小内，对每个像素点的周围像素进行中值运算。

   def median_filter(data, kernel_size):
       edge = kernel_size // 2
       data_padded = np.pad(data, pad_width=edge, mode='reflect')
       result = np.zeros(data.shape)
       for i in range(data.shape[0]):
           for j in range(data.shape[1]):
               local_pixels = data_padded[i:i + kernel_size, j:j + kernel_size]
               result[i, j] = np.median(local_pixels)
       return result

3. 滤波应用与图像保存：

   • 应用中值滤波器到图像数组上，处理噪声。
   • 将处理后的图像数组转换回图像格式，并保存。

   filtered_img_array = median_filter(img_array, window_size)
   filtered_img = Image.fromarray(filtered_img_array.astype(np.uint8))
   filtered_img.save(output_path + 'exp4_2_1.jpg')

实验结果：

1. 原图特点：
   • 原图是一块电路板的照片，图中存在大量随机噪声，这些噪声点扭曲了电路板的细节，使得图像看起来粗糙且细节不清。
2. 处理后的图像：
   • 经过自适应中值滤波处理后，大部分的噪声被清除，电路板上的元件和线路更加清晰。
   • 中值滤波通过考虑像素的局部邻域并选取中值来替换目标像素，有效去除了随机噪声，同时保持了边缘的锐度。

分析：

• 自适应中值滤波不仅去除了噪声，还保留了图像的边缘和细节，这对于电路板等需要精确细节的图像尤其重要。
• 中值滤波特别适合去除这类“胡椒和盐”类型的噪声，因为它不依赖于邻域的均值或者其他线性操作，避免了过度平滑和细节损失。

实验总结：

​ 本次实验主要探索了两种图像恢复技术：频域滤波和自适应中值滤波。在第一项任务中，我通过傅里叶变换成功地去除了图像中的条纹干扰，这一过程不仅提高了图像的视觉质量，还加深了我对频域分析方法在实际应用中的理解。通过适当的频域遮罩，能够精确地消除特定类型的图像噪声，显示了频域技术在图像处理领域的强大能力。

​ 在第二项任务中，自适应中值滤波器被用于有效去除电路板图像中的随机噪声。与传统的中值滤波不同，自适应中值滤波考虑了像素的局部变异，更好地保留了图像的细节和边缘信息。这一方法对于处理随机噪声尤为有效，尤其是在噪声点随机分布的情况下。

​ 通过这两种方法，我不仅提高了图像的质量，还验证了这些技术在处理不同类型噪声方面的适应性和效果。这次实验的成功展示了现代图像处理技术的多样性和实用性，为我解决更复杂的图像处理问题提供了宝贵的经验和技术支持。