在一个应用程序中,我对输入图像应用平均掩模以减少噪音,然后使用拉普拉斯掩模增强小细节。请问如果我在Matlab中反转这些操作的顺序,是否会得到相同的结果?
在一个应用程序中,我对输入图像应用平均掩模以减少噪音,然后使用拉普拉斯掩模增强小细节。请问如果我在Matlab中反转这些操作的顺序,是否会得到相同的结果?
使用拉普拉斯核进行卷积类似于使用强度变化的二阶导数信息。由于该导数对噪声敏感,因此我们通常在应用拉普拉斯滤波器之前使用高斯平滑图像。
这是一个类似于@belisarius发布的MATLAB示例:
f='http://upload.wikimedia.org/wikipedia/commons/f/f4/Noise_salt_and_pepper.png';
I = imread(f);
kAvg = fspecial('average',[5 5]);
kLap = fspecial('laplacian',0.2);
lapMask = @(I) imsubtract(I,imfilter(I,kLap));
subplot(131), imshow(I)
subplot(132), imshow( imfilter(lapMask(I),kAvg) )
subplot(133), imshow( lapMask(imfilter(I,kAvg)) )
F1
和F2
,以及一张图像I
。如果您将图像通过这两个滤波器,您将得到一个被定义为响应的结果。X = ((I * F1) * F2)
在这里,我使用*
来代表卷积。
根据卷积的结合律,这与以下式子相同。
X = (I * (F1 * F2))
X = (I * (F2 * F1)) = ((I * F2) * F1)
编辑
离散卷积定义为
因此,在数据边缘添加零在数学意义上并没有改变任何东西。
正如一些人指出的那样,您将在数字上获得不同的答案,但这在我们处理实际数据时是预期的。这些变化应该很小,并且仅限于卷积输出的低能量部分(即边缘)。
还要考虑卷积操作的工作方式。对长度为X
和长度为Y
的两组数据进行卷积将导致一个长度为X+Y-1
的答案。对于像MATLAB和Mathematica这样的程序,有一些幕后魔法可以给您一个长度为X
或Y
的答案。
因此,关于@belisarius的帖子,似乎我们真的在说同样的事情。
编辑
作为对@thron在他的回答中关于线性滤波和填充的交换评论的回应,只需考虑以下操作。
虽然不填充时高斯和拉普拉斯滤波器的交换是正确的:
list = {1, 3, 5, 7, 5, 3, 1};
gauss[x_] := GaussianFilter[ x, 1]
lapl[x_] := LaplacianFilter[x, 1]
Print[gauss[lapl[list]], lapl[gauss[list]]]
(*
->{5.15139,0.568439,-1.13688,-9.16589,-1.13688,0.568439,5.15139}
{5.15139,0.568439,-1.13688,-9.16589,-1.13688,0.568439,5.15139}
*)
对于填充,同样的操作会导致边缘的差异:
gauss[x_] := GaussianFilter[ x, 1, Padding -> 1]
lapl[x_] := LaplacianFilter[x, 1, Padding -> 1]
Print[gauss[lapl[list]], lapl[gauss[list]]]
(*
->{4.68233,0.568439,-1.13688,-9.16589,-1.13688,0.568439,4.68233}
{4.58295,0.568439,-1.13688,-9.16589,-1.13688,0.568439,4.58295}
*)