Advances in Digital Imaging and Computer Vision

Transcript

1 Advances in Digital Imaging and Computer Vision Lecture and Lab 4b 24/4/2017 Κώστας Μαριάς Αναπληρωτής Καθηγητής Επεξεργασίας Εικόνας 21/2/2017 1

2 Μετασχηματισμός Fourier Εφαρμογές 2

3 Περιοδικός Θόρυβος Οι παράμετροι του περιοδικού θορύβου τυπικά υπολογίζονται από την επιθεώρηση του φάσματος Fourier της εικόνας. Όπως σημειώνεται στην προηγούμενη ενότητα, ο περιοδικός θόρυβος τείνει να παράγει αιχμές συχνότητας που συχνά μπορεί να ανιχνευθούν ακόμα και με οπτική ανάλυση. Μια άλλη προσέγγιση είναι να συμπεράνουμε την περιοδικότητα των συνιστωσών θορύβου απευθείας από την εικόνα, αλλά αυτό είναι δυνατό μόνο σε απλές περιπτώσεις. 3

4 Αφαιρώντας Περιοδικό Θόρυβο στο πεδίο συχνοτήτων Ο περιοδικός θόρυβος μπορεί να αναλυθεί και να φιλτράρεται αρκετά αποτελεσματικά χρησιμοποιώντας τεχνικές στο πεδίο των συχνοτήτων. Η βασική ιδέα είναι ότι ο περιοδικός θόρυβος εμφανίζεται σαν συμπυκνωμένες εκρήξεις ενέργειας στο μετασχηματισμό Fourier, σε θέσεις που αντιστοιχούν στις συχνότητες της περιοδικής παρεμβολής. Η προσέγγιση είναι να χρησιμοποιούμε ένα επιλεκτικό φίλτρο (π.χ. bandreject, ζωνοπερατό) για την απομόνωση του θορύβου {για βασική μείωση περιοδικού θορύβου}. 4

5 Αφαιρώντας Περιοδικό Θόρυβο στο πεδίο συχνοτήτων Στην επόμενη διαφάνεια βλέπουμε bandreject φίλτρα για την ιδανική περίπτωση (ideal), Butterworth, και Gaussian bandreject φίλτρα. D(u, v) είναι η απόσταση του σημείου (u,v) από το κέντρο του συχνοτικού ορθογωνίου (P γραμμές, Q στήλες), όπως δίνεται από την εξίσωση: In matlab: D u, v = u P v Q 2 2 [x,y]=meshgrid(-128:127,-128:127); z=sqrt(x.^2+y.^2); figure, surf(z), shading interp, colormap bone 1 2 5

6 Αφαιρώντας Περιοδικό Θόρυβο στο πεδίο συχνοτήτων D(u, v) είναι η απόσταση του σημείου (u,v) από το κέντρο του συχνοτικού ορθογωνίου όπως δίνεται από την εξίσωση: D u, v = u P v Q In matlab: [x,y]=meshgrid(-128:127,-128:127); z=sqrt(x.^2+y.^2); figure, surf(z), shading interp, colormap bone 6

7 Αφαιρώντας Περιοδικό Θόρυβο στο πεδίο συχνοτήτων Φίλτρα Bandreject. W είναι η απόσταση της μπάντας, D είναι η απόσταση D(u, v) από το κέντρο του φίλτρου, D 0 η συχν/οτητα αποκοπής και n η ταξη του φίλτρου Butterworth filter. Δείχνουμε το D αντί για D(u, v) Digital Image Processing, Rafael C.Gonzalez & Richard E. Woods, Addison-Wesley, 3rd edition 7

8 Αφαιρώντας Περιοδικό Θόρυβο στο πεδίο συχνοτήτων A bandpass filter is obtained from a bandreject filter in the same manner that we obtained a highpass filter from a lowpass filter: HBP(u, v) = 1 HBR(u, v) 8

9 Αφαιρώντας Περιοδικό Θόρυβο στο πεδίο συχνοτήτων (a) Image corrupted by sinusoidal noise (b) Spectrum of (a). Χρησιμοποιώντας το αντίστοιχο ζωνοπερατό φίλτρο (bandpass) και με αντίστροφο ΔΜF παίρνουμε αντί για την φιλτραρισμένη εικόνα, μια εικόνα που προσεγγίζει το μοτίβο του θορύβου στην αρχική εικόνα (α): (c) Butterworth bandreject filter (white represents 1). (d) Result of filtering. Digital Image Processing, Rafael C.Gonzalez & Richard E. Woods, Addison-Wesley, 3rd edition 9

10 Αφαιρώντας Περιοδικό Θόρυβο στο πεδίο συχνοτήτων %Μπορούμε εύκολα να δημιουργήσουμε περιοδικό θόρυβο από την επικάλυψη %μιας εικόνας με μια τριγωνομετρική συνάρτηση: cm=imread('cameraman.tif'); %Η δεύτερη γραμμή απλά δημιουργεί ένα ημιτονοειδές σήμα και ρυθμίζει την τιμή %του να είναι στο εύρος 0-2 [x,y]=meshgrid(1:256,1:256); s=1+sin(x+y/1.5); figure, surf(s), shading interp, colormap bone %Με την επόμενη γραμμή προσθέτουμε στην εικόνα το ημιτονικό σήμα και %διαιρούμε με 4 ώστε να έχουμε πινακα double με εύρος cp=(double(cm)/128+s)/4; cpf=fftshift(fft2(cp)); subplot(1,3,1), imshow(cm) subplot(1,3,2), imshow(cp) subplot(1,3,3), imshow(mat2gray(log(1+abs(cpf)))) An Introduction to Digital Image Processing with Matlab, Alasdair McAndrew 10

11 Αφαιρώντας Περιοδικό Θόρυβο στο πεδίο συχνοτήτων Η αρχική εικόνα (αριστερά), η εικόνα με περιοδικό θόρυβο και ο αντίστοιχος ΔΜF (δεξιά) Οι επιπλέον δύο αιχμές μακριά από το κέντρο αντιστοιχεί στο θόρυβο που μόλις προσθέσαμε. Μικρές περίοδοι ημιτόνων αντιστοιχούν υψηλής συχνότητας παρεμβολές (μεγάλη αλλαγή σε μια μικρή απόσταση), και είναι ως εκ τούτου πιο μακριά από το κέντρο του μετατοπίστηκε μετασχηματισμό. figure, imshow(mat2gray(log(1+abs(cpf)))) Θα αφαιρέσουμε τώρα αυτές τις επιπλέον αιχμές, και μετά θα αντιστρέψουμε στο χωρικό πεδίο. Αν βάλουμε pixval και να κινηθεί γύρω από την εικόνα, διαπιστώνουμε ότι οι αιχμές έχουν συντεταγμένες ~ ( ) και (102,88) και οι δύο έχουν απόσταση ~ 49 από το κέντρο. Με βάση αυτό φτιάχνουμε (επόμενη διαφάνεια) το Band reject filter. An Introduction to Digital Image Processing with Matlab, Alasdair McAndrew 11

12 Αφαιρώντας Περιοδικό Θόρυβο στο πεδίο συχνοτήτων %Band reject filtering. Δημιουργούμε ένα φίλτρο που %αποτελείται από αυτά με ένα δαχτυλίδι από μηδενικά %που βρίσκονται σε μια ακτίνα 49 από το κέντρο: [x,y]=meshgrid(-128:127,-128:127); z=sqrt(x.^2+y.^2); br=(z < 47 z > 51); figure,imshow(br) %όπου το z είναι η μήτρα που αποτελείται από %αποστάσεις από το κέντρο. Αυτό το συγκεκριμένο %δαχτυλίδι θα έχει ένα πάχος αρκετά μεγάλο για να %καλύψει τις αιχμές. Στη συνέχεια, όπως και πριν, το %πολλαπλασιάζουμε με τον ΔΜF: cpfbr=cpf.*br; figure, imshow(mat2gray(log(1+abs(cpfbr)))) An Introduction to Digital Image Processing with Matlab, Alasdair McAndrew 12

13 Αφαιρώντας Περιοδικό Θόρυβο στο πεδίο συχνοτήτων %Οπτικοποίηση τελικών αποτελεσμάτων cpfbr=cpf.*br; IF=ifft2(cpfbr); subplot(1,4,1), imshow(cm), title('original') subplot(1,4,2), imshow(cp), title('original with periodic noise') subplot(1,4,3), imshow(mat2gray(log(1+abs(cpf)))), title('fourier Filter') subplot(1,4,4), imshow(mat2gray(abs(if))), title('filtered Image') 13

14 Motion deblurring Η απόμάκρυνση θολώματος από κίνηση είναι μια ειδική περίπτωση αντίστροφου συχνοτικού φιλτραρίσματος. Ας πάρουμε μια εικόνα και ας την θολώσουμε λίγο: bc=imread('board.tif'); bg=im2uint8(rgb2gray(bc)); b=bg(100:355,50:305); figure, imshow(b) Παίρνουμε την έγχρωμη εικόνα ενός κυκλώματος (board.tif), και την κάνουμε grayscale uint8, ενώ στη συνέχεια παίρνουμε ένα τετράγωνο υποσύνολο της εικόνας. 14

15 Motion deblurring Για να προκαλέσουμε μια θολωμένη εικόνα θα χρησιμοποιήσουμε τη συνάρτηση fspecial. m=fspecial('motion',7,0); bm=imfilter(b,m); imshow(bm) Για να ξε-θολώσουμε την εικόνα θα πρέπει να κάνουμε αντίστροφο φιλτράρισμα δηλ. να διαιρέσουμε το μετασχηματισμό Fourier της με τον μετασχηματισμό του φίλτρου. Οπότε φτιάχνουμε έναν πίνακα αρχικά που αντιστοιχεί στον μετασχηματισμό της θόλωσης This means that we firstmust create a matrix corresponding to the transform of the blur: m2=zeros(256,256); m2(1,1:7)=m; mf=fft2(m2); Τώρα διαιρούμε τους 2 μετασχηματισμούς. bmi=ifft2(fft2(bm)./mf); figure, imshow(mat2gray(abs(bmi))) 15

16 Motion deblurring Επειδή οι τιμές κοντά στο 0 στον πίνακα mf είναι πάρα πολλές το αποτέλεσμα δεν είναι ιδιαίτερα καλό. Πρέπει να βάλουμε ένα κατώφλι για να διαιρόύμε με τιμές που είναι πάνω από ένα κατώφλι: d=0.02; mf=fft2(m2); mf(find(abs(mf)<d))=1; bmi=ifft2(fft2(bm)./mf); figure, imshow(mat2gray(abs(bmi))*2) Ο πολλαπλασιασμός με το 2 φωτίζει περισσοτερο τα αποτελέσματα και η γραφή είναι τώρα καθαρή. 16

17 Όξυνση εικόνας με φίλτρα στο πεδίο συχνοτήτων Επειδή οι ακμές άλλα και οι απότομες μεταβολές στις εντάσεις συνδέονται με τα συστατικά υψηλών συχνοτήτων της εικόνας, μπορεί να γίνει όξυνση της εικόνας και στο πεδίο συχνοτήτων με υψιπερατό φιλτράρισμα, το οποίο εξασθενεί τα συστατικά χαμηλών συχνοτήτων χωρίς να αλλοιώνει πληροφορία υψηλής συχνότητας κατά τον μετασχηματισμό Fourier. Αυτό μπορεί να γίνει χρησιμοποιώντας Butterworth, και Gaussian φίλτρα υψηλής διέλευσης όπως συζητήσαμε στην προηγούμενη διάλεξη. 17

18 Η Λαπλασιανή στο πεδίο Συχνοτήτων Ενώ η Λαπλασιανή βελτιώνει την εικόνα (με όξυνση εικόνας) στο χωρικό πεδίο μπορει να δώσει ανάλογα αποτελέσματα και στο πεδίο συχνοτήτων. Μπορεί να αποδειχτεί ότι η Laplacian υλοποιείτε στο πεδίο συχνοτήτων χρησιμοποιώντας το φίλτρο: H(u, v) = 4π 2 (u 2 + v 2 ) Ή αν θεωρήσουμε τις αποστάσεις από το κεντρο του συχνοτικού ορθογωνίου, χρησιμοποιώντας το φίλτρο: H u, v = 4π 2 u P v Q = 4πD (u,v) 18

19 Η Λαπλασιανή στο πεδίο Συχνοτήτων Matlab I=imread('moon.tif'); [x,y]=meshgrid(-n/2:n/2-1,-m/2:m/2-1); c1=-4*(pi^2)*(x.^2+y.^2); figure, imshow(c1,[]) H(u, v) = 4π 2 (u 2 + v 2 ) F=fftshift(fft2(I)); cf1=f.*c1; IcF1=ifft2(cF1); IF=mat2gray(abs(IcF1)); Isharp=mat2gray(I)+IF; subplot(1,4,1);imshow(i,[]), title('αρχική εικόνα φεγγαριού'); subplot(1,4,2);imshow(mat2gray(log(1+abs(f)))), title('δμf της εικόνας'); subplot(1,4,3);imshow(mat2gray(log(1+abs(cf1)))), title('χαμηλοπερατο Λαπλασιανό φιλτρο'); subplot(1,4,4);imshow(isharp), title(' Όξυνση εικόνας με Laplacian'); [x,y]=meshgrid(-358/2:358/2-1,-537/2:537/2-1); 19

20 The Laplacian in the Frequency Domain 20

21 Αναφορές Peters, Richard Alan, II, "The Fourier Transform", Lectures on Image Processing, Vanderbilt University, Nashville, TN, April 2008, Available on the web at the Internet Archive, Christophoros Nikou, Ανοικτά Ακαδημαϊκά Μαθήματα, Intensity Transformations (Histogram Processing), University of Ioannina - Department of Computer Science, cnikou@cs.uoi.gr Digital Image Processing, Rafael C.Gonzalez & Richard E. Woods, Addison-Wesley, 3rd edition Digital Image Processing, Rafael C. Gonzalez & Richard E. Woods, Addison-Wesley,

22 Αναφορές An Introduction to Digital Image Processing with Matlab, Alasdair McAndrew Nicolas Tsapatsoulis, Βελτίωση Ποιότητας Εικόνας: Επεξεργασία στο πεδίο της Συχνότητας, Lecture notes in Digital Image Processing, Image Processing Lectures, Digital Image Processing, Rafael C.Gonzalez & Richard E. Woods, Addison-Wesley, 3rd edition Digital Image Processing, Rafael C. Gonzalez & Richard E. Woods, Addison-Wesley,