Przetwarzanie i Kompresja Obrazów. Filtracja

Podobne dokumenty
Przetwarzanie i Kompresja Obrazów. Segmentacja

Filtracja obrazów. w dziedzinie częstotliwości. w dziedzinie przestrzennej

Filtracja obrazu operacje kontekstowe

Segmentacja przez detekcje brzegów

Filtracja liniowa (metody konwolucyjne, tzn. uwzględniające pewne otoczenie przetwarzanego piksla):

Filtracja obrazu operacje kontekstowe

Cyfrowe przetwarzanie obrazów i sygnałów Wykład 7 AiR III

Przekształcenia kontekstowe. Filtry nieliniowe Typowy przykład usuwania zakłóceń z obrazu

Przetwarzanie i Kompresja Obrazów. Morfologia matematyczna

Przetwarzanie obrazu

Filtracja splotowa obrazu

WYKŁAD 3. Przykłady zmian w obrazie po zastosowaniu Uniwersalnego Operatora Punktowego

Cyfrowe przetwarzanie obrazów i sygnałów Wykład 8 AiR III

FILTRACJE W DZIEDZINIE CZĘSTOTLIWOŚCI

Analiza obrazów - sprawozdanie nr 2

Rozpoznawanie Twarzy i Systemy Biometryczne

Parametryzacja obrazu na potrzeby algorytmów decyzyjnych

Filtracja w domenie przestrzeni

Przetwarzanie i Kompresja Obrazów. Przekształcenia geometryczne

PRZETWARZANIE SYGNAŁÓW

Przetwarzanie obrazów rastrowych macierzą konwolucji

Przetwarzanie obrazów wykład 4

Przetwarzanie obrazów. Grupy metod przetwarzania obrazu. Przetwarzanie jednopunktowe. Przetwarzanie jednopunktowe. Przetwarzanie jednopunktowe

Grafika komputerowa. Dr inż. Michał Kruk

maska 1 maska 2 maska 3 ogólnie

Analiza obrazu. wykład 4. Marek Jan Kasprowicz Uniwersytet Rolniczy 2009

Spośród licznych filtrów nieliniowych najlepszymi właściwościami odznacza się filtr medianowy prosty i skuteczny.

Cyfrowe Przetwarzanie Obrazów i Sygnałów

POB Odpowiedzi na pytania

Analiza obrazu. wykład 6. Marek Jan Kasprowicz Uniwersytet Rolniczy 2009

WSTĘP DO PRZETWARZANIA OBRAZÓW. Jak znaleźć ciekawe rzeczy na zdjęciu? mgr Krzysztof Szarzyński

Laboratorium. Cyfrowe przetwarzanie sygnałów. Ćwiczenie 11. Filtracja sygnałów wizyjnych

Diagnostyka obrazowa

Diagnostyka obrazowa

Wyznaczniki. Algebra. Aleksander Denisiuk

Laboratorium Cyfrowego Przetwarzania Obrazów

PRZETWARZANIE OBRAZÓW

Wyższa Szkoła Informatyki Stosowanej i Zarządzania

Rekonstrukcja obrazu (Image restoration)

Restauracja a poprawa jakości obrazów

Lokalne transformacje obrazów

Politechnika Świętokrzyska. Laboratorium. Cyfrowe przetwarzanie sygnałów. Ćwiczenie 8. Filtracja uśredniająca i statystyczna.

A-2. Filtry bierne. wersja

Politechnika Świętokrzyska. Laboratorium. Przetwarzanie obrazów medycznych. Ćwiczenie 5. Filtracja kontekstowa obrazów.

Wstęp do sieci neuronowych, wykład 03 Warstwy RBF, jednostka Adaline.

Inżynieria Wiedzy i Systemy Ekspertowe. Logika rozmyta. dr inż. Michał Bereta Politechnika Krakowska

Ćwiczenia z grafiki komputerowej 5 FILTRY. Miłosz Michalski. Institute of Physics Nicolaus Copernicus University. Październik 2015

Przetwarzanie obrazów wykład 3

Wektory. Algebra. Aleksander Denisiuk. Polsko-Japońska Wyższa Szkoła Technik Komputerowych Wydział Informatyki w Gdańsku ul. Brzegi Gdańsk

2. P (E) = 1. β B. TSIM W3: Sygnały stochastyczne 1/27

Grafika Komputerowa. Algorytmy rastrowe

Zbigniew Sołtys - Komputerowa Analiza Obrazu Mikroskopowego 2016 część 5

Wyższa Szkoła Informatyki Stosowanej i Zarządzania

Sztuczna inteligencja: zbiory rozmyte

WYDZIAŁ FIZYKI I INFORMATYKI STOSOWANEJ

4 Zasoby językowe Korpusy obcojęzyczne Korpusy języka polskiego Słowniki Sposoby gromadzenia danych...

Projekt 2: Filtracja w domenie przestrzeni

Ćwiczenie 2. Przetwarzanie graficzne plików. Wprowadzenie teoretyczne

Algorytmy graficzne. Nieliniowa filtracja obrazów monochromatycznych

WOJSKOWA AKADEMIA TECHNICZNA

ANALIZA I PRZETWARZANIE OBRAZÓW

Wykład 6: Reprezentacja informacji w układzie optycznym; układy liniowe w optyce; podstawy teorii dyfrakcji

Algebra linowa w pigułce

Wyższa Szkoła Informatyki Stosowanej i Zarządzania WIT

Przekształcenie Fouriera obrazów FFT

Pozostała algebra w pigułce

Sztuczna inteligencja : Zbiory rozmyte cz. 2

Równania różniczkowe. Analiza Matematyczna. Aleksander Denisiuk

Technika laserowa, otrzymywanie krótkich impulsów Praca impulsowa

Wykład 6: Reprezentacja informacji w układzie optycznym; układy liniowe w optyce; podstawy teorii dyfrakcji

Przedmowa Wykaz oznaczeń Wykaz skrótów 1. Sygnały i ich parametry Pojęcia podstawowe Klasyfikacja sygnałów

Filtracja. Krzysztof Patan

II. FUNKCJE WIELU ZMIENNYCH

Uniwersytet Warszawski, Wydział Fizyki

Wstęp do sieci neuronowych, wykład 03 Warstwy RBF, jednostka Adaline.

Metody systemowe i decyzyjne w informatyce

edzi (local edge detectors) Lokalne operatory wykrywania kraw

Część 1. Transmitancje i stabilność

Technika audio część 2

Obraz jako funkcja Przekształcenia geometryczne

Raport. Bartosz Paprzycki UMK 2009/2010

Określenie całki oznaczonej na półprostej

Cyfrowe Przetwarzanie Obrazów i Sygnałów

Próbkowanie (ang. sampling) - kwantyzacja. Rastrowa reprezentacja obrazu 2D. Generowanie obrazu rastrowego 2D. Próbkowanie i integracja

Algorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta

Dyskretne układy liniowe. Funkcja splotu. Równania różnicowe. Transform

Algebra z geometrią analityczną zadania z odpowiedziami

Algebra z geometrią analityczną zadania z odpowiedziami

Diagnostyka obrazowa

Algebra z geometrią analityczną zadania z odpowiedziami

AKWIZYCJA I PRZETWARZANIE WSTĘPNE

Diagnostyka obrazowa

Komputerowe obrazowanie medyczne

Statystyka matematyczna dla leśników

Laboratorium 3 - statystyka opisowa

Obraz cyfrowy. Radosław Mantiuk. Wydział Informatyki Zachodniopomorski Uniwersytet Technologiczny w Szczecinie

0.1 Pierścienie wielomianów

Politechnika Łódzka. Instytut Systemów Inżynierii Elektrycznej

Analiza Matematyczna. Własności funkcji różniczkowalnych

Transkrypt:

Przetwarzanie i Kompresja Obrazów. acja Aleksander Denisiuk(denisjuk@pja.edu.pl) Polsko-Japońska Akademia Technik Komputerowych Wydział Informatyki w Gdańsku ul. Brzegi 55, 80-045 Gdańsk 7 kwietnia 206 /33

acja Najnowsza wersja tego dokumentu dostępna jest pod adresem http://users.pja.edu.pl/~denisjuk/ 2/33

Czarna skrzynka y liniowe y splotowe 3/33

Model czarnej skrzynki Czarna skrzynka y liniowe y splotowe f(x,y) g(x,y)=pf(x,y) Typowezastosowania: odszumowanie wygładzanie wyostrzanie uwypuklenie detali krawędziowanie y artystyczne f(x,y) P g(x,y) 4/33

y liniowe Czarna skrzynka y liniowe y splotowe Pnazywasięliniowym,jeżeli P(αf +βf 2 )=αp(f )+βp(f 2 ) Inneynazywająsięnieliniowymi 5/33

y splotowe Czarna skrzynka y liniowe y splotowe Pnazywasiętranslacyjnie-niezmienniczym,jeżeli P ( f(x u,y v) ) =Pf(x u,y v) liniowyitranslacyjnie-niezmienniczynazywasię splotowym Pf(x,y)=f h(x,y)= f(x u, y v)h(u, v) dudv, gdzie h(u, v) jest jądrem splotowym(funkcją odpowiedzi impulsowej) g=f h G=F H,gdzieG,FiHsą transformacjami Fouriera odpowiednio g, f oraz h, H(u, v) nazywa się funkcją transmisji g(i,j)=f(i,j) h(i,j)= m k=0 n l=0 hjestzazwyczajsymetrycznąmacierzą h(k,l)f(k+i,l+j) 6/33

z sąsiedztwem Rozmycie Gaussa medianami Idealny dolnoprzepustowy 7/33

z sąsiedztwem Rozmycie Gaussa medianami Idealny dolnoprzepustowy Redukcjaszumu Metodyprzestrzenne liniowe nieliniowe uśrednieniezsąsiedztwem rozmyciegaussa uśrednienie poprzez mediany Metodywidmowe y dolnoprzepustowe 8/33

z sąsiedztwem z sąsiedztwem Rozmycie Gaussa medianami Idealny dolnoprzepustowy Wybierasięokno3 3albo5 5,zawierającedanypiksel 4-sąsiednie średnie: 8-sąsiednie średnie: 9 9 9 9 9 9 9 9 9 0 4 0 4 0 4 0 4 0 8 8 8 8 0 8 8 8 8 także 8-sąsiednie średnie 9/33

Progowanie z sąsiedztwem Rozmycie Gaussa medianami Idealny dolnoprzepustowy Wybierasięprógτ>0 Obliczasięśrednią:a Jeżelistarawartośćróżnisięodśredniejmniej,niżpróg, zostawia się starą wartość dla 4-sąsiednich średnich: a= ( ) 4 f(x,y)+f(x,y )+f(x,y+)+f(x+,y) g(x,y)= { a, f(x,y) a >τ, f(x,y), f(x,y) a τ. 0/33

Rozmycie Gaussa z sąsiedztwem Rozmycie Gaussa medianami Idealny dolnoprzepustowy JądrosplotoweGaussah(x,y)= 2 +y 2 2πσe x 2 2σ 2 jest rozdzielczym jest symetrycznym względem rotacji ma takie same wygładzanie w każdym kierunku /33

Okno7 7dlaσ= 2 z sąsiedztwem Rozmycie Gaussa medianami Idealny dolnoprzepustowy 4π 0.0 0.039 0.082 0.05 0.082 0.039 0.0 0.039 0.35 0.287 0.368 0.287 0.35 0.039 0.082 0.287 0.606 0.779 0.606 0.287 0.082 0.05 0.368 0.779.000 0.779 0.368 0.05 0.082 0.287 0.606 0.779 0.606 0.287 0.082 0.039 0.35 0.287 0.368 0.287 0.35 0.039 0.0 0.039 0.082 0.05 0.082 0.039 0.0 2/33

Okno7 7dlaσ= 2,liczbycałkowite z sąsiedztwem Rozmycie Gaussa medianami Idealny dolnoprzepustowy 5 4 7 0 7 4 4 2 26 33 26 2 4 7 26 55 7 55 26 7 0 33 7 9 7 33 0 7 26 55 7 55 26 7 4 2 26 33 26 2 4 4 7 0 7 4 3/33

medianami z sąsiedztwem Rozmycie Gaussa medianami Idealny dolnoprzepustowy Wybieramypikselezsąsiedztwa Danypikseljestzastąpionyprzezmedianę uporządkować wartości rosnąco wybrać tę, która będzie pośrodku Okno3 3albo5 5 4/33

Przykład z sąsiedztwem Rozmycie Gaussa medianami Idealny dolnoprzepustowy 200 20 202 202 203 202 200 98 202 203 205 204 204 202 200 97 205 20 2 22 20 209 208 205 Obraz: 205 20 208 22 25 23 28 22 27 24 29 20 2 220 28 208 22 24 28 220 220 29 28 28 20 22 23 25 26 26 20 22 208 208 20 2 22 24 20 20 203 205 204 3 3sąsiedztwo 20 2 22 20 208 22 Wartościuporządkowane: 203 204 205 208 20 2 22 22 23 Mediana(inowawartość):20 5/33

Mediany z wagami z sąsiedztwem Rozmycie Gaussa medianami Idealny dolnoprzepustowy Powiększamykrotnośćpikseli Przykładowo: dlaokna3 3 f(i,j+) f(i,j+) f(i+,j+) f(i,j) f(i,j) f(i+,j) f(i,j ) f(i,j ) f(i+,j ) 2 możliwe wagi są: 2 3 2 2 w poprzednim przykładzie: wartościuporządkowane: 203 204 205 205 208 20 20 2 2 2 22 22 22 23 23 mediana(inowawartość):2 6/33

Idealny dolnoprzepustowy z sąsiedztwem Rozmycie Gaussa medianami Idealny dolnoprzepustowy FunkcjatransmisjiH(u,v)= {, D(u,v)<D0, 0, D(u,v) D 0, gdzied 0 tojestczęstotliwośćgraniczna,d(u,v)= u 2 +v 2 skok w domenie widmowej powoduje artefakty w domenie fizycznej(rozmazanie, pierścienie, etc) 7/33

Trapezoidalny dolnoprzepustowy z sąsiedztwem Rozmycie Gaussa medianami Idealny dolnoprzepustowy, D(u,v) D 0, D(u,v) D H(u,v)= D 0 D D 0 <D(u,v)<D, 0, D(u,v) D, gdzied 0 <D. 8/33

z sąsiedztwem Rozmycie Gaussa medianami Idealny dolnoprzepustowy H(u,v)= [ ] D(u,v) n, + D 0 gdzienjestrządemu,d 0 jestczęstotliwościągraniczną. 9/33

Gradient Krzyż Robertsa Prewitta Sobela Laplace a Idealny górnoprzepustowy 20/33

Wyostrzaniezdjęcia fragmentu,np.krawędzi Gradient Krzyż Robertsa Prewitta Sobela Laplace a Idealny górnoprzepustowy 2/33

Gradient Gradient Krzyż Robertsa Prewitta Sobela Laplace a Idealny górnoprzepustowy Niechdanabędziefunkcjaf(x,y) ) Wektorgradient f(x,y)= ( f x f y pokazuje kierunek i stopień wzrastania funkcji Długośćgradientumożnaobliczyćwedługtrzech podstawowch norm euklidesowa: f 2 = l : f = f + x l : f =max f y { f x ( f, x f y ) 2+ ( ) f 2 y } 22/33

Obraz gradientowy Gradient Krzyż Robertsa Prewitta Sobela Laplace a Idealny górnoprzepustowy Obrazzastąpionyprzezgradientwkażdympunkcie: g(x,y)= f(x,y) Wyostrzeniegranic: { bh, jeżeli f(x,y) >τ, g(x,y)= f(x,y) inaczej τ jest wartością graniczną b h jestwartościąbliskąbiałegokoloru { bh, jeżeli f(x,y) >τ, Tylkogranice:g(x,y)= b l inaczej τ jest wartością graniczną b h jestwartościąbliskąbiałegokoloru b l jestwartościąbliskączarnegokoloru,b l <b h 23/33

Dyskretyzacja gradientu Gradient Krzyż Robertsa Prewitta Sobela Laplace a Idealny górnoprzepustowy f(x,y) x f(x+,y) f(x,y), f(x,y) y f(x,y+) f(x,y) f(x,y) x 2 (f(x+,y) f(x,y)), f(x,y) y 2 (f(x,y+) f(x,y )) f x =h x f, f y =h y f,gdzie h x = alboh x = 2 ( ),h y = ( ) ( ) 0,h y = 2 0 24/33

Krzyż Robertsa Gradient Krzyż Robertsa Prewitta Sobela Laplace a Idealny górnoprzepustowy h x = ( ) + 0,h 0 y = ( ) 0 + 0 f(i,j) = f(i+,j+) f(i,j) + f(i,j+) f(i+,j) 25/33

Prewitta Gradient Krzyż Robertsa Prewitta Sobela Laplace a Idealny górnoprzepustowy h x = 0 + 6 0 +,h y = + + + 6 0 0 0 0 + Wykorzystanienormyeuklidesowej f 2 26/33

Sobela Gradient Krzyż Robertsa Prewitta Sobela Laplace a Idealny górnoprzepustowy h x = 0 + 8 2 0 +2,h y = + +2 + 8 0 0 0 0 + 2 Wykorzystanienormyeuklidesowej f 2 27/33

Laplace a Gradient Krzyż Robertsa Prewitta Sobela Laplace a Idealny górnoprzepustowy 2 = 2 f x + 2 f 2 y 2 Bezpośredniopokazujeprędkośćzmianygradientu 2 0 0 4 0 0 28/33

Idealny górnoprzepustowy Gradient Krzyż Robertsa Prewitta Sobela Laplace a Idealny górnoprzepustowy FunkcjatransmisjiH(u,v)= { 0, D(u,v)<D0,, D(u,v) D 0, gdzied 0 tojestczęstotliwośćgraniczna,d(u,v)= u 2 +v 2 skok w domenie widmowej powoduje artefakty w domenie fizycznej(rozmazanie, pierścienie, etc) 29/33

Trapezoidalny górnoprzepustowy Gradient Krzyż Robertsa Prewitta Sobela Laplace a Idealny górnoprzepustowy 0, D(u,v) D, D(u,v) D H(u,v)= D 0 D D <D(u,v)<D 0,, D(u,v) D 0, gdzied <D 0. 30/33

(górnoprzepustowy) Gradient Krzyż Robertsa Prewitta Sobela Laplace a Idealny górnoprzepustowy H(u,v)= + [ D 0 D(u,v) ] n, gdzienjestrządemu,d 0 jestczęstotliwościągraniczną. 3/33

Degradacja 32/33

Degradacja Degradacja Podobnodoacji:f(x,y) g(x,y)=pf(x,y) Szum:f(x,y) g(x,y)=pf(x,y)+n(x,y) Gasussa:p G (z)= e (z µ) 2 σ 2σ 2 2π dychotomiczny(telegraficzny): p a z=a p I (z)= p b z=b 0 w innych przypadkach :odwrócenieprzekształceniadegradacji 33/33