常用的机器学习滤波算法应用

滤波器的常见使用场景

噪声消除

（1）椒盐噪声

使用median_image（能更好的保留边缘信息），可以非常有效地消除这种噪声。

（2）白噪声

白噪声是硬件引入的常见问题。而均值滤波器和中值滤波器都可以产生很好的滤波的结果。

（3）纹理噪声

滚动式导向滤波器，可以起到很好的效果，但是总运行时间会大大增加。而中值滤波器也可能产生令人满意的结果。

纹理提取

可以使用滚动导向滤波器（Rolling Guidance Filter）。然后使用算术滤波器sub_image将原始图像减去被滤波器过滤的图像，可以得到提取的纹理图像。

图像分割

滤波加局部阈值dyn_threshold。可以获得不容易看到的缺陷。

（1）通过滤波器预处理改善运行时间或提高鲁棒性。

（2）而动态阈值化方法的优势在于它能够根据图像的局部特征自适应地确定阈值，从而更好地适应不同的图像场景和目标。它在处理不均匀照明、背景复杂的图像时通常能取得较好的效果。

*Segment braille with dyn_threshold.
read_image (Image,'photometric_stereo/embossed_01')
mean_image (Image,ImageMean,60,60)
dyn_threshold (Image, ImageMean, RegionDynThresh, 15, 'not_equal')

校正不均匀照明

1.算术滤波器

获取一张背景图像（没有任何产品或是完整产品的），照明不是完全均匀的。然后从实际图像中减去该背景图像，得到的结果是更好的照明图像。

2. 均值滤波

均值滤波是最简单的照明校正方法之一，它通过计算图像领域内像素的平均值，然后将每个像素的值减去这个平均值来实现照明校正。这可以减小图像的整体亮度差异。

3. 平滑滤波

平滑滤波使用各种滤波器（如高斯滤波器）来平滑图像，去除照明中的高频成分，从而达到照明均匀化的效果。

增强局部细节

在图像中，我们如要增强细节。首先需要对图像进行平滑处理。然后，从原始图像中减去平滑图像，获得细节图像。最后，我们将这些细节信息添加到原始图像中。

*Enhance details.
read_image (Image,'angio-part')
guided_filter(Image,image,ImageSmooth,5,10)
sub_image (Image,ImageSmooth,ImageDetail,5,0)
add_image(ImageDetail,Image,ImageDetailEnhanced