pnmnlfilt - 云端在线

程序：

您的姓名

pnmnlfilt - 非线性滤波器：平滑、alpha 修整均值、最佳估计平滑、
边缘增强。

概要

过滤器 阿尔法 半径 [文件]

商品描述

过滤器 生成输出图像，其中像素是附近多个像素的汇总
输入图像中的相应位置。

该程序适用于多图像流。

这有点像瑞士军刀过滤器。 它有 3 种不同的操作模式。 在所有
图像中的每个像素根据它和它的模式被检查和处理
周围的像素值。 而不是在 9x3 块中使用 3 个像素，而是使用 7 个六边形区域
采样，六边形的大小由半径参数控制。 一种
半径值为 0.3333 意味着 7 个六边形正好适合中心像素（即
不会有过滤效果）。 半径值为 1.0 意味着 7 个六边形
完全适合 3x3 像素阵列。

阿尔法 修剪 意味着 过滤。 （0.0 <= 阿尔法 <= 0.5）

中心像素的值将被 7 个六边形值的平均值代替，但
7 个值按大小排序，7 个值的顶部和底部 alpha 部分被排除在外
从平均值。 这意味着 0.0 的 alpha 值给出与
正常卷积（即平均或平滑滤波器），其中半径将确定
过滤器的“强度”。 细微过滤的一个好的开始值是 alpha = 0.0，
半径 = 0.55 要获得更明显的效果，请尝试使用 alpha 0.0 和 radius 1.0

0.5 的 alpha 值将导致使用 7 个六边形的中值来代替
中心像素值。 这种过滤器有利于消除“流行”或单个像素
从图像中去除噪声，而不会将噪声散开或弄脏图像上的特征。
明智地使用半径参数将微调过滤。 的中间值
alpha 产生介于平滑和“流行”降噪之间的效果。 对于微妙的
过滤尝试从 alpha = 0.4、radius = 0.6 的值开始以获得更明显的效果
尝试 alpha = 0.5，半径 = 1.0

最佳 估计 平滑。 （1.0 <= 阿尔法 <= 2.0）

这种类型的过滤器在图像上自适应地应用平滑过滤器。 对于每个像素
计算周围六边形值的方差，平滑量
与它成反比。 这个想法是，如果方差很小，那么它是
由于图像中的噪声，而如果方差很大，则是因为“想要”的图像
特征。 像往常一样，radius 参数控制有效半径，但它可能
建议将半径保留在 0.8 和 1.0 之间，以便方差计算为
有意义。 alpha 参数设置噪声阈值，超过该阈值时，平滑越少
完成。 这意味着小的 alpha 值将提供最微妙的过滤
效果，而较大的值将倾向于平滑图像的所有部分。 你可以开始
使用 alpha = 1.2、radius = 1.0 等值并尝试增加或减少 alpha
参数以获得所需的效果。 这种类型的过滤器最适合过滤掉
位图和彩色图像中的抖动噪声。

边缘 增强。 （0.1 >= 阿尔法 >= -0.9）

这是与平滑滤波器相反类型的滤波器。 它增强了边缘。 阿尔法
参数控制边缘增强的量，从细微 (-0.1) 到明显 (-0.9)。
半径参数像往常一样控制有效半径，但有用的值介于
0.5 和 0.9。 尝试从 alpha = 0.3、radius = 0.8 的值开始

混合型皮肤 使用。

各种模式 过滤器 可以一个接一个地使用以获得所需的结果。
例如，要将单色抖动图像转换为灰度图像，您可以尝试一个
或两次通过平滑滤波器，然后通过最佳估计
过滤，然后是一些细微的边缘增强。 请注意，仅可能使用边缘增强
在非线性滤波器之一（alpha 修整均值或最佳估计）之后有用
filter)，因为边缘增强与平滑正好相反。

用于减少图像中的颜色量化噪声（即将 .gif 文件重新转换为 24 位
文件）您可以尝试通过最佳估计过滤器（alpha 1.2，radius 1.0），一个
通过中值滤波器（alpha 0.5，半径 0.55），并且可能通过边缘
增强过滤器。 α 递减的最优估计滤波器的多次传递
值比具有大 alpha 值的单次传递更有效。 像往常一样，有
过滤有效性和丢失细节之间的权衡。 实验是
鼓励。

参考文献：

alpha 修整均值滤波器基于 IEEE CG&A May 1990 第 23 页中的描述，由
Mark E. Lee 和 Richard A. Redner，并已得到增强以允许连续 alpha
调整。

最优估计滤波器取自一篇文章“Converting Dithered Images Back to
Gray Scale”，Allen Stenger，Dr Dobb's Journal，1992 年 XNUMX 月，以及这篇文章
参考“使用局部统计进行数字图像增强和噪声过滤”，
Jong-Sen Lee，IEEE Transactions on Pattern Analysis and Machine Intelligence，1980 年 XNUMX 月。

边缘增强细节来自 改善(1), 摘自 Philip R.
Thompson 的“xim”程序，该程序又取自“Digital Halftones by
点扩散”，DE Knuth，ACM 图形学交易第 6 卷，第 4 期，1987 年 XNUMX 月，
这反过来又是从 JF Jarvis 等人 1976 年的两篇论文中得到的。 阿尔。

使用 onworks.net 服务在线使用 pnmnlfilt