PDI Curs2

Prelucrarea digitala a imaginilor
Cuprins
Capitolul 3: Imbunatatirea imaginii in domeniul spatial
- Transformari ale nivelelor de gri - Procesarea Histogramei - Imbunatatirea folosind operatii aritmetice si logice - Filtrarea spatiala
Image Enhancement
Def. Procesarea imaginii astfel incat rezultatul sa fie mai bun decat originalul pentru o aplicatie data. Metode in domeniul spatial Metode in domeniul frecventa
Operatii de imbunatatire
Operatii punctuale
f(x,y) g(x,y)=T[f(x,y)] g(x,y)
Operatii locale sau de vecinatate

g(x,y)=T[f(x,y)] f(x,y) g(x,y)
Operatii integrale
g(x,y)=T[f(x,y)] f(x,y) g(x,y)
Cuprins
- Transformari ale nivelelor de gri - Procesarea Histogramei - Imbunatatirea folosind operatii aritmetice si logice - Filtrarea spatiala
Transformari ale nivelelor de gri

g ( x, y ) = T [ f ( x, y )]
s = T (r )
B
R.C.Gonzales and R.E.Woods Digital image processing- Second edition, 2008
Functii de transformare a nivelelor de gri

-Negativul imaginii -Functia logaritmica si inversa ei -Functia ridicare la putere
Negativarea imaginii
S=T(r)=L-1-r
a=imread('lena.bmp'); a=a(:,:,1); neg=imcomplement(a); imshow(neg)
Negativarea imaginii
a=imread('Fig0304(a)(breast_digital_Xray).tif') figure(1);imshow(a) neg=imcomplement(a); figure(2);imshow(neg)

Transformari logaritmice
s = c log(1 + r ) c = ct . r0
a=imread('Fig0305(a)(DFT_no_log).tif') figure(1);imshow(a) c=1; l=im2uint8(mat2gray(log(1+double(a)))); figure(2);imshow(l)

Transformari de putere
s = cr c,
= ct . > 0
CRT s = r
1 2 .5
Functii liniare pe portiuni

Contrast Stretching (Marirea constrastului)
r1 = s1 Transformarea este o functie liniara ce nu produce schimbari r2 = s2
r1 = r2
Transformarea este o functie de s1 = 0 prag (thresholdin) ce creeaza o s2 = L 1 imagine binara.
Rezultatul modificarii contrastului dupa legea de transformare
Thresholding
R.C.Gonzales and R.E.Woods Digital image processingSecond edition, 2008
Functii liniare pe portiuni

Gray level slicing (Taierea nivelelor de gri)
Bit plane slicing (Reprezentarea planelor de bit)
Cuprins
- Transformari ale nivelelor de gri - Procesarea Histogramei - Imbunatatirea folosind operatii aritmetice si logice - Filtrarea spatiala.
Procesarea si reprezentarea histogramei

h(rk ) = nk
7 0 0 0 6 0 0 0 5 0 0 0 4 0 0 0
normalizare
nk p ( rk ) = n
7 0 00 6 0 00 5 0 00 4 0 00 3 0 00
3 0 0 0
2 0 00
2 0 0 0
1 0 0 0
1 0 00 0
5 0 1 0 0 1 5 0 2 0 0 2 5 0
5 0
10 0
1 5 0
2 00
2 50
Img. luminoasa
6 0 0 0 5 0 0 0
Constrast scazut
4 000 3 500 3 000
4 0 0 0
2 500
3 0 0 0
2 000 1 500 1 000
2 0 0 0
1 0 0 0
500
0 0 5 0 1 0 0 1 5 0 2 0 0 2 5 0
0 0 50 100 1 50 2 00 25 0
Img. intunecata
Constrast mare
Procesarea si reprezentarea histogramei

Histograma nu reflecta distributia spatiala a valorilor!!
Histograma cumulativa
Histograma= functie densitate de probabilitate Histograma cumulativa este functia de repartitie asociata
Constantin Vertan Prelucrarea si analiza imaginilor, Ed. Printech, 1999
Egalizarea histogramei
Imaginea ideala?????
Egalizarea de histograma
3 5 00 3 0 00 2 5 00 2 0 00 1 5 00 1 0 00 5 00 0 0 5 0 1 0 0 1 50 20 0 2 5 0
3 5 0 0 3 0 0 0 2 5 0 0 2 0 0 0 1 5 0 0 1 0 0 0 5 0 0 0 0 5 0 1 0 0 1 5 0 2 0 0 2 5 0
Fie doua imagini f(x,y) si g(x,y) care au histogramele
hg
In ce conditii se pot determina histogramele: a) f(x,y) +g(x,y) b) f(x,y)-g(x,y) c) f(x,y)*g(x,y) d) f(x,y)/g(x,y) Cunoscuand
hg
???
Explicati cum s-ar putea obtine histograma in fiecare caz.
Cuprins
- Transformari ale nivelelor de gri - Procesarea Histogramei - Imbunatatirea folosind operatii aritmetice si logice - Filtrarea spatiala.
Imbunatatirea imaginii folosind operatii aritmetice si logice.

AND , OR masking (selectia subimaginilor intr-o imagine) NOT SUMA si DIFERENTA
Masca AND
Rezultatul AND pe a si b
OPERATII DE VECINATATE
C. VERTAN
LABORATORUL DE ANALIZA I PRELUCRAREA IMAGINILOR - LAPI
Tipuri de operatii de prelucrare Clasificare dupa numarul de pixeli din imaginea initiala folositi pentru calculul valorii unui pixel din imaginea prelucrata. operatii punctuale operatii de vecinatate operatii integrale
C. VERTAN
De ce operatii de vecinatate ?
Limitarile prelucrarilor de tip punctual (corespondenta unu-la-unu intre valorile noi si valorile vechi ale pixelilor) : nu se poate face o caracterizare mai fina a pixelilor toti pixelii ce au aceeasi valoare sunt identici (limitare observabila la egalizarea de histograma de exemplu) Pentru a distinge intre pixeli de aceeasi valoare trebuie luate in considerare informatii suplimentare asupra vecinatatii acestora (sunt situati in regiuni uniforme, in zone de contur, )
C. VERTAN
Operatori de vecinatate
coloana c linia l
coloana c linia l imagine prelucrata g
V imagine initiala f
g ( l ,c ) = T f V( l ,c )
((
))
Noua valoare a oricarui pixel din imaginea prelucrata rezulta din combinarea unui numar oarecare de valori ale pixelilor din imaginea initiala, situati in vecinatatea pixelului curent prelucrat.
C. VERTAN
Operatori de vecinatate
g ( l ,c ) = T f V( l ,c )
((
))
Definirea transformarii implica specificarea: vecinatatii pixelului curent prelucrat, V(l,c) functiei de combinare a valorilor extrase din imagine, T Functii de combinare (transformari) liniare neliniare intrinsec neliniare neliniare ca efect al adaptarii
C. VERTAN
Vecinatatea
V( l ,c )
linia l
coloana c
Vecinatate = multime de pixeli din planul imaginii, situati in jurul pixelului curent prelucrat. Definirea vecinatatii = specificarea pozitiilor pixelilor care fac parte din respectiva vecinatate, fata de pozitia curenta, adica fata de pixelul curent prelucrat, de coordonate (l, c).
C. VERTAN
Vecinatatea
V( l ,c ) = {(m1 , n1 ), (m2 , n2 ),..., (mK , nK )}
coordonate relative fata de pixelul curent prelucrat
numar de pixeli din vecinatate
Punctul curent prelucrat (l, c) este originea sistemului de coordonate atasat vecinatatii. In sistemul de coordonate atasat imaginii, vecinatatea este:
V(l ,c ) = {(l + m1 , c + n1 ), (l + m2 , c + n2 ),..., (l + mK , c + nK )}

C. VERTAN
Exemple de vecinatati Vecinatatea imediata a pixelului : cei patru vecini imediati, pe linii si coloane ai pixelului dat.
V4
pixel curent (originea vecinatatii)
sistem de coordonate atasat vecinatatii (NU SUNT COORDONATELE IMAGINII)
V4 = {(0,0), (0,1), (0,1), (1,0), (1,0)}

K =5
C. VERTAN
Exemple de vecinatati Vecinatatea extinsa a pixelului : cei opt vecini pe linii si coloane.
V8
pixel curent (originea vecinatatii)
sistem de coordonate atasat vecinatatii (NU SUNT COORDONATELE IMAGINII)
(0,0), (0,1), (0,1), (1,0), (1,0), V8 = (1,1), (1,1), (1,1), (1,1)

K =9
C. VERTAN
Exemple de vecinatati
V = {(0,0), (1,0), (0,1)} V = {(1,0), (1,0)}
K =3
K =2
C. VERTAN
Operatia de vecinatate poate fi scrisa deci ca:
g (l , c) = T ( f (l + m1 , c + n1 ), f (l + m2 , c + n2 ),..., f (l + mK , c + nK ))
Transformarea T va fi deci o functie cu K variabile scalare.
C. VERTAN
FILTRAREA LINIARA A IMAGINILOR
C. VERTAN
Operatori liniari
Liniaritate = verificarea principiului superpozitiei. Fie un operator T, care se aplica asupra unor elemente f, g. T este liniar daca, pentru orice constante scalare , avem:
T (f + g ) = T ( f ) + T ( g )
In cazul particular de interes, f si g sunt imagini avand aceeasi dimensiune, , sunt scalari reali si T este o operatie de vecinatate.
C. VERTAN
Filtrarea liniara
g ( l ,c ) = T f V( l ,c )
( (
))
g (l , c) = T ( f (l + m1 , c + n1 ), f (l + m2 , c + n2 ),..., f (l + mK , c + nK ))
g (l , c) = wmn R
( m , n )V
mn
f (m + l , n + c)
wmn se numesc ponderi ale filtrului si sunt constante scalare asociate fiecarui punct al vecinatatii folosite.
C. VERTAN
Filtrarea liniara
Orice filtru liniar este deci definit de: vecinatatea folosita, V ponderile asociate vecinatatii, wmn
C. VERTAN
Filtru liniar: exemplu

V = {(0,0), (1,0), (0,1)}
w00 = 1 / 2 w10 = 1 / 4 w01 = 1 / 4
K =3
Coeficientii atasati punctelor: scriere grupata
1/ 2 1/ 4 1/ 4
marcarea originii
Operatia de vecinatate se scrie ca:
g (l , c) =
( m , n )V
mn
f (m + l , n + c)
g (l , c) = w00 f (0 + l ,0 + c) + w10 f (1 + l ,0 + c) + w01 f (0 + l ,1 + c)
1 1 1 g (l , c) = f (l , c) + f (l + 1, c) + f (l , c + 1) 2 4 4
C. VERTAN
V4 = {(0,0), (0,1), (0,1), (1,0), (1,0)}

K =5
w00 = 0.5 w10 = w01 = w01 = w10 = 0.125
scriere grupata
0.125 0.125 0.5 0.125 0.125

marcarea originii
g (l , c) =
( m , n )V
mn
f (m + l , n + c)
g (l , c) = w00 f (0 + l ,0 + c) + w10 f (1 + l ,0 + c) + w01 f (0 + l ,1 + c) + + w10 f (1 + l ,0 + c) + w01 f (0 + l ,1 + c) 1 1 g (l , c) = f (l , c) + ( f (l , c + 1) + f (l , c 1) + f (l 1, c) + f (l + 1, c) ) 2 8

C. VERTAN
V4 = {(0,0), (0,1), (0,1), (1,0), (1,0)}

K =5
w00 = 0.5 w10 = w01 = w01 = w10 = 0.125
scriere grupata
0.125 0.125 0.5 0.125 0.125

marcarea originii
Completarea vecinatatii cu ponderi nule
0 0.125 0 0.125 0.5 0.125 0 0.125 0

1 1 g (l , c) = f (l , c) + ( f (l , c + 1) + f (l , c 1) + f (l 1, c) + f (l + 1, c) ) 2 8
C. VERTAN
Ce inseamna in practica ?
g (l , c) =
( m , n )V
mn
f (m + l , n + c)
Pentru fiecare pixel al imaginii, situat in pozitia (l,c): plaseaza vecinatatea V cu originea in pixelul curent extrage valorile pixelilor imaginii din vecinatate combina valorile pixelilor extrasi din imagine scrie noua valoare in imaginea de iesire la pozitia (l,c) Treci la pixelul urmator.
C. VERTAN
Echivalent: Fereastra glisanta

Vecinatatea folosita este o fereastra (deschidere) intr-un suport opac plasat in fata imaginii; din imagine nu se vede dacat portiunea ce corespunde ferestrei plasate in pozitia curenta. Fereastra este glisata (plimbata) peste intreaga imagine, punct cu punct.
imagine initiala
C. VERTAN
imagine prelucrata
Probleme de implementare
Ce se intampla pe marginile imaginii, daca vecinatatea debordeaza ?
vecinatate (fereastra) de filtrare
pixeli problema
imagine initiala
C. VERTAN
imagine prelucrata
Solutii de evitare a efectelor de margine: 1. ignorarea liniilor/ coloanelor corespunzatoare pozitiilor cu probleme 2. bordarea imaginii cu suficiente linii/ coloane cu pixeli avand valori potrivite (sa nu influenteze rezultatul aplicarii functiei T de combinare a valorilor). pentru filtrarea liniara : replicarea liniilor/coloanelor marginale ale imaginii
C. VERTAN
Complexitatea de calcul:
g (l , c) =
( m , n )V
wmn f (m + l , n + c)
K inmultiri, K-1 adunari pentru fiecare pixel
Complexitatea de calcul creste cu cresterea vecinatatii. Este mai eficient sa se lucreze cu vecinatati de dimensiune mica.
Vecinatatile mari pot fi descompuse ? (acelasi rezultat obtinut prin aplicarea iterativa a mai multe filtari liniare cu vecinatati mai mici)
C. VERTAN
Tipuri de filtre liniare

Corespund celor doua tipuri de efecte esentiale dorite: cresterea uniformitatii in interiorul regiunilor netezire
cresterea contrastului pe frontierele regiunilor contrastare
C. VERTAN
Filtre liniare de netezire

Cresterea uniformitatii in interiorul regiunilor este echivalenta cu reducerea micilor variatii ale valorilor pixelilor, datorate, de exemplu, zgomotului. Netezire = reducere zgomot adaugat imaginii. Corespunde definitiei frecventiale a termenului de filtru:
Filtrul este un sistem de circuite electrice, sonore, etc. cu care se selecteaza dintr-un complex de oscilatii cu frecvente diferite, oscilatiile cu frecventele cuprinse ntre anumite limite.
Se presupune ca zgomotul poate fi descris in frecventa.

C. VERTAN
Filtre liniare de netezire

Zgomotul cel mai obisnuit: zgomot alb, gaussian, aditiv (ZAGA).
f (l , c) = f 0 (l , c) + z (l , c) z (l , c) N 0, 2 fz = 0
C. VERTAN
Filtre liniare de netezire: reducerea ZAGA

Filtrul optim: filtrul de mediere aritmetica
g (l , c) =
Card (V ) = K
( m , n )V
mn
f (m + l , n + c)
wmn
1 = K
1 g (l , c) = f (m + l , n + c) Card (V ) ( m ,n )V
Ex. 1
V4 K = 5
wmn 1 = 5
Ex. 2
0 1/ 5 0 1/ 5 1/ 5 1/ 5 0 1/ 5 0
C. VERTAN
V8 K = 9 1 / 9 1 / 9 1 / 9 1 1/ 9 1/ 9 1/ 9 wmn = 9 1/ 9 1/ 9 1/ 9
Netezire: medie aritmetica
9x9
Efectul de incetosare a imaginii (blur)
5x5
C. VERTAN
13 x 13
Netezire: medie aritmetica

reducerea zgomotului (si blur) 3x3
11 x 11
C. VERTAN
7x7
De ce apare incetosarea imaginii ?

Incetosare (blur) : frontierele devin neclare Fereastra de filtrarea selecteaza valori diferite, apartinand regiunilor vecine separate de contur. In urma medierii rezulta o valoare intermediara care inlocuieste conturul. Ex. contur 1D ideal (o linie din imagine) dupa mediere
C. VERTAN
De ce apare incetosarea imaginii ?

O echivalenta in domeniul frecventelor: Contur (detalii fine) frecvente inalte Zone uniforme frecvente joase Filtrarea de mediere filtrarea trece jos (se va demonstra la capitolul privind transformarile integrale; filtrarea liniara este o operatie de convolutie intre imagine si nucleul filtrului)
C. VERTAN
Cum masuram calitatea filtrarii ?

Functii de masura a calitatii imaginii in raport cu o imagine de referinta. Daca imaginea zgomotoasa/ degradata/ testata este f, provenind din imaginea originala/ corecta/ nedegradata f0 (referinta), putem masura: Eroarea patratica medie (Mean Squared Error - MSE)
MSE = ( f f 0 )
1 = MN
M 1 N 1 i =0 j =0
2 ( ) f ( m , n ) f ( m , n ) 0
Eroarea absoluta medie (Mean Absolute Error - MAE)
1 MAE = f f 0 = MN
M 1 N 1
i =0 j =0
f (m, n) f 0 (m, n)
C. VERTAN

Raportul Semnal - Zgomot (Signal to Noise Ratio - SNR)
M 1 N 1
SNR = 10 log M 1 N 1
i =0 j =0
( f
i =0 j =0
(m, n) )
2 ( ) f ( m , n ) f ( m , n ) 0
[dB ]
Raportul Semnal de Varf - Zgomot (Peak Signal to Noise Ratio - PSNR)
PSNR = 10 log M 1 N 1
i =0 j =0
MN max f 0 (m, n)
( m ,n )
2 ( ) f ( m , n ) f ( m , n ) 0
[dB ]
intotdeauna PSNR > SNR

C. VERTAN

Calitate : SNR, PSNR MSE, MAE In general se foloseste SNR, ca in prelucrarea semnalelor 1D. Imaginea de calitate are SNR > 25 dB Imaginea cu diferente imperceptibile are SNR > 30 dB
SNR=20 dB
SNR=17 dB
SNR=14 dB
Cum proiectam filtrul de medie aritmetica ?

wmn 1 = K
Factor de reglaj: forma si dimensiunea vecinatatii
Se poate demonstra ca puterea zgomotului alb, aditiv din imagine este redusa de K ori. Filtrare eficienta vecinatate mare. Vecinatate mare efect puternic de incetosare a imaginii
C. VERTAN
Filtrul de mediere ponderata

Mai multa libertate in alegerea ponderilor asociate punctelor din vecinatatea folosita.
g (l , c) =
( m , n )V
mn
f (m + l , n + c)
0.125 0.125 0.5 0.125 0.125 0 0 0.15 0 0.7 0.15
0.05 0.1 0.05 0.1 0.4 0.1 0.05 0.1 0.05 0.15 0.4 0.15
C. VERTAN
0.15 0.15
Normalizarea filtrelor de netezire

Coeficientii wmn nu pot fi alesi oricum. Sa ne imaginam o imagine perfect uniforma (toti pixelii au aceeasi valoare). Dupa o filtrare de netezire aceasta valoare nu trebuie sa se modifice.
g (l , c) =
( m , n )V
mn
f (m + l , n + c)
f (m + l , n + c) = = ct , (m, n) V , (l , c)
g (l , c) =
( m , n )V
mn
( m , n )V
mn
= 1, wmn > 0
C. VERTAN
Filtrarea de contrastare/ derivare

Contrastarea unei imagini are ca obiectiv mbunatatirea perceperii vizuale a contururilor obiectelor (mbunatatirea detectabilitatii componentelor scenei de-a lungul frontierelor acestora). O experienta de perceptie vizuala subiectiva (benzile lui Mach) a pus n evidenta faptul ca sistemul vizual uman are tendinta de a adnci profilul zonelor de tranzitie dintre regiuni uniforme. Studiul fiziologiei sistemului vizual a demonstrat ca acesta se realizeaza prin prelucrari de tip derivativ ce apar n diferitele etape pe care le parcurge informatia vizuala; efectul global poate fi descris ca scaderea din semnalul original a unei derivate secunde.
C. VERTAN
Efectul Mach
perceptia unei linii mai intunecate
perceptia unei linii mai luminoase
Aceste linii NU EXISTA in imagine, ci sunt IMPRESII create de sistemul vizual.
C. VERTAN
Simularea efectului Mach

f
f - f
Contrastarea imaginilor
Contrastare = Imagine Derivata secunda Derivata secunda a unei functii de doua variabile: dupa ce directie ? Se foloseste Laplacianul:
2 f ( x, y ) 2 f ( x , y ) f ( x, y ) = + 2 y 2 x
Filtre de derivare secunda (Laplacian):
1 1 1 1 8 1 1 1 1
0 1 0 1 4 1 0 1 0
C. VERTAN
1 2 1 2 4 2 1 2 1
Contrastarea imaginilor
medie 5 x 5
original
C. VERTAN
Normalizarea filtrelor de derivare

Coeficientii wmn nu pot fi alesi oricum. Sa ne imaginam o imagine perfect uniforma (toti pixelii au aceeasi valoare). Dupa o filtrare de derivare, rezultatul trebuie sa fie nul.
g (l , c) =
( m , n )V
mn
f (m + l , n + c)
f (m + l , n + c) = = ct , (m, n) V , (l , c)
g (l , c) =
( m , n )V
w
mn
mn
=0
( m , n )V
=0
C. VERTAN
Va urma:
limitarile filtrarii liniare operatii neliniare de vecinatate
C. VERTAN

PDI Curs2

Încărcat de

Informații document

Titlu original

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

PDI Curs2

Încărcat de

Drepturi de autor:

Formate disponibile

Prelucrarea digitala a imaginilor

Operatii locale sau de vecinatate

Transformari ale nivelelor de gri

Functii de transformare a nivelelor de gri

R.C.Gonzales and R.E.Woods Digital image processing- Second edition, 2008

a=imread('lena.bmp'); a=a(:,:,1); neg=imcomplement(a); imshow(neg)

a=imread('Fig0304(a)(breast_digital_Xray).tif') figure(1);imshow(a) neg=imcomplement(a); figure(2);imshow(neg)

a=imread('Fig0305(a)(DFT_no_log).tif') figure(1);imshow(a) c=1; l=im2uint8(mat2gray(log(1+double(a)))); figure(2);imshow(l)

R.C.Gonzales and R.E.Woods Digital image processing- Second edition, 2008

Functii liniare pe portiuni

r1 = s1 Transformarea este o functie liniara ce nu produce schimbari r2 = s2

Transformarea este o functie de s1 = 0 prag (thresholdin) ce creeaza o s2 = L 1 imagine binara.

Rezultatul modificarii contrastului dupa legea de transformare

R.C.Gonzales and R.E.Woods Digital image processingSecond edition, 2008

Functii liniare pe portiuni

Bit plane slicing (Reprezentarea planelor de bit)

Procesarea si reprezentarea histogramei

2 000 1 500 1 000

Procesarea si reprezentarea histogramei

Constantin Vertan Prelucrarea si analiza imaginilor, Ed. Printech, 1999

Constantin Vertan Prelucrarea si analiza imaginilor, Ed. Printech, 1999

Constantin Vertan Prelucrarea si analiza imaginilor, Ed. Printech, 1999

Constantin Vertan Prelucrarea si analiza imaginilor, Ed. Printech, 1999

Fie doua imagini f(x,y) si g(x,y) care au histogramele

Explicati cum s-ar putea obtine histograma in fiecare caz.

Imbunatatirea imaginii folosind operatii aritmetice si logice.

coloana c linia l imagine prelucrata g

V( l ,c ) = {(m1 , n1 ), (m2 , n2 ),..., (mK , nK )}

coordonate relative fata de pixelul curent prelucrat

numar de pixeli din vecinatate

V(l ,c ) = {(l + m1 , c + n1 ), (l + m2 , c + n2 ),..., (l + mK , c + nK )}

sistem de coordonate atasat vecinatatii (NU SUNT COORDONATELE IMAGINII)

V4 = {(0,0), (0,1), (0,1), (1,0), (1,0)}

sistem de coordonate atasat vecinatatii (NU SUNT COORDONATELE IMAGINII)

(0,0), (0,1), (0,1), (1,0), (1,0), V8 = (1,1), (1,1), (1,1), (1,1)

V = {(0,0), (1,0), (0,1)} V = {(1,0), (1,0)}

Operatia de vecinatate poate fi scrisa deci ca:

FILTRAREA LINIARA A IMAGINILOR

Filtru liniar: exemplu

Coeficientii atasati punctelor: scriere grupata

Operatia de vecinatate se scrie ca:

g (l , c) = w00 f (0 + l ,0 + c) + w10 f (1 + l ,0 + c) + w01 f (0 + l ,1 + c)

Filtru liniar: exemplu

V4 = {(0,0), (0,1), (0,1), (1,0), (1,0)}

0.125 0.125 0.5 0.125 0.125

g (l , c) = w00 f (0 + l ,0 + c) + w10 f (1 + l ,0 + c) + w01 f (0 + l ,1 + c) + + w10 f (1 + l ,0 + c) + w01 f (0 + l ,1 + c) 1 1 g (l , c) = f (l , c) + ( f (l , c + 1) + f (l , c 1) + f (l 1, c) + f (l + 1, c) ) 2 8

Filtru liniar: exemplu

V4 = {(0,0), (0,1), (0,1), (1,0), (1,0)}

0.125 0.125 0.5 0.125 0.125

Completarea vecinatatii cu ponderi nule

0 0.125 0 0.125 0.5 0.125 0 0.125 0

Echivalent: Fereastra glisanta

LABORATORUL DE ANALIZA I PRELUCRAREA IMAGINILOR - LAPI

LABORATORUL DE ANALIZA I PRELUCRAREA IMAGINILOR - LAPI

K inmultiri, K-1 adunari pentru fiecare pixel

Tipuri de filtre liniare

cresterea contrastului pe frontierele regiunilor contrastare

Filtre liniare de netezire

Se presupune ca zgomotul poate fi descris in frecventa.

Filtre liniare de netezire

LABORATORUL DE ANALIZA I PRELUCRAREA IMAGINILOR - LAPI

Filtre liniare de netezire: reducerea ZAGA

Netezire: medie aritmetica