一种全新的图像滤波理论的实验（三）

一、前言

2023年02月22日，我发布了滤波后，为针对异常的白色和黑色像素进行处理的实验，本次发布基于上下文处理的方案的实验，目的是通过基于加权概率模型滤波后，在逆滤波时直接修复大量的白色和黑色的异常像素，效果很明显。
本次实验主要有三个点：
1、在自定义的数据上判断滤波的作用，以及滤波后数据的特征；
2、在lenna.bmp图像上进行相同的统计，确定图像已经被正常的滤波；
3、我给出的简单修复算法能有效的去除逆滤波后的问题。

二、自定义256个字节进行滤波

2.1 实验一：设定滤波系数：15，生成0-255的值

通过实验得出：
1、滤波后的而且等于0xFF的数据为79，很显然加权概率模型的滤波和DCT、小波区别巨大，不会产生接近0的值，而是大部分偏向255的值。
2、逆滤波后的差异个数为85个，其他的数据完全正确。

2.2 实验二：设定滤波系数：20，生成0-255的值

通过实验不难得出：
1、滤波后的而且等于0xFF的数据为120。
2、逆滤波后的差异个数为133个，其他的数据完全正确。

2.3 实验三：设定滤波系数：20，随机生成256个字节，进行三次

第一次

第二次

第三次
三次实验得出的结果是：
1、滤波后等于0xFF的值会有一部分的波动，但是逆滤波后的数据错误率变化不大。

2.4 实验结论

显然，上述实验，证明加权概率模型能有效的进行数据滤波，另外实际上当滤波系数为15时，是基于符号1的概率p1= 665/1024 = 0.649414，以及加权系数r = 978/1024 = 0.955078，进行的滤波。需要注意的是，加权系数r的计算公式来自于《杰林码原理及应用》。为了方便将算法整数运算，所以变成了查表的模式进行计算，以前我把这个算法叫等熵变换，或降熵变换算法，其实就是滤波算法。滤波的目的是方便压缩和分析。

三、基于lenna.bmp图像滤波同时进行修复

3.1 实验一：设定滤波系数：15

不修复时：

修复后：

显然，通过上下文能有效的修复图像；其次，等于0xFF的值大于了25%，为图像压缩带来巨大的效应，修复后的图像质量还不错！

3.2 实验二：设定滤波系数：25

不修复时：

修复后：

显然，通过上下文能有效的修复图像，不过还需要一次修复处理！其次，等于0xFF的值大于了55%，为图像压缩带来巨大的效应，修复后的图像质量还不错！不存在所谓的模糊、方块效应。