线性滤波算法的机器视觉适用性研究

在机器视觉系统实际工作过程中，由于状态噪声的多样性，很难实时选择出最佳滤波算法。论文针对线

滤波是模式识别、图像增强和复原等领域的关键技术，其在机器视觉分析与处理过程中起着至关重要的作用。如一张原始图像在获取与传递的过程中难免受到各种噪声的干扰，使得图像的质量下降，图像的分析难度大幅度提高[1]。如何在保留图像有效信息的同时滤除噪声，以及在不同图像环境下各种滤波算法的选择一直是数字图像处理领域的重大难题。在滤波技术中，根据输入函数是否为线性函数可以分为线性滤波和非线性滤波两种。线性滤波为原始数据采用算术运算实现，有固定的模板。并以其易于数学处理、易于采用快速傅里叶变换(fast Fourier transform)和具有完善的理论基础等优势，长期在图像的滤波处理领域中占有重要的地位。工程实际中，非线性滤波是一种对输入信号序列的映射关系，在非线性滤波时，常将某一特定的噪声近似映射为零，从而达到保留图像重要特征的效果[2]。

当前，国内外学者围绕滤波算法的改进取得了丰富的研究成果[3] [4] [5]。但是，由于算法本身的弊病和状态噪声的多样性，在机器视觉实际应用中，为了达到较为理想的效果，需根据图像环境选择不同的滤波算法[6] [7] [8] [9] [10]。因此，研究各型线性滤波算法的适用性具有重大的意义。本文重点分析了典型线性滤波算法在机器视觉系统中的应用，根据对输入图像迭加随机噪声组合，对比不同平滑量下的计算时间及输出结果，分析其在实际工作中的适用性，为提高机器视觉系统的开发与工作效率提供技术支持。

2. 使用须知 2.1. 时域递归滤波 时域递归滤波由CBS 实验室于1971 年提出，其在降低图像的随机噪声、提高图像信噪比和图像质量方面具有良好的效果。对于数字摄像系统而言，大部分噪声是随机的，如果以1 帧为周期，对图像信息在时域做加权平均，则可在保留图像信号的同时大大降低噪声。当采集到两帧图像进入缓存区后，将当前帧与前一帧的差乘滤波系数k 作为当前帧的滤波图像，并存入缓存区作为输入的前一帧，再将第三帧作为输入的当前帧进行循环运算。即 ()1101IIk II=+− (1) 式(1)如果存在一帧延时1z−，则其传递函数可以表示为 ( )111kH zkz−−=− (2)