Βελτίωση - Φιλτράρισμα εικόνας

Βελτίωση - Φιλτράρισμα εικόνας Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ /76

Βελτίωση εικόνας με φιλτράρισμα Το φιλτράρισμα εικόνας είναι ουσιαστικά συνέλιξη y(n, n ) = x(n, n )* *h(n, n ) Αρχική εικόνα Παράθυρο - μάσκα Τα παράθυρα αυτά είναι συνήθως τετραγωνικά και οι συντελεστές συμμετρικοί. Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ /76

Φιλτράρισμα - Συνέλιξη h(n,n ) x(n,n y(n, n ) = M N k = k = x(k, k ) h(n - k, n - k ) y(n, n ) = x(n, n )* *h(n, n ) Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 3/76

Η διδιάστατη συνέλιξη - γραφικά Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 4/76

Συνέλιξη υλοποίηση A B C To αποτέλεσμα της συνέλιξης για την τιμή της εικόνας στη θέση n,n δηλ. στο p 5 είναι: D E F G H I p p p 3 p 4 p 5 p 6 p 7 p 8 p 9 y(n,n )=Ap +Bp +Cp 3 +Dp 4 +Ep 5 +Fp 6 Gp 7 +Hp 8 +Ip 9 Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 5/76

Συνέλιξη υλοποίηση A B C D E F G H I p p p 3 p 4 p 5 p 6 p 7 p 8 p 9 Το παράθυρο (A,B,C,D,E,F,G,H,I) διατρέχει την εικόνα και κάθε φορά υπολογίζεται το γινόμενο του παραθύρου με τα αντίστοιχα pixel της εικόνας. Στην εικόνα εξόδου το αποτέλεσμα της συνέλιξης αποδίδεται στο κεντρικό pixel του παραθύρου. Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 6/76

Συνέλιξη στο πεδίο της συχνότητας Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 7/76

Μετασχηματισμός Fourier Μετασχηματισμός Fourier DFT-FFT Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 8/76

-D DFT και IDFT Για μία εικόνα f(x,y) o DFT είναι : F(u, v) = M N MN x= y= f(x, y)e jπ (ux/ M + vy / N) u =,,,, M O IDFT είναι : v =,,,, N f(x, y) = M N u= v= j F(u, v)e π (ux/ M + vy / N) x =,,,, M y =,,,, N Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 9/76

Μετασχηματισμός Fourier Ιδιότητες Διαχωρίσιμη πράξη Μιγαδικός αριθμός (μέτρο φάση) Oι τιμές u,v κοντά στο, αντιστοιχούν σε χαμηλές συχνότητες. F(, ) MN M N = x= y= f(x, y) = μέση τιμή του f(x, y) Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ /76

Τι είναι πιο σημαντικό? Μέτρο ή φάση α β γ Η εικόνα (γ) προέρχεται από το φάσμα πλάτους της εικόνας (α) και το φάσμα φάσης της εικόνας (β) Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ /76

Μετασχηματισμός Fourier Παράδειγμα Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ /76

Filtering στο πεδίο της συχνότητας Βασικές έννοιες: low frequency : μικρές μεταβολές στα χαρακτηριστικά της εικόνας high frequency : απότομες μεταβολές όπως θόρυβος ή περιγράμματα αντικειμένων F( u, v) high frequency low frequency F(,) Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 3/76

Συνέλιξη μέσω FFT Βασική ιδιότητα: η πράξη του πολλαπλασιασμού στο πεδίο της συχνότητας ισούται με την συνέλιξη στο χρόνο και αντιστρόφως f(x, y)**h(x,y) F(u, v)h(u, v) ΠΡΟΣΟΧΗ ΣΤΙΣ ΔΙΑΣΤΑΣΕΙΣ Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 4/76

Συνέλιξη μέσω FFT Αρχική εικόνα Filter Mask FFT FFT «φιλτραρισμένη» εικόνα Πολλαπλασιασμός αντίστοιχων pixels Inverse FFT Το «φιλτραρισμένο» φάσμα Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 5/76

Α. Βαθυπερατά φίλτρα Ιδιότητες Φιλτράρουν τις υψηλές συχνότητες (σήματα θορύβου). Λειαίνουν απότομες μεταβολές στην ένταση Θολώνουν την εικόνα (blurring). Απόκριση συχνότητας Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 6/76

Βασικές Κατηγορίες βαθυπερατών φίλτρων Φίλτρα μέσης τιμής (mean filters) Φίλτρα Gaussian μορφής (Gaussian filters) Φίλτρα Butterworth, Chebyshev κλπ Φίλτρα διάμεσης τιμής (median filters) Μη γραμμικά φίλτρα (harmonic κλπ) Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 7/76

Βαθυπερατά φίλτρα - Κατηγορίες βαθυπερατών φίλτρων Φίλτρα μέσης τιμής (averager).8 Magnitude.6.4. - -.5.5 F Απόκριση συχνότητας ( διαστάσεων) για το φίλτρο μέσης τιμής. Στις χαμηλές συχνότητες - γύρω απο το σημείο (,) το πλάτος είναι μεγάλο. Οι συχνότητες - και αντιστοιχούν στο f s / (π) Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 8/76

Θόλωση (blurring) Αρχική εικόνα Εφαρμογή 3x3 averager Εφαρμογή 7x7 averager Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 9/76

Θολωση κίνησης Emboss -ανάγλυφο.3.7.9.789.893.998.893.789.9.7.3 -, -,, -,,,,, Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ /76

Original Image Motion Blurred Image I = imread('cameraman.tif'); subplot(,,); imshow(i); title('original Image'); H = fspecial('motion',,45); MotionBlur = imfilter(i,h,'replicate'); subplot(,,); imshow(motionblur);title('motion Blurred Image'); H = fspecial('disk',); blurred = imfilter(i,h,'replicate'); subplot(,,3); imshow(blurred); title('blurred Image'); Blurred Image Sharpened Image H = fspecial('unsharp'); sharpened = imfilter(i,h,'replicate'); subplot(,,4); imshow(sharpened); title('sharpened Image'); Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ /76

Ελάττωση θορύβου επίδραση μήκους παραθύρου Αρχική εικόνα Εικόνα με θόρυβο Ν(,.5) Εφαρμογή averager 3x3 Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ /76

Μέση τιμή με περιστρεφόμενη μάσκα Μία διαδικασία για να αποφεύγεται η θόλωση Η έξοδος στο φίλτρο αυτό υπολογίζεται ως η μέση τιμή από τα pixel μίας περιστρεφόμενης μάσκας με την μεγαλύτερη ομοιογένεια Η ομοιογένεια υπολογίζεται από την τιμή της διακύμανσης Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 3/76

Μέση τιμή σε πολλά frames (averaging) Χαρακτηριστική εφαρμογή: μείωση θορύβου αρχική τελική s=imread('saturn.tif'); i=imnoise(s,'gaussian');i=double(i)/55; i=imnoise(s,'gaussian');i=double(i)/55; i3=imnoise(s,'gaussian');i3=double(i3)/55; i4=imnoise(s,'gaussian');i4=double(i4)/55; i=(i+i+i3+i4)/4; figure(); imshow(s) figure(); imshow(i) Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 4/76

Gaussian φίλτρα Οι συντελεστές των Gaussian φίλτρων δίνονται από τη μορφή της Gaussian συνάρτησης: g(x)=exp(-x /σ ) σε μία διάσταση g(i, j)=exp(-(i +j )/σ ) σε δύο διαστάσεις Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 5/76

Ιδιότητες Gaussian συνάρτησης. Είναι ανεξάρτητη της διεύθυνσης.. Έχει μόνο έναν λοβό, δηλαδή οι συντελεστές του αντίστοιχου φίλτρου ελαττώνονται μονότονα με την απόσταση. 3. Ο μετασχηματισμός Fourier της Gaussian συνάρτησης είναι επίσης Gaussian, με αποτέλεσμα οι ανεπιθύμητες υψηλές συχνότητες να μην ενισχύονται. g(i, j)=exp(-(i +j )/σ ) G(u, v)=exp(-(u +v ) σ /) Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 6/76

Ιδιότητες Gaussian συνάρτησης (συνέχεια) 5. Η παράμετρος σ δίνει τη δυνατότητα ελέγχου του βαθμού φιλτραρίσματος. 6. Είναι διαχωρίσιμη σε οριζόντια και κάθετη διαδικασία. λεπτομέρειες 7. Διαδοχικό φιλτράρισμα με Gaussian φίλτρο διακύμανσης σ είναι ισοδύναμο με ένα φιλτράρισμα από Gaussian διακύμανσης / σ. Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 7/76

- s = - - v = S=v*h h = - Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 8/76

Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 9/76 Σχεδιασμός Gaussian φίλτρων Μία προσέγγιση δίνεται από τους συντελεστές δυωνυμικής κατανομής: π.χ. Για 5 σημεία οι συντελεστές είναι: 4 6 4 Προφανώς η άμεση προσέγγιση γίνεται από τη σχέση ορισμού: ) g( ), g( e e j) g(i, j i ρ = θ ρ = = = σ ρ σ + n n x n n... x n x n n x) ( + + + + = +

Για n=7 και σ = έχουμε: Παρατηρούμε πως οι συντελεστές είναι συμμετρικοί και φθίνουν μονότονα με την απόσταση από το pixel (i, j)= (, ) Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 3/76

Gaussian φίλτρα παράδειγμα Αρχική σ= σ= σ=4 Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 3/76

Gaussian φίλτρα παράδειγμα Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 3/76

Ιδανικά φίλτρα - IIR φίλτρα Ένα ιδανικό βαθυπερατό φίλτρο θα είχε μία απόκριση συχνότητας που θα ήταν μηδενική για συχνότητες μεγαλύτερες από μία δοθείσα «ακτινική» ή τετραγωνική συχνότητα ω C H(ω,ω ) =, έαν ω + ω διαφορετικά ω C H.5 H(ω,ω, ) = έαν ω ω C διαφορετικά,ω Απόκριση : h(m,n)=aω C ω C sinc(ω C m)sinc(ω C n) ω C ω - ω C -5 ω 5 Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 33/76

H(ω Butterworth φίλτρα Μία προσέγγιση της ιδανικής συνάρτησης γίνεται με συναρτήσεις Butterworth:,ω ) = ω + + ωc ω Σε μία διάσταση (τομή) η απόκρισή τους έχει την παρακάτω μορφή: k Μέτρο Butterworh 5 ης τάξεως ω C =....3.4.5.6.7.8.9 Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 34/76

Butterworth φίλτρα = D(u, υ) + D H(u, υ) D(u, υ) = u + n υ Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 35/76

Butterworth φίλτρα Παράδειγμα Υλοποίηση στο πεδίο των συχνοτήτων Αρχική εικόνα (α) (β) (γ) Φιλτράρισμα με τρία διαφορετικά φίλτρα Butterworth α) ω C =4 β )ω C =6, και γ)ω C =8 Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 36/76

ΜΗ ΓΡΑΜΜΙΚΑ Φίλτρα διάμεσης τιμής (Median filters) 5 5 3 6 7 5 5 5 3 6 7 5 Διάταξη σύμφωνα με την τιμή του pixel 5 7 διάμεση 5 τιμή 3 5 6 Η υλοποίησή τους γίνεται με καθορισμό ενός παραθύρου (μάσκας) που διατρέχει όλη την εικόνα και επιλέγεται ως έξοδος η μεσαία (median) τιμή. Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 37/76

Φίλτρα διάμεσης τιμής (median) Ιδιότητες Είναι ΜΗ ΓΡΑΜΜΙΚΑ median {x,x,x3} +median{y,y,y3} median{x+y,x+y,x3+y3} Επανειλημμένη εφαρμογή του median φίλτρου καταλήγει σε εικόνες που δεν μεταβάλλονται. Αυτά είναι τα Σήματα - ρίζες Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 38/76

Σημεία στα άκρα της εικόνας Είναι ουσιώδης η διαδικασία στα σημεία που βρίσκονται στο άκρο της εικόνας. Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 39/76

Σήματα Ρίζες (μία διάσταση).5 5 Αρχικό σήμα.5.5.5 5 5 5 ο φιλτράρισμα (Ν=3) ο 3 ο Μετά το δεύτερο φιλτράρισμα το σήμα ΔΕΝ αλλάζει τιμή Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 4/76

Φίλτρα διάμεσης τιμής (median) Απόκριση σε ακμή α διάσταση: φίλτρο μέσης τιμής median (n=3) και διαστάσεις -εικόνα Η αρχική εικόνα ακμή μένει αμετάβλητη στην εφαρμογή median ενώ «λειαίνεται» από φίλτρο μέσης τιμής Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 4/76

Φίλτρα διάμεσης τιμής (median) Aπόκριση σε παλμό (salt & pepper, impulsive)..5 5 5 Εικόνα με ένα παλμό.5 5 5.5 5 5 Εξοδος Median φίλτρου (3x3) Εξοδος averager (3x3) Eίναι εμφανής η εξάπλωση του παλμού. Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 4/76

Φίλτρα διάμεσης τιμής παράδειγμα Aρχική εικόνα Εικόνα με κρουστικό θόρυβο % median φίλτρο φίλτρο μέσης τιμής Έξοδος median φίλτρου. Ο κρουστικός θόρυβος είναι % και εξαλείφεται εντελώς. Αντίστοιχα το φίλτρο μέσης τιμής έχει πολύ φτωχή συμπεριφορά. Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 43/76

Median filtering Συμπερασματικά : Τι θα γίνει στην ακμή και τι γύρω από το λευκό pixel?? Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 44/76

Αλγόριθμος υλοποίησης median φίλτρων- Μετατροπή στο δυαδικό σύστημα 3 4 5 7 9 median 5 median median median median Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 45/76

Γενίκευση «αποσάθρωση» Φίλτρα σωρού (stack filters) Φίλτρα σωρού stack filters. Στην είσοδο το σήμα αποσυντίθεται με κατωφλιοποίηση και προστίθενται οι έξοδοι. Εάν κάθε γραμμή πραγματοποιεί median πράξη το άθροισμα των δυαδικών εξόδων θα είναι το median φιλτρο Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 46/76

Θετική συνάρτηση Boole Positive boolean function PBF για median φιλτρο 3 σημείων med{x,x,x3 } η ισοδύναμη δυαδική Boolean συνάρτηση: f(x; x; x3) = xx + xx3 +xx3 Γενικά: f(x, x, x3, x4 x5) = xx + xx3x4 + x4x5 Max-min Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 47/76

Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 48/76 Β. Υψιπερατά φίλτρα Ιδιότητες: Εξασθενούν τις χαμηλές συχνότητες σε μία εικόνα και τονίζουν τις υψηλές. Τονίζουν τις μεταβολές της εικόνας (contrast). Δίνουν έμφαση στις λεπτομέρειες. Ενισχύουν τον θόρυβο. 4 υψιπερατές μάσκες 3x3 : ) (4 (3) 5 () 9 () 5 9 9 9 9 9 8 9 9 9 9

Παράδειγμα Αρχική εικόνα (α) (β) (γ) Η εικόνα (α) έχει προέλθει με εφαρμογή του υψιπερατού φίλτρου (4) στην αρχική εικόνα. Επίσης έχει γίνει κλιμάκωση ώστε και οι αρνητικές τιμές να μετατοπισθούν στο διάστημα -. Η (β) έχει προέλθει με εφαρμογή αντίστοιχα του φίλτρου (3) χωρίς καμία κλιμάκωση των τιμών, ενώ στο (γ) έχει γίνει κλιμάκωση. Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 49/76

Α Βαθυπερατό φίλτρο Υψιπερατό φίλτρο Γενικά: Συχνότητα H hp (ω,ω )=-Η lp (ω,ω ) Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 5/76

Unsharp masking Από ένα κλάσμα α της αρχικής εικόνας f(k, k ) αφαιρείται το αποτέλεσμα εξόδου βαθυπερατού φίλτρου f L (k, k ). Η έξοδος g(k, k ) είναι: g(k, k ) = αf(k, k ) - f L (k, k ) Αν α=, το αποτέλεσμα είναι υψιπερατό φίλτρο. Αν α>, τότε ένα βαθυπερατό τμήμα της εικόνας προστίθεται στο αποτέλεσμα (high boost filter) Μία υλοποίηση: -/9 -/9 -/9 -/9 w/9 -/9 -/9 -/9 -/9 Όπου w = 9α - λεπτομέρειες Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 5/76

Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 5/76 Unsharp masking ( ) + = 9 9 k k k ( ) + = 9 9 9 k k k k ( ) ( ) ( ) ( ) +, *,, y B x A x y k A x y k ( ) + = 9 k k B

Unsharp masking = αφαίρεση της «θολωμένης» εικόνας Παράδειγμα ο Εικόνα εισόδου Εικόνα εξόδου Unsharp masking με α> Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 53/76

Παράδειγμα ο RGB εικόνα Εφαρμογή στην συνιστώσα της έντασης /9 Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 54/76

Διανυσματικές και βαθμωτές επεξεργασίες Στις βαθμωτές διαδικασίες επεξεργασίας εφαρμόζονται οι μέθοδοι για γκρίζες (gray scale) εικόνες με δύο τρόπους: α) ξεχωριστά σε κάθε κανάλι της εικόνας β) στη συνιστώσα φωτεινότητας (Υ) Στις διανυσματικές διαδικασίες οι τρεις τιμές R,G,B θεωρούνται συνιστώσες ενός διανύσματος και οι μέθοδοι που χρησιμοποιούνται είναι βέβαια μέθοδοι διανυσματικής ανάλυσης. Μία κλασσική τέτοια μέθοδος είναι η διαδικασία του διανυσματικού διάμεσου. Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 55/76

Διανυσματικός διάμεσος Vector median Πώς διατάσσονται N διανύσματα?. Υπολογίζονται οι αποστάσεις d(x i x j ) κάθε διανύσματος x i από όλα τα υπόλοιπα. Υπολογίζεται η συνολική απόσταση: d i = n j= d(x i,x j ) d(x 4 x 3 ) 4 5 3 3. Ο διανυσματικός διάμεσος Vector Median Filter VMF αντιστοιχεί στο μικρότερο d i Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 56/76

Median και διεκθετική κατανομή Σ x-x i =min e x x e x x e x x 3...e x x Ν = e i x x ι = max Εκτιμητής μέγιστης πιθανοφάνειας Maximum likelihood estimator Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 57/76

Vector Directional Filters - VDF α i = όπου n j= A(x A(x i i,x,x j j ) ) = cos x x i i x t j x j 4 5 3 A 3, Ο VD διανυσματικός διάμεσος αντιστοιχεί στο μικρότερο a i Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 58/76

Vector median filters παράδειγμα (a) Η εικόνα Peppers, 56x56, 4-bit per pixel, (b)noisy Image, (c) Η έξοδος του VMF. Ο Θόρυβος στην αρχική εικόνα είναι gaussian(,5 ) και κρουστικός(%) σε κάθε κανάλι. Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 59/76

Minimal Spanning Tree Ενας δρόμος ελαχίστου μήκους Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 6/76

«Ομομορφική» επεξεργασία i(n,n ) f(n,n )=i(n,n )r(n,n ) r(n,n ) f(n,n )=i(n,n )r(n,n ) logf(n,n )=logi(n,n )+logr(n,n ) Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 6/76

Ομομορφική επεξεργασία βαθυπερατό φίλτρο log i(n,n ) α< f(n,n ) log β διατομή exp p(n,n ) α Υψιπερατό φίλτρο log r(n,n ) β> ω + ω β α ω ω ο + ω Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 6/76

παράδειγμα H(u, v) = (γ (γ L =. 5, γ H H γ L ) =. ) [ ] c(u + v )/ D ) e + γ L, Αρχική και επεξεργασμένη εικόνα Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 63/76

Βασικές Κατηγορίες βαθυπερατών φίλτρων Φίλτρα μέσης τιμής (mean filters) Φίλτρα Gaussian μορφής (Gaussian Είδαμε μέχρι στιγμής τις filters) εξής κατηγορίες Φίλτρα Butterworth, Chebyshev κλπ Φίλτρα διάμεσης τιμής (median filters) Μη γραμμικά φίλτρα (harmonic κλπ) Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 64/76

Contra-Harmonic Mean Filter This function will filter the image by the nonlinear contra-harmonic mean method. The contra-harmonic mean filter is member of a set of nonlinear mean filters which are better at removing Gaussian type noise and preserving edge features than the arithmetic mean filter. The contraharmonic filter is very good at removing positive outliers for negative values of P and negative outliers for positive values of P The original 56 x 56 pixel image corrupted by additive Gauss noise and the contraharmonic mean filtered image using a 5 x 5 pixel square mask and P = -. Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 65/76

Harmonic Mean Filter The harmonic mean filter is member of a set of nonlinear mean filters which are better at removing Gaussian type noise and preserving edge features than the arithmetic mean filter. The harmonic mean filter is very good at removing positive outliers. The original 8 x pixel image and the harmonic mean filtered image using a x pixel square mask. Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 66/76

Geometric mean filters The geometric mean filter is member of a set of nonlinear mean filters which are better at removing Gaussian type noise and preserving edge features than the arithmetic mean filter. The geometric mean filter is very susceptible to negative outliers. The original 56 x 56 pixel image corrupted by additive Gauss noise and the geometric mean filtered image using a 3 x 3 pixel square mask. Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 67/76

μ = σ ΝΜ = ΝΜ n, n Wiener φίλτρα Βασίζονται στον τοπικό (παράθυρο η) υπολογισμό της μέσης τιμής μ και διακύμανσης σ. Δίνεται και η διακύμανση ν του θορύβου α( n η n, n [ α η, n ( n ), n ) μ ] Η «έξοδος» του φίλτρου b δίνεται από την σχέση: σ ν (n,n ) = μ + [α(n,n ) μ] σ b Σε περιοχές όπου σ>>ν προστίθεται στη μέση τιμή μ το τοπικό contrast α-μ Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 68/76

Wiener φίλτρα -παράδειγμα Η αρχική εικόνα Η εικόνα με θόρυβο-'speckle' Ηέξοδος του φίλτρου wiener για παράθυρο 7x7. Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 69/76

Φίλτρα ανισοτροπικής διάχυσης Αναφέρονται σε γκρίζες (gray scale) εικόνες Προσομοιάζουν την διάχυση της θερμότητας Σχετίζονται με τα Gaussian φίλτρα αλλά, Η θόλωση της εικόνας ΔΕΝ είναι σε όλες τις κατευθύνσεις ίδια (ανισοτροπική). Προσαρμόζεται στα τοπικά χαρακτηριστικά της εικόνας (περιγράμματα αντικειμένων). Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 7/76

Τι είναι διάχυση.5 5 5 Διάχυση.5 5 5 Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 7/76

Ισοτροπική διάχυση εξίσωση διάχυσης: I = που = t c I ό I I(x, y,t) Υλοποίηση: Παράδειγμα Διαδοχικές εικόνες λ=.5 Αντίστοιχες ακμές t = t = 8 t = 8 t = 56 Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 7/76

Ανισοτροπική διάχυση Εξίσωση t I(x, y,t) ( c(x, y,t) I) = = c(x, y,t) I + c I συνάρτηση διάχυσης c(x,y,t)=g( I(x,y,t) ) g I K ( I) = e g g g ( I) = > + α I + Κ α Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 73/76

Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 74/76 συνάρτηση ροής I K e ή I +α + Κ c(x,y,t) Φ= =

Υλοποίηση: I t I ( x, y, t ) = ( c ( x, y, t ) I ) t + t t i,j = I i,j + λ[c N ΔΝI + cs ΔSI + ce ΔΕI + c W Δ W I] i,j λ.5 3. Η σχέση είναι επαναληπτική. Το δεξιό μέρος περιγράφει την μεταβολή στην ένταση που παράγεται σε μία επανάληψη του φίλτρου. Στο διακριτό χώρο η βάθμωση μπορεί να προσεγγισθεί σαν διαφορά στην ένταση μεταξύ γειτονικών pixels Δ Ν I i,j I i,j I i,j Δ S I i,j I i+,j I i, j Δ E I i,j I i,j + I i, j ΔWI i,j I i,j I i, j. Η συνάρτηση ροής μπορεί να υπολογισθεί ανεξάρτητα για κάθε γειτονικό pixel. c = g ( I ) t + t Ni, j i,j t t c = g ( I) t t c = g ( I) t c = g ( I) Si,j i,j Ei,j i,j+ Wi,j t i,j Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 75/76

Παράδειγμα Διαδοχικές εικόνες e I K Αντίστοιχες ακμές I Κ t = t = 8 t = 8 t = 56 Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 76/76

Παράδειγμα επίδραση του Κ (α) αρχική εικόνα (β)ν= Κ= N=αριθμός επαναλήψεων (γ) Ν= Κ= (δ) Ν= Κ=3 (ε) Ν= Gaussian Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 77/76

ασκήσεις 3. Να υλοποιηθεί συνέλιξη με διαδικασία Μετασχ. Fourier 3. Να υλοποιηθεί ο Διανυσματικός διάμεσος - εφαρμογή σε έγχρωμη εικόνα 3.3 Να υλοποιηθεί vector directional filter - εφαρμογή σε έγχρωμη εικόνα 3.4 Να υλοποιηθεί η ομομορφική επεξεργασία- εφαρμογή σε έγχρωμη εικόνα 3.5 Unsharp masking υλοποίηση εφαρμογή σε gray scale εικόνα 3.6 Φιλτράρισμα με Butterworth φίλτρα - εφαρμογή σε gray scale εικόνα 3.7 Anisotropic diffusion (Perona Malic) υλοποίηση http://www.cs.utah.edu/~manasi/coursework/cs796/p/project.html Σ. Φωτόπουλος Ψηφιακή Επεξεργασία Εικόνας ΚΕΦ.3 ΒΕΛΤΙΩΣΗ ΕΙΚΟΝΑΣ 78/76