Filtry
Plan wykładu Przegląd dostępnych filtrów Zastosowanie filtrów na różnych etapach pracy systemu Dalsze badania
Kontrast i ostrość Kontrast różnica w kolorze i świetle między częściami ś i obrazu Ogólnie mówiąc im większa jest różnica tym lepsza ostrość
Podział filtrów Operacje na pojedynczym pikselu Operacje na grupie pikseli Operacje na histogramie obrazu Obrót / skalowanie obrazu Techniki złożone
Filtry punktowe I ( x, y) f [ I ( x, y)] out = Funkcja liniowa i Funkcja potęgowa Funkcja logarytmiczna in Zastosowanie Polepszenie kontrastu t Polepszenie ostrości obrazu
Funkcja liniowa Skalowanie Umożliwia skalowanie zakresu dynamicznego w wybranych przedziałach I out s Iin dla Iin <= r r s2 s ( x, y) = ( Iin r) + s dla Iin ( r, r2) r2 r 255 s 2 ( Iin r2) + s2 dla Iin >= r2 255 r2
250 200 Funkcja potęgowa 50 00 50 Korekcja Gamma Obraz po przekształceniu nie traci naturalnego wyglądu 0 5 0 5 20 25 I out ( x, y) = I ( x, y) γ gdzie γ = in 0,45
250 Funkcja logarytmiczna50 200 00 50 Kompresja poziomów szarości Naturalny wygląd obrazu Zmniejszenie informacji w obrazie I out ( x, y) = a + b = 255 c = max( I ) + x, y ln( Iin( x, y) + ) b *ln( c ) 0 5 0 5 20 25
Filtry punktowe - przykłady Obraz Skalowanie Logarytm Gamma
Filtry punktowe - przykłady Obraz Skalowanie Logarytm Gamma
Filtry punktowe - przykłady Obraz Skalowanie Logarytm Gamma
Filtry punktowe Zalety: Umożliwiają i polepszenie kontrastu t obrazu Zwiększają ostrość Wady: Przejaskrawienie obrazu Trudny dobór optymalnych parametrów
Filtry przestrzenne Filtry dolnoprzepustowe Uśredniający Gauss Mediana Filtry górnoprzepustowe Roberts Laplacian Prewitt Sobel
Sąsiedztwo
Filtry dolnoprzepustowe Usuwanie drobnych szumów Wygładzanie obrazu Rozmazywanie konturów
Filtr uśredniający I = out I in 9 group Filtr liniowy Łagodne wygładzenie obrazu 9
Filtr Gaussa G x + y 2 2σ ( x, y) = e 2 2πσ Filtr wykorzystujący funkcję potęgową Mocniejsze wygładzenie przy krótszym czasie działania 2 2 6 2 2 4 2 2
Filtr Medianowy Filtr nieliniowy Dobrze usuwa szumy z obrazów jednocześnie eś e nie eliminując ważnych informacji 2 4 3 3 3 0 2 3 3 3 4 0
Filtry dolnoprzepustowe Obraz Uśredniający Gauss Mediana
Filtry górnoprzepustowe Poprawa ostrości obrazu Wykrywanie konturów W przypadku zaszumionych obrazów niedoskonałości zostaną wyolbrzymione.
Filtr Roberts a Filtr Roberts a = y I x I I δ δ δ δ, Metoda gradientowa y 0 0 0 0 R x 0 0 0 0 R y 0 0 0 0 0 0 2 2 R R R + = y x y x R R R R R R + = +
Filtr Prewitt a δ I δi I =, δx δ y Metoda gradientowa P x 0 0 0 0 P 0 y 0 2 P = P x + P y P = P + x P y 2
Filtr Sobel a S x δ I δi I =, δx δ y Metoda gradientowa 2 0 0 0 0 S 2 0 2 y 2 0 S = S x + S y S = s + 2 x s 2 y
Filtr Laplacian Filtr Laplacian = 2 2 2 2, ), ( y I x I y x L δ δ δ δ Metoda wykorzystująca właściwości d i j h d j y drugiej pochodnej 8
Filtry górnoprzepustowe Obraz Roberts Prewitt Sobel
Operacje na histogramie Rozciąganie Dopasowanie Wyrównanie
Rozciąganie histogramu Zwiększenie zakresu dynamicznego obrazu, które poprawia kontrast t oraz ostrość I out ( x, y) = (2 B ) * I in ( x, y) min max min Nie działa dla obrazów o charakterystycznym histogramie
Wyrównanie histogramu Dąży do równomiernego rozproszenia poziomów szarości ś w obrazie wyjściowym Polepszenie kontrastu
Wyrównanie histogramu Algorytm: p( I ) = h( I ) / K gdzie K liczba pikseli D( i) I out D in = n = i=0 p( i) gdzie n poziomy szaro śza D ( Iin ) D D in0 in0 (2 B ) 0 pierwsza niezerowa wartośa obrazu orginal.
Dopasowanie histogramu Dąży do takiego przemieszczenia poziomów szarości, ś aby histogram obrazu wejściowego był jak najbardziej zbliżony do zadanego histogramu. Ujednolicenie jasności obrazów
Dopasowanie histogramu Algorytm: Stworzenie histogramu obrazu wejściowego h In i wyjściowego h Out Normalizacja histogramów p ( I ) = h ( I ) / K gdzie K liczba Obliczenie funkcji przyrostu D( i) n = i=0 p( i) gdzie n poziomy pikseli szaro śza
Dopasowanie histogramu Algorytm:
Histogram - przykłady Obraz Rozciąganie Wyrównanie Dopasowanie
Histogram Minimalizacja różnic między obrazami z różnych źródeł Poprawa a ostrości ośc i kontrastu
Obrót / skalowanie obrazu
Filtry złożone - techniki Kuwahara Canny Unsharp Masking LogAbout GammaAbout
Filtr Kuwahra Filtr nieliniowy Dobre wygładzanie obrazu Brak zacierania krawędzi Algorytm: Dla każdego regionu: Wynik: r = min( σ ) regiony I out I sr σ = = I = Iin n region sr region ( r) ( I in I sr 2 )
Filtr Canny Optymalizacja wykrywania krawędzi Algorytm: Filtr Gaussa Filtr Sobel Znalezienie kierunku krawędzi jako φ = tan ( S y / S ) Określenie kierunku Śledzenie pikseli w kierunku krawędzi i usuwanie zbędnych pikseli Progowanie x
Unsharp Masking Wyostrzanie obrazu Eliminacja drobnych szumów Algorytm: I(x,y) = Gauss(I in (x,y)) I hp (x,y) = I in (x,y) I(x,y) I hp( (x,y) = 0 dla I hp( (x,y) < próg I out (x,y) = I in (x,y) + a*i hp (x,y)
Metoda LogAbout Polepszenie wykrywania krawędzi Filtr górnoprzepustowy Filtr logarytmiczny
Metoda HistAbout Polepszanie wykrywania krawędzi Rozciąganie histogramu LogAbout Gauss
Metoda GammaAbout Polepszenie wykrywania krawędzi Gamma LogAbout Gauss
Gdzie stosować filtry? Obraz wejściowy Detekcja Normalizacja
Obraz wejściowy Problemy: Zakłócenia obrazu Rozwiązanie: ą Filtr Gaussa Filtr Medianowy
Obraz wejściowy/detekcja Problem: Ciemny obraz Rozwiązanie: ą Rozciąganie histogramu Korekcja Gamma GammaAbout
Detekcja Problem: Wykrywanie krawędzi Rozwiązanie: ą Filtr Roberts Filtr Prewitt Filtr Sobel Metoda Canny ego
Normalizacja kształtu Problem: Brak unifikacji rozmiarów Rozwiązanie: Skalowanie Problem Obrócona twarz Rozwiązanie: Obrót
Normalizacja oświetlenia Problem: Nierównomierne oświetlenie twarzy Rozwiązanie: ą Operacje na histogramie
Zastosowanie filtrów Poprawa jakości pobranego obrazu Polepszenie wydajności metod detekcji obiektów Normalizacja obrazu Normalizacja oświetlenia
Co dalej?? Normalizacja oświetlenia nadal pozostaje polem do dalszych badań ń Rozjaśnianie ojaś a obrazów ciemnych ce
Dziękuję