Image Processing 2 Mathcad

Prelucrarea imaginilor
Ameliorarea imaginilor in domeniul spatial

Notiuni introductive
1/14/2013 2 Prelucrarea imaginilor
Termeni, notiuni si notatii
- f(x,y) imaginea initiala
- g(x,y) imaginea procesata
- (x,y) coordonatele unui punct al imaginii
-Transformare: g(x,y)=T[f(x,y)], unde T este un operator ce actioneaza asupra lui f
si este definit pe o vecinatate a punctului (x,y). Aceasta vecinatate se mai
numeste si masca, kernel, sablon sau filtru. Vecinatatea poate avea forma
patrata, dreptunghiulara, sau mai rar, de disc.
Pixelul central al mastii se misca peste imagine, acoperind fiecare pixel al
acesteia. Transformarea foloseste numai pixelii din zona mastii.
Cel mai simplu exemplu de masca este cea cu dimensiunea 1 (1 x 1).
Atunci se va scrie s=T(r) si T devine functia de transformare [punctuala] de nivel
de gri, unde s este nivelul de gri in imaginea f, in punctul de coordonate (x,y), iar
r este nivelul de gri in imaginea g (procesata), tot in punctul de coordonate (x,y).
Exemplu de transformare punctuala:
Efect: Pixelii cu nivelul de gri mai mic decat m vor fi
facuti mai intunecati, iar cei cu nivel de gri mai mare
decat m vor fi facuti mai luminosi (cazul a.). Deci se va
mari contrastul imaginii. In cazul b., imaginea este
transformata intr-una binara, alb-negru.
1/14/2013 Prelucrarea imaginilor 3
Transformari punctuale in nuante de gri - 1
Definirea contextului:
Fie f(x,y) o imagine cu L nuante de gri (0, 1, 2.L-1)
Si transformata punctuala descrisa de relatia: s=T(r),
unde s si r au semnificatiile prezentate in diapozitivul
anterior.
- Transformata negativa: s=L-1-r
Transformarea este indicata pentru scoaterea in evidenta a detaliilor albe sau gri,
inconjurate de regiuni intunecate (care domina imaginea ca intindere).
-Transformata Log: s = c log (1 + r), cu c constant si r>=0
Transformata mapeaza o zona ingusta de valori mici de nivel de gri intr-o zona
larga de valori mai mari de nivele de gri. Efectul este contrar pentru valorile mari
de nivel de gri (vezi imaginea alaturata si compara segmentele orizontale cu cele
verticale). Transformata este folosita pentru a comprima nivele de gri pentru
imaginile cu variatii mari de intensitate. De exemplu spectrul Fourier al unei
imagini, care poate avea valori in intervalul [0 10^6] (a), si care poate fi comprimat
in intervalul [0 6] , daca c=1,(b)
a.
b.
Transformari punctuale in nuante de gri -2
-Transformata putere: s=c r

, sau s=c (r+c)

Rolul parametrului c este de a contracara un semnal de intrare nul. In functie de valorile parametrului

se
poate obtine o familie de curbe de transformare, ca in figura de mai jos.
Multe dispozitive pentru captura de imagini sau pentru printare sau
vizualizare raspund pe baza unei legi de tip putere. Pentru corectarea
efectelor unui astfel de raspuns (comportament) se realizeaza asa numita
corectie gamma (dupa numele exponentului).
Exemplu:
Monitoarele CRT au caracteristica intensitate-voltaj de tip putere, cu
exponentul in intervalul 1.8-2.5. Aceasta inseamna ca imaginea trimisa va fi
reprezentata pe monitor mai intunecata decat originalul (Cand

>1,
imaginile sunt mai luminoase, iar cand

<1 mai intunecate).
Daca se aplica o corectie gama cu valoarea 0.4, se corecteaza acest efect.
Exemplul 1 Exemplul 2
Transformari punctuale in nuante de gri Extinderea contrastului
(contrast stretching)
Transformarea de tip extindere a contrastului:
Esto o transformare descrisa de trasee liniare, de pante diferite. Conform
imaginii alaturate, daca r1=s1 si r2=s2, se obtine trasformarea identitate
(traseul de culoare rosie).
Daca r1=r2, s1=0 si s2=L-1, se obtine transformarea de tip prag (traseul
albastru). Aceasta produce imagini binare.
Ex. Ex.
Transformari punctuale in nuante de gri Decupari de nivele de gri
(Gray level slicing)
Aceste transformari au ca scop sa scoata in evidenta anumite zone de nuante de gri. In functie de traseul
transformarii, efectele pot fi diferite.
Exemple:
In cazul transformarii a., sunt scoase in evidenta nivele de gri din intervalul A-B, reducandu-le pe celelalte.
In cazul transformarii b., cu zona A-B se intampla acelasi lucru, dar restul nivelelor de gri raman aceleasi.
Decuparea pe plane de biti
(Bit-plane slicing)
O alta transformare utila este si decuparea pe plane de biti. Se pot obtine astfel imagini ce corespund fiecarui
bit din sirul alocat informatiei de nivel de gri (pentru imaginile de intensitate).
De exemplu, pentru o imagine cu adancimea de culoare de 8 biti, se pot obtine 8 plane, notate de regula
0,1,27. Se va vedea ca planul corespunzator bitului celui mai semnificativ (7) contine majoritatea informatiei
semnificative.

Izolarea planelor se poate face fie prin procedee strict numerice, fie aplicand filtre de tip prag, acestea urmand
sa genereze chiar imaginile corespunzatoare unui anumit plan de biti.
Exemplu:
Fie o imagine formata din 4 pixeli, dispusi pentru simplitate pe verticala. Adancimea de culoare este de 4 biti,
deci 16 nuante de gri.
Ex.
Pixel Valoare
zecimal
Valoare
binar
Plan 3 Plan 2 Plan 1 Plan 0
1 11 1011 1 0 1 1
2 8 1000 1 0 0 0
3 14 1110 1 1 1 0
4 6 0110 0 1 1 0
Pentru extragerea informatiilor pe plane de
biti se vor aplica transformari de tip prag cu
urmatoarele trasee:
Ex.
Procesarea histogramelor
Pentru o imagine in nuante de gri, in intervalul [0, L-1], o histograma este o functie discreta h(r
k
)=n
k
, unde k
este indicele nivelului de gri, r
k
este valoarea nivelului de gri, iar n
k
este numarul de pixeli din imagine
caracterizati de nivelul de gri cu indicele k.
De regula histogramele sunt normalizate, adica h
n
(r
k
)=n
k/
n, unde n este numarul total de pixeli din imagine.
Este evident ca E h
n
(r
k
)=1.
Histogramele au multiple aplicatii in procesarea imaginilor, inclusiv in ameliorarea acestora.
Contrast mare Contrast redus Imagine luminoasa Imagine intunecata
Egalizarea histogramelor - 1
Fie o transformare T, din relatia s=T(r), cu 0<=r<=1, cu proprietatile:
1. T(r) este strict crescatoare si univoca
2. 0<=T<=1
Avand in vedere ca in grafica bitmap se opereaza cu valori discrete, vom considera o relatie de forma:

Aceasta relatie defineste probabilitatea de aparitie a nivelului de gri r
k
O transformare de forma:

Satisface conditiile puse pentru transformarea continua notata tot cu T mai sus. Transformarea se numeste
egalizare de histograma, sau liniarizare de histograma. Ea asigura concret nivelarea histogramei unei
imagini, cu efectul vizibil de crestere a contrastului.
0 0
( ) ( ) 0,1, 2....., 1
k k
j
k k r j
j j
n
s T r p r k L
n
= =
= = = =

( ) , 0,1, 2....., 1
k
r k
n
p r cu k L
n
= =
Egalizarea histogramelor - 2
0
5000
10000
15000
20000
25000
1
1
7
3
3
4
9
6
5
8
1
9
7
1
1
3
1
2
9
1
4
5
1
6
1
1
7
7
1
9
3
2
0
9
2
2
5
2
4
1
0
5000
10000
15000
20000
25000
1
2
3
4
5
6
7
8
9
1
1
1
1
3
3
1
5
5
1
7
7
1
9
9
2
2
1
2
4
3
Ameliorarea imaginilor folosind operatii aritmetice si logice
Sunt operatii care se executa pixel cu pixel intre doua imagini sau mai multe. Exceptie operatia logica NEGARE,
ce se aplica unei singure imagini.

Operatiile aritmetice:
Adunarea
Diferenta
Multiplicarea
Divizarea

Operatii logice:
SI
SAU
NEGAREA

Pixelii sunt prelucrati ca siruri de caractere sau ca valori binare.
Operatiile logice Si, SAU sunt folosite pentru mascare (masking). Operatiile se mai numesc Region Of Interest
processing (ROI)

Ameliorarea imaginilor folosind operatii aritmetice si logice AND si OR
Operatii logice
Imagine initiala

Imagine (masca) pentru si logic

Imagine (masca) pentru sau logic
Rezultatul operatiilor logice: sau si
Sugestie:
Incercati sa realizati si
logic folosind imaginea
sau si invers.
A se vedea in
Matlab sectiunea
Region of
Interest!
Functiile and si or
Ameliorarea imaginilor folosind operatii aritmetice si logice Diferenta
Daca notam doua imagini cu f1(x,y), respectiv f2(x,y). Imaginea diferenta este data de:
g(x,y)=f1(x,y)-f2(x,y).
Scopul executarii de diferente intre imagini este de a pune in evidenta deosebirile dintre ele.

Probleme ce pot aparea la diferenta imaginilor:
Apar valori negative in imaginea diferenta
Solutia 1: Adaugarea la fiecare pixel al imaginii
diferenta a valorii 255 si apoi impartire cu 2

Solutia 2:
- Se calculeaza valoarea minima a imaginii rezultat
-Se adauga aceasta valoare negativata la fiecare pixel al
imaginii diferenta. Valoarea minima va fi acum 0
- Se inmulteste fiecare pixel al imaginii diferenta cu
255/Max, unde Max este cea mai mare valoare a
imaginii rezultat

Aplicatii in imagistica medicala
Ameliorarea imaginilor folosind operatii aritmetice si logice Diferenta
Aplicatie medicala
Imagine masca, notata cu f(x,y), obtinuta in
domeniul razelor X
Mask mode radiography
Se injecteaza un mediu contrastant si se obtine
imaginea h(x,y)
Imagine obtinuta prin operatia f(x,y)-h(x,y)
Ameliorarea imaginilor folosind operatii aritmetice si logice Mediere
Daca dispunem de K imagini distincte, date de relatia de mai sus, se poate scrie:
) , ( ) , ( ) , ( y x n y x f y x g + =
Fie o imagine f(x,y). Se amesteca (corupe) aceasta imagine cu un zgomot, notat n(x,y), care satisface
urmatoarele proprietati:
-Este necorelat cu imaginea
-Are valoarea medie 0
Atunci se poate scrie:
=
=
K
i
i
y x g
K
y x g
1
) , (
1
) , (
Daca sunt respectate conditiile legate de zgomot si daca si valoarea parametrului K este suficient de mare,
putem spune ca:
) , ( ) , ( y x f y x g
Vom spune ca imaginea mediata tinde catre cea corecta. Este valabila si relatia:
2
) , (
2
) , (
1
y x n y x g
K
o o =
Cu cat K este mai mare, cu atat abaterea media patratica va fi mai mica
Ameliorarea imaginilor folosind operatii aritmetice si logice Mediere
Exemplu
Discutie distributii
Filtrarea in domeniul spatial - 1
1/14/2013 17 Prelucrarea imaginilor
Filtrarea in domeniul spatial are la baza mecanismul deplasarii unei masti (kernel, sablon sau fereastra)
peste imaginea ce se filtreaza. De regula masca are dimensiuni (exprimate in pixeli) impare (3x3, 5x5
etc.), pentru a putea usor defini un punct central al sau. Daca filtrarea este liniara, fiecare pixel din
imagine este inlocuit (valoarea sa de gri) cu ceea ce rezulta dintr-o suma de produse de forma:

R = w(-1, -1)f(x - 1, y - 1) + w(-1, 0)f(x - 1, y) + w(0, 0)f(x, y) + w(1, 0)f(x + 1, y) + w(1, 1)f(x + 1, y + 1)

( , ) ( , ) ( , )
a b
s a t b
g x y w s t f x s y t
= =
= + +

In general, pentru o imagine cu dimensiunea
M x N si o masca cu dimensiunea m x n, se
poate scrie:
Unde:
1 1
,
2 2
0,1,..... 1
0,1,.... 1
m n
a b
x M
y N

= =
=
=
Pentru procesul de filtrare se mai foloseste
termenul de convolutie.
(Convolutia este o operatie matematica
executata asupra a doua functii. Rezultatul
este o functie ce se considera a fi o versiune
modificata a unei din functiile implicate.)
Filtrarea in domeniul spatial - 2
Se mai poate folosi si notatia:
1
mn
i i
i
R w z
=
=
Unde z
i
sunt valorile pixelilior din imagine corespunzatori coeficientilor w
1
,. w
9
O problema in cazul mastilor este legata de pixelii din vecinatatea frontierei imaginii. Se poate folosi una
dintre optiunile:
-Sa se limiteze miscarea mastii pana ajunge la distanta (n-1)/2, deci raman nefiltrati pixelii din vecinatatea frontierei
imaginii, iar imaginea filtrata este mai mica decat cea originala.
- Sa se bordeze imaginea initiala cu fasii de pixeli cu valoarea 0 sau 1, ai, dupa filtrare sa rezulte o imagine idenmtica
dimensional cu cea initiala. Evident ca pixelii adaugati vor influenta rezultatul filtrarii.
Filtre de netezire (smoothing) Filtre liniare
Se mai numesc si filtre de mediere sau filtre trece jos (low pass filter).
Astfel de filtre inlocuiesc valoarea [de gri a] fiecarui pixel cu o valoare mediata a pixelilor din vecinatatea considerata.
Se foloseste pentru reducerea zgomotului dintr-o imagine (care daca e aleator, este eliminat prin mediere). Efectul
negativ este cel al reducerii claritatii muchiilor , deci o anumita neclaritate a imaginii filtrate.
Exemple de filtre:

a) b)
Primul filtru face o medie clasica, al doilea, una ponderata, ce da o importanta mai mare pixelului central si valori mai mici
pixelilor aflati mai departe de acesta.
In general, pentru o imagine cu dimensiunea MxN, si o masca cu dimensiunea m x n (m si n impare), se poate scrie:
9
1
1
9
i
i
Med z
=
=

9
1
1
16
i
i
Med z
=
=

( , ) ( , )
( , )
( , )
a b
s a t b
a b
s a t b
w s t f x s y t
g x y
w s t
= =
= =
+ +
=

w(s,t) sunt valorile celulelor mastii. Numitorul e o constanta si se calculeaza o
singura data.
Filtre de netezire liniare exemple 1
Imaginea initiala
Masca 5 x 5 ponderata
Masca 5 x 5 neponderata
Masca 3 x 3 neponderata
Filtre de netezire neliniare filtre mediane
In acest caz pixelul ce se suprapune peste centrul mastii este inlocuit cu valoarea mediana a pixelilor acoperiti de masca.
Aceste filtre sunt foarte indicate pentru eliminarea zgomotului de tip impuls, care se mai numeste si sare si piper ( pentru ca
este o alternanta de puncte albe si negre).
Filtrele de acest tip au si avantajul ca nu produc o asa de mare scadere a claritatii imaginii fata de filtrele liniare.
Imagine initiala Imagine netezita cu filtru 3 x 3 Imagine netezita cu filtru 5 x 5
Demo digimizer
Filtre de claritate (sharpening filters)
Spre deosebire de filtrele de netezire, care presupuneau de regula medieri, deci o operatie analoaga cu integrarea, filtrele de
claritate se vor realiza prin operatii de derivare. In esenta, filtrele de claritate scot in evidenta discontinuitatile unei imagini:
treceri de la intunecat la luminos, muchii, linii.
Operatiile de derivare vor fi modelate in cadrul algoritmilor pentru filtrele de claritate prin diferente. Astfel:

2
2
( 1) ( )
( 1) ( 1) 2 ( )
f
f x f x
x
f
f x f x f x
x
c
= +
c
c
= + +
c

Aceste formulari au fost scrise tinand cont de faptul ca, data fiind structura discreta a unei imagini bitmab, variabila x ia numai
valori intregi cu pasul 1.
Prima si cea de a doua derivata trebuie sa respecte urmatoarele conditii:
Derivata 1
1. Sa fie zero pe segmentele [de imagine] fara variatii de intensitate (cu nivel de gri constant)
2. Sa fie diferita de zero pe zonele de variatie a nivelului de gri (crestere in panta sau treapta)
Derivata 2
1. Sa fie zero pe zonele fara variatii de intensitate [de gri]
2. Sa fie diferita de zero la inceputul zonelor de variatie de intensitate (panta sau treapta)
3. Sa fie zero de-a lungul rampelor cu panta constanta
Filtre de claritate - Exemplificare
Fie imaginea de mai jos si o linie de scanare ce trece chiar prin punctul (pixelul) alb situat aproximativ in centrul imaginii.
Linia de scanare
Variatia nivelului de gri
Valorile nivelelor de
gri de-a lungul liniei
de scanare
Se poate observa ca prima si a doua derivata respecta conditiile enuntate anterior.

Concluzii:
1. Prima derivata produce in general muchii mai groase intr-o imagine
2. Derivata a doua raspunde mai bine la detalii, cum ar fi punctele izolate sau liniile
subtiri
3. Prima derivata are un raspuns mai bun la la variatia in trepte a nivelului de gri.
4. Derivata de ordinul al doilea produce un raspuns dublu la modificare nivelului de
gri in treapta
5. Pentru derivata a doua, raspunsul e mai puternic pentru o linie fata de o treapta,
sau pentru un punct fata de o linie
Filtre de claritate - Laplacianul
2 2
2
2 2
f f
f
x y
c c
V = +
c c
O posibilitate este de a utiliza operatorul numit Laplacian, care este liniar si izotrop (invariant la rotatii). Filtrele izotropice sunt
invariante la rotatii, deci daca imaginea se roteste, se obtine acelasi efect cu cel ce s-ar obtine daca s-ar aplica filtrul si apoi s-ar
roti rezultatul [aplicarii].
Expresia laplacianului este:
Formularea discreta este:
2
2
( 1, ) ( 1, ) 2 ( , )
f
f x y f x y f x y
x
c
= + +
c
2
2
( , 1) ( , 1) 2 ( , )
f
f x y f x y f x y
y
c
= + +
c
2
( 1, ) ( 1, ) ( , 1) ( , 1) 4 ( , ) f f x y f x y f x y f x y f x y V = + + + + +
Aceasta formulare se poate implementa cu urmatoarele masti:
a. b. c. d.
Observatii:
1. Masca a. este izotropica pentru rotatii de 90 de grade
2. Mastile b. tine cont si de termenii diagonali. Ea este invarianta la rotatii de 45 grade
3. Laplacianul va avea ca efect evidentierea zonelor cu discontinuitati in nivelul de gri si le va atenua pe cele cu
variatii lente sau nule ale nivelului de gri. Acest lucru va produce imagini cu linii gri si zone de fond inchis la
culoare. Pentru a contracara acest efect se poate aduna imaginea initiala cu cea filtrata. In cazul mastilor
pentru care coeficientul central este negativ (a. si b.), Imaginea filtrata se scade din cea initiala, adica:
2
2
( , ) ( , ),
( , )
( , ) ( , ),
f x y f x y dacacentrul mastii enegativ
g x y
f x y f x y dacacentrul mastii e pozitiv
V
=

+V

Filtre de claritate Exemplificare 1
Secventa Matlab:
>> imagine=imread('moon.jpg');
>> figure, imshow(imagine);
>> masca=[1 1 1;1 -8 1; 1 1 1];
>> laplace=imfilter(imagine,masca);
>> imshow(laplace);
>> clar=imagine-laplace;
>> figure, imshow(clar);
Imagine initiala Laplacian
Imagine filtrata (mai clara)
Masca folosita
Laplacian
Imagine filtrata
Filtre de claritate - simplificare
Exista posibilitatea de a se genera o masca ce va face inutila scaderea (sau adunarea) a doua imagini. Se porneste de la relatia
ce descrie diferenta dintre imaginea initiala si laplacian:
( , ) ( , ) [ ( 1, ) ( 1, ) ( , 1) ( , 1)] 4 ( , )
5 ( , ) [ ( 1, ) ( 1, ) ( , 1) ( , 1)]
g x y f x y f x y f x y f x y f x y f x y
f x y f x y f x y f x y f x y
= + + + + + + =
+ + + + +
Mastile ce modeleaza aceste relatiile sunt (a doua tine cont si de termenii diagonali):
>> imagine=imread('moon.jpg');
>> masca=[0 -1 0; -1 5 -1; 0 -1 0];
>> clar=imfilter(imagine,masca);
>> imshow(clar);
Se observa si aici ca luarea in
consideratie a termenilor diagonali
produce imagini mai nete
Filtre de accentuare (high-boost filtering)
O metoda de a obtine imagini mai clare este sa se scada o imagine neclara (blured) din imaginea initiala, adica:
( , ) ( , ) ( , )
s nc
f x y f x y f x y =
Unde f
s
este imaginea neta (sharped), iar f
nc
este imaginea neclara (blured).
O generalizare a acestei metode o constituie asa numitul filtru de accentuare (high boost filter), care este definit astfel:
( , ) ( , ) ( , )
hb nc
f x y Af x y f x y =
Sau inca:
( , ) ( 1) ( , ) ( , ) ( , )
hb nc
f x y A f x y f x y f x y = +
( , ) ( 1) ( , ) ( , )
hb s
f x y A f x y f x y = +
Cum nu se face nicio precizare privind modul de obtinere a imaginii clare (sharp), putem considera ca aceasta s-a obtinut
prin aplicarea Laplacianului, deci:
2
2
( , ) ( , ),
( , )
( , ) ( , ),
hb
Af x y f x y cand elementul central al mastii estenegativ
f x y
Af x y f x y cand elementul central al mastii este pozitiv
V
=

+V
Se observa ca pentru A=1, se obtine chiar Laplacianul standard.

Mastile ce se pot folosi pentru modelarea acestui filtru sunt:
Filtre de accentuare (high-boost filtering) - Exemplu
Imagine initiala Imagine filtrata cu A=0
Imagine filtrata cu A=1.7 Imagine filtrata cu A=1
Se considera imagine intunecata din
coltul din stanga sus si se filtreaza cu
masca de mai jos pentru diverse valori
ale parametrului A
Imagine filtrata cu A=4
Filtre ce folosesc prima derivata - 1
Filtrele ce folosesc prima derivata se implementeaza folosind de fapt magnitudinea primei derivate, adica, daca notam
vectorul prima derivata:
1
2 2
2
x
f ( , )
( f)=[ ]
x
y
y
f
G
x
x y
f G
y
f mag G G
c (
(
(
c
( V = =
(
c
(

(
c

V = V +
Operatorul magnitudine al gradientului este neliniar (datorita ridicarilor la putere si extragerii radicalului), desi componentele
sunt liniare. Pe de alta parte, operatorul magnitudine este invariant la rotire, desi derivatele partiale nu sunt.
In practica, din motive de eficienta, se utilizeaza o expresie simplificata a magnitudinii:
x y
f G G V ~ +
Expresia nu asigura mentinerea caracterului izotropic.
Ca si in cazul Laplacianului, se va lucra cu masti de dimensiune 2x2, 3x3, sau mai rar, 5x5. Pastrand notatiile si conventiile deja
prezentate, se poate scrie:
8 5
6 5
x
y
G z z
G z z
=
=
Sau, formele
diagonale:
9 5
8 6
x
y
G z z
G z z
=
=
9 5 8 6
f z z z z V = +
Masca Roberts a
gradientilor diagonali
Masti impare:
7 8 9 1 2 3 3 6 9 1 4 7
( 2 ) ( 2 ) ( 2 ) ( 2 ) f z z z z z z z z z z z z V ~ + + + + + + + + +
Diferenta dintre randul 3 si randul 1 aproximeaza derivata dupa x, iar diferenta
dintre coloana a treia si prima coloana, aproximeaza derivata dupa y.
Coeficientul 2 apare pentru a da o mai mare importanta pixelului central.

Masca Sobel
Masca (filtrul) Sobel se foloseste la detectarea muchiilor din imagini.
>> imagine=imread('lentila.jpg');
>> figure, imshow(imagine);
>> masca=[-1 -2 -1;0 0 0;1 2 1];
>> muchii1=imfilter(imagine, masca);
>> figure, imshow(muchii1);
>> masca2=[-1 0 1;-2 0 2;-1 0 1];
>> muchii2=imfilter(imagine,masca2);
>> muchii3=imfilter(muchii1,masca2);
Imagine initiala
>> imagine=imread('imagine.jpg');
>> masca1=[-1 0 -1;-2 0 2;-1 0 1];
>> imshow(muchii1);
>> masca2=[-1 -2 -1; 0 0 0;1 2 1];
>> masca3=fspecial('sobel');
>> muchii4=edge(imagine,'sobel');
Imagine initiala

Image Processing 2 Mathcad

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Image Processing 2 Mathcad

Încărcat de

Drepturi de autor:

Formate disponibile

Prelucrarea imaginilor

Ameliorarea imaginilor in domeniul spatial

1/14/2013 Prelucrarea imaginilor 25

Se observa ca pentru A=1, se obtine chiar Laplacianul standard.

S-ar putea să vă placă și