第3章空间滤波

一、空间滤波基础（Basics of Spatial Filtering）

1.1 空间滤波的概念

空间滤波器（Spatial Filter）也称掩膜（Mask）、核（Kernel）、模板（Template）、窗口（Window），是一个尺寸为奇数的矩阵（如 $3 \times 3$、$5 \times 5$），在图像上逐像素滑动，通过邻域像素的加权求和计算中心像素的新值。

\[ g(x,y) = \sum_{i=-a}^{a} \sum_{j=-b}^{b} w(i,j) \cdot f(x+i, y+j) \]

其中 $w(i,j)$ 为滤波器系数，$f(x,y)$ 为原图像素值。

1.2 相关（Correlation）与卷积（Convolution）

相关（Correlation）：核在图像上直接滑动，逐元素相乘求和
卷积（Convolution）：先将核旋转 180°，再滑动求加权和

二维离散形式下：

\[ \text{相关: } g(x,y) = \sum_{i} \sum_{j} w(i,j) \cdot f(x+i, y+j) \]

\[ \text{卷积: } g(x,y) = \sum_{i} \sum_{j} w(i,j) \cdot f(x-i, y-j) \]

对于对称核（如高斯核），相关和卷积结果相同。

1.3 卷积的性质

性质	表达式
交换律	$f \star g = g \star f$
分配律	$f \star (g + h) = f \star g + f \star h$
结合律	$f \star (g \star h) = (f \star g) \star h$
可分离性	若 $w = w_1 \star w_2$，则 $w \star f = w_1 \star (f \star w_2)$

可分离性的意义：将 2-D 卷积分解为两次 1-D 卷积，大幅降低计算量，从 $O(K^2)$ 降为 $O(2K)$。

1.4 边界处理（Boundary Conditions）

滤波时核中心移动到图像边缘时，部分核元素会超出图像范围，需要边界处理：

方法	描述
零填充（Zero-padding）	超出边界的像素值视为 0
镜像（Mirror）	超出边界的像素值取镜像反射
复制（Replicated）	超出边界的像素值取最近边界值

零填充会导致图像边缘变暗（出现黑边）。

1.5 空间滤波与频率滤波的关系

空间域滤波：卷积操作
频率域滤波：乘法操作
两者通过卷积定理等价：$f(x,y) \star h(x,y) \Leftrightarrow F(u,v) \cdot H(u,v)$

二、低通滤波器（Low Pass Filter）

2.1 基本概念

低通滤波器衰减高频分量、保留低频分量，主要效果是：

平滑/模糊（Blurring/Smoothing）：减少灰度急剧变化
降噪（Denoising）：随机噪声主要分布在高频区域
去除小细节：在目标提取前去除细小结构
桥接小间隙：弥合断裂的线条或边缘

低通滤波是构建高通、带通、带阻滤波器的基础。

2.2 盒式滤波器（Box Filter）

均值滤波：邻域内所有像素取等权重平均。

$3 \times 3$ 盒式核：

\[ \frac{1}{9} \begin{bmatrix} 1 & 1 & 1 \\ 1 & 1 & 1 \\ 1 & 1 & 1 \end{bmatrix} \]

加权平均核（中心权重更高）：

\[ \frac{1}{16} \begin{bmatrix} 1 & 2 & 1 \\ 2 & 4 & 2 \\ 1 & 2 & 1 \end{bmatrix} \]

核必须归一化：保证整体亮度不变（核系数之和 = 1）。

特点：

优点：简单，计算快
缺点：边缘过渡不够平滑，方块效应明显

2.3 高斯滤波器（Gaussian Filter）

高斯核：权重从中心向外呈高斯函数递减。

\[ w(x,y) = G(x,y) = K \cdot e^{-\frac{x^2 + y^2}{2\sigma^2}} \]

$\sigma$ 控制平滑程度：$\sigma$ 越大 → 模糊越强
核大小：通常取 $[-3\sigma, 3\sigma]$ 范围截断（超出此范围的权重接近 0）
圆对称性（Circularly Symmetric）：各方向平滑程度相同

高斯平滑的级联特性：给一张图连续做两次高斯模糊，其最终效果等效于做了一次参数为等效值的高斯模糊，等效值公式如下： $$ G_{\sigma_1} \star G_{\sigma_2} = G_{\sqrt{\sigma_1^2 + \sigma_2^2}} $$

高斯 vs 盒式

相同程度的模糊效果下，高斯核的尺寸需要比盒式核更大。但高斯核的边缘过渡更加平滑自然，不会出现盒式滤波的方块效应。

2.4 统计排序滤波器（Order-Statistic / Nonlinear Filters）

（1）中值滤波器（Median Filter）

将邻域内像素灰度值排序，取中值替换中心像素
非线性滤波器（没有固定的核系数矩阵）
核心优势：对椒盐噪声（Salt-and-Pepper Noise / Impulse Noise）效果极佳
- 椒盐噪声点灰度值极端（极亮或极暗），中值排序后自然被排到两端丢弃
相比高斯滤波：去噪同时边缘模糊更少

（2）最大值滤波器（Max Filter）

取邻域内最大值
效果：图像整体变亮，可消除暗色噪声点（"pepper"）

（3）最小值滤波器（Min Filter）

取邻域内最小值
效果：图像整体变暗，可消除亮色噪声点（"salt"）

2.5 池化层（Pooling Layer）

CNN 中的池化操作本质上是低通滤波 + 降采样的组合：

类型	操作	效果
最大池化（Max Pooling）	取窗口内最大值	保留最显著特征
平均池化（Average Pooling）	取窗口内平均值	整体平滑降采样

参数：核大小（Kernel Size）和步长（Stride）
作用：降采样 + 提取最重要的特征

2.6 低通滤波的医学应用

区域提取（Region Extraction）：先模糊去除细小纹理，再阈值分割，可提取大的细胞区域（如荧光显微镜细胞成像）
阴影校正（Shading Correction）：提取低频背景（如光照不均匀的阴影），从原图中减去以得到均匀背景
图像降噪：高斯噪声（Gaussian 滤波）、椒盐噪声（Median 滤波）

2.7 相对尺寸与分辨率

核大小的相对性

同一核尺寸在不同分辨率图像上的效果不同：

$4096 \times 4096$ 图像上 $187 \times 187$ 核 → 轻微模糊
$1024 \times 1024$ 图像上 $187 \times 187$ 核 → 极度模糊

核大小需结合图像物理分辨率（FOV）来评估。

三、高通滤波器（High Pass Filter）

3.1 基本概念

低通 = 求和/积分 → 平滑
高通 = 差分/微分 → 锐化（Sharpening）
高通滤波用于增强边缘、细节、不连续处（这些是高频分量）

3.2 一阶微分（First-order Derivatives）

一阶微分检测灰度的变化速率：

\[ \frac{\partial f}{\partial x} = f(x+1) - f(x) \]

梯度（Gradient）：

\[ \nabla f = \begin{bmatrix} \frac{\partial f}{\partial x} \\ \frac{\partial f}{\partial y} \end{bmatrix} \]

梯度幅值 = 变化速率：$\|\nabla f\| = \sqrt{(\partial f/\partial x)^2 + (\partial f/\partial y)^2}$
梯度方向 = 最大变化方向：$\theta = \tan^{-1}(\frac{\partial f/\partial y }{ \partial f/\partial x})$

3.3 二阶微分（Second-order Derivatives）— Laplacian

二阶微分检测灰度的变化加速度（更敏感于突变）。

\[ \frac{\partial^2 f}{\partial x^2} = f(x+1, y) + f(x-1, y) - 2f(x, y) \]

\[ \frac{\partial^2 f}{\partial y^2} = f(x, y+1) + f(x, y-1) - 2f(x, y) \]

Laplacian 算子（各向同性 isotropic）：

\[ \nabla^2 f = \frac{\partial^2 f}{\partial x^2} + \frac{\partial^2 f}{\partial y^2} \]

$N_4$ 邻域 Laplacian 核：

\[ \begin{bmatrix} 0 & 1 & 0 \\ 1 & -4 & 1 \\ 0 & 1 & 0 \end{bmatrix} \]

$N_8$ 邻域 Laplacian 核：

\[ \begin{bmatrix} -1 & -1 & -1 \\ -1 & 8 & -1 \\ -1 & -1 & -1 \end{bmatrix} \]

Laplacian 的特点：

核系数总和为 0 → 平坦区域响应为 0
对灰度突变（边缘 + 噪声）均极其敏感
输出包含正负值：边缘的两侧分别为正和负

3.4 Sobel 算子

Sobel 是一阶微分算子，在求导的同时带有平滑效果（中间行/列权重加倍）。

水平方向 $Sobel_x$（检测垂直边缘）：

\[ \begin{bmatrix} -1 & 0 & 1 \\ -2 & 0 & 2 \\ -1 & 0 & 1 \end{bmatrix} \]

垂直方向 $Sobel_y$（检测水平边缘）：

\[ \begin{bmatrix} -1 & -2 & -1 \\ 0 & 0 & 0 \\ 1 & 2 & 1 \end{bmatrix} \]

Sobel 幅值（常用近似）：$M(x,y) \approx |g_x| + |g_y|$

Sobel 的特点：

相对迟钝：只对粗壮的、真实的结构边缘有强响应
能有效忽略细微的高频背景噪声
中心权重加倍（2 和 -2）提供了内置平滑

一阶 vs 二阶

特性	一阶微分（梯度/Sobel）	二阶微分（Laplacian）
对边缘响应	产生较宽的响应带	产生较窄的双线（正负）
对噪声	相对迟钝	极其敏感
对斜坡	非零响应	仅在起点和终点非零
方向性	有方向性（x/y）	各向同性

四、空间增强（Spatial Enhancement）

4.1 Laplacian 锐化增强

将 Laplacian 结果叠加回原图实现锐化：

\[ g(x,y) = f(x,y) + c \cdot [\nabla^2 f(x,y)] \]

$c = -1$（N4 Laplacian 中心为负时取 $c=-1$，叠加后边缘变亮）
$c = 1$（N8 Laplacian 中心为正时取 $c=1$）

效果：边缘处产生过冲（overshoot），视觉上更锐利。

4.2 反锐化掩膜（Unsharp Masking）

经典图像增强技术：

获取低频分量：$f_L = \text{LowPass}(f)$（如高斯模糊）
提取高频分量（掩膜）：$f_h = f - f_L$
高频增强叠加：$f_{\text{enhance}} = f + k \cdot f_h$
$k$ 控制增强强度，$k > 1$ 时产生高频提升（High-boost Filtering）

4.3 复合空间增强管线

流程图：

问题：直接用 Laplacian 锐化 → 边缘清晰 + 噪声也被放大（雪花噪声）

解决方案：利用 Sobel 的抗噪性约束 Laplacian（双分支管线）：

分支 A（初级锐化）：
  原图 → Laplacian → 边缘+噪声细节

分支 B（掩膜制作）：
  原图 → Sobel（只提取粗壮边缘）→ 均值平滑 → 纯边缘掩膜

融合：
  掩膜 × Laplacian细节 = 只在边缘处保留锐化，平坦处抑制噪声
  → + 原图 → Gamma 提亮 → 最终增强图像

设计哲学：Sobel 的迟钝恰好弥补了 Laplacian 的过度敏感——利用不同数学工具的优势互补。

五、带通/带阻滤波器（Band Pass / Band Reject Filter）

5.1 基本概念

带阻滤波器（Band Reject）：阻止特定频率范围，其余通过
带通滤波器（Band Pass）：只让特定频率范围通过，其余阻止

两者关系：$\text{BandPass} = 1 - \text{BandReject}$

5.2 构建方法

带通/带阻滤波器由低通和高通滤波器组合而成：

目标	构建方式
带阻	低通 + 高通 = 中间频率被阻
带通	1 − 带阻 = 仅中间频率通过

5.3 陷波滤波器（Notch Filter）

陷波滤波器是一种特殊的带阻滤波器，只阻止特定离散频率点（及其对称点）。

应用：消除图像中的周期性噪声（如条纹噪声）
周期性噪声在频域中表现为以原点对称的孤立亮斑
陷波滤波器在这些频率点置零，其余频率全通

六、本章总结（Summary）

空间滤波基础

空间滤波 = 核在图像上滑动 + 邻域加权求和
相关 vs 卷积（对称核时等价）
可分离性：2-D 滤波 → 两次 1-D 滤波，降低计算量
边界处理：零填充、镜像、复制

低通滤波器

盒式滤波：等权重平均，简单但有方块效应
高斯滤波：中心权重大，平滑自然，$\sigma$ 控制平滑程度
中值滤波：非线性，对椒盐噪声效果最佳，模糊少
最大/最小滤波：消除暗/亮噪声点
应用：降噪、区域提取、阴影校正

高通滤波器

一阶（梯度/Sobel）：检测变化速率，相对鲁棒，有方向性
二阶（Laplacian）：检测变化加速度，各向同性，对噪声极敏感
核心对比：Laplacian 对噪声比 Sobel 敏感得多

空间增强

Laplacian 增强：$g = f + c \cdot \nabla^2 f$
反锐化掩膜：$f_{\text{enhance}} = f + k \cdot (f - f_L)$
复合管线：Sobel 掩膜 × Laplacian → 去噪锐化

带通/带阻滤波器

由低通和高通组合构建
陷波滤波器用于消除周期性噪声

历年卷解答

一、判断噪声类型（2020 / 2022）

知识点定位：噪声模型

解题思路：根据给出的直方图形状判断噪声类型：

噪声类型	直方图特征
高斯噪声	对称钟形（正态分布形状），集中在均值附近
椒盐噪声	两端（最暗和最亮处）各有一个尖峰，中间平坦
瑞利噪声	偏态分布，向右倾斜
均匀噪声	平坦矩形分布

二、哪些是空间滤波器（2022 选择）

知识点定位：空间滤波 vs 频率滤波

答案：均值滤波器、中值滤波器是空间滤波器；Notch（陷波滤波器）不是——它在频率域操作，通过阻断特定频率来滤波。

关键区分：空间滤波器通过卷积核在图像上滑动做邻域加权，频率滤波器通过 FFT 在频域乘积实现。

三、Laplacian 对噪声更敏感（2020 / 2022 判断）

知识点定位：高通滤波器 — 一阶 vs 二阶微分

答案：正确。 相比 Sobel 等一阶算子，Laplacian 等二阶导数算子对噪声更加敏感。

原因：

二阶微分检测灰度的"变化加速度"——噪声是高频的随机突变，Laplacian 对其响应极强
一阶微分（Sobel）带有内置平滑（中间行权重加倍），对噪声相对迟钝
因此实际管线中需要 Sobel 掩膜约束 Laplacian（参见实验 3 的复合增强管线）

四、邻域平均去噪会变模糊（2020 判断）

知识点定位：低通滤波器 — 平滑与模糊

答案：正确。 邻域平均（如均值滤波/高斯滤波）本质是低通滤波，在抑制高频噪声的同时也衰减了图像的高频细节（边缘、纹理），导致图像变模糊。噪声抑制与细节保留是一对矛盾——中值滤波在去椒盐噪声时可缓解此矛盾，NLM 在去高斯噪声时可缓解此矛盾。

五、周期噪声用陷波滤波（2020 判断）

知识点定位：带阻滤波器 — 陷波滤波器

答案：正确。 周期噪声在频域中表现为孤立的频率尖峰（对称亮斑），陷波滤波器精确阻止这些特定频率，是消除周期性噪声的最优选择。

六、椒盐噪声与统计滤波器（2021 大题）

知识点定位：噪声 — 椒盐噪声与中值滤波

（1）中值滤波公式：$\hat{f}(x,y) = \text{median}\{f(s,t),\ (s,t) \in S_{xy}\}$

（2）为什么中值滤波对椒盐噪声效果最好：

椒盐噪声点灰度值极端（纯黑 0 或纯白 255）→ 在排序中自然被排到两端丢弃
中值来自邻域内真实的像素值而非平均——去噪同时不会产生新灰度值、不模糊边缘
相比之下，均值滤波会把极端值"平均进去"→ 噪点虽被削弱但仍残留为灰色斑点

（3）周期噪声的参数估计：在频域幅度谱中定位对称亮斑坐标（基频 + 谐波）→ 估计噪声频率位置；高斯/椒盐噪声的参数估计 → 选取平坦背景 ROI 做统计。

七、统计滤波器 vs 均值滤波处理椒盐噪声（2021 大题）

知识点定位：统计排序滤波器

统计滤波器（中值滤波）公式：$\hat{f}(x,y) = \text{median}\{f(s,t)\}$

为什么好：椒盐噪声灰度值位于极端（0/255），排序后自然被排到两端丢弃，不会像均值滤波那样把极端值平均进结果导致灰色斑块残留。

性质	表达式
交换律	\(f \star g = g \star f\)
分配律	\(f \star (g + h) = f \star g + f \star h\)
结合律	\(f \star (g \star h) = (f \star g) \star h\)
可分离性	若 \(w = w_1 \star w_2\)，则 \(w \star f = w_1 \star (f \star w_2)\)

第3章 空间滤波