Filtre

Capitolul 1
FILTRAREA NELINIARĂ BAZATĂ

PE ORDONARE
Ordonarea crescătoare a unui set de valori stă la baza operaţiilor de filtrare de ordine [33]. Valorile
ordonate ale eşantioanelor din fereastra de filtrare, numite statistici de ordine, pot fi utilizate ca
atare, sau pot fi combinate. Filtrul median [33], [48] este cel mai folosit filtru cu ordonare după rang;
ieşirea acestuia este statistica de ordin central a setului de valori, permiţând astfel eliminarea valorilor
extreme aberante (outliar ) ı̂n acelaşi timp cu păstrarea detaliilor utile ale imaginii. Cea mai uzuală
combinaţie a statisticilor de ordine este combinarea liniară; filtrul astfel obţinut se numeşte L-filtru
[33], [48]. L-filtrele sunt extrem de flexibile, ı̂nglobând posibilitatea obţinerii atât a filtrelor simple de
ordonare după rang (inclusiv filtrul median) cât şi a filtrelor liniare1 .
Dacă ı̂n cazul imaginilor scalare ordonarea valorilor nu prezintă nici o problemă, extinderea claselor
de filtre bazate pe ordonare ı̂n cazul imaginilor color (sau, ı̂n general, vectoriale) nu este o chestiune
simplă. După cum se remarcă ı̂n [3], proprietăţile de ordonare există doar ı̂ntr-o singură dimensiune
şi nu există nici o concepţie naturală de rang.
Notaţia general acceptată este de a considera {x1 , x2 , ..., xn } o populaţie de vectori p-dimensionali,
realizări particulare ale variabilei aleatoare multivariate X. Componenta i a variabilei aleatoare multi-
variate este Xi şi va fi reprezentată de mulţimea de realizări particulare {x1i , x2i , ..., xni }. Pentru cazul
imaginilor color prelucrate prin filtre de vecinătate, n este dimensiunea ferestrei de filtrare, numărul
de componente a vectorilor este p = 3, iar vectorii xi sunt triplete de componente de culoare ce descriu
fiecare pixel.
1.1 Filtrări de ordine prin ordonare lexicografică
O relaţie introdusă ı̂ntre elementele unui spaţiu vectorial se numeşte relaţie de ordine dacă verifică
proprietăţile de reflexivitate (1.1), tranzitivitate (1.2) şi antisimetrie (1.3):
x x, ∀x (1.1)
x y si y z =⇒ x z, ∀x, y, z (1.2)
1
Filtrul liniar de mediere se obţine evident ı̂n condiţiile ı̂n care ponderile statisticilor de ordine sunt egale cu 1/n;
pentru aplicarea unei filtrări liniare de mediere ponderată, trebuie introdusă noţiunea de L-filtru adaptiv, cu coeficienţi
de ponderare diferiţi pentru fiecare pixel, ce sunt permutări ale coeficienţilor filtrului liniar (permutări generate ı̂n aceeaşi
fel ca ordonarea valorilor din imagine).
1
x y si y x =⇒ x = y, ∀x, y (1.3)
Conform acestei definiţii, pentru date multivariate (vectoriale) se poate introduce o singură relaţie
de ordine bine definită: ordinea lexicografică (numită şi ordine de dicţionar). Pentru vectorii p-
dimensionali x şi y relaţia de ordine lexicografică este definită prin:
(
xi = yi , pentru i = 1, 2, ..., k, cu k ∈ [0; p − 1]
x y ⇐⇒ (1.4)
xi ≤ yi , pentru i = k + 1.
Este evident că ı̂n cadrul ordonării complete, lexicografice (1.4), vectorii sunt ordonaţi după prima
componentă, apoi după a doua componentă, şi aşa mai departe. Aceasta ı̂nseamnă că prima com-
ponentă trebuie să fie cea mai importantă sau semnificativă (sau, mai mult, componentele vectorului
trebuie să fie ordonate ı̂n ordinea importanţei acestora). Această ordonare nu poate fi cunoscută
apriori şi este puternic dependentă de problemă; mai mult, ı̂n cazul imaginilor, ordinea importanţei
componentelor de culoare nu este invariantă spaţial. În plus (şi acesta este dezavantajul cel mai
important), ordinea lexicografică nu păstrează topologia spaţiului.
Aplicarea practică a ordonării lexicografice se bazează deci pe stabilirea unei ordini a importanţei
componentelor de culoare (deci stabilirea unor ranguri pentru acestea). În această situaţie se disting
două cazuri fundamentale: dacă reprezentarea culorilor este reprezentarea RGB primară este de pre-
supus că, apriori, toate componentele au o aceeaşi importanţă şi distincţia dintre ele trebuie făcută
adaptiv, pentru fiecare pixel al imaginii, după măsuri statistice locale; dacă culorile sunt reprezentate
ı̂ntr-un spaţiu de culoare derivat, ı̂n care cele trei componente să aibă semnificaţii fizice sau perceptuale
diferite, este de aşteptat să se poată stabili apriori o ordine a importanţei acestora.
1.1.1 Ordonarea lexicografică ı̂n spaţiul primar
Pentru a realiza ordonarea unor vectori ale căror componente sunt valorile RGB ale culorilor trebuie,
deci, deduse măsuri ale activităţii componentelor de culoare; asemenea măsuri sunt calculate pentru
fiecare plan de culoare, ı̂n vecinătatea fiecărui pixel al imaginii. Asemenea măsuri de activitate a
componentelor de culoare ı̂ncearcă să stabilească ı̂n care componentă de culoare sunt sesizabile cele
mai mari variaţii. Variaţiile puternice ale unei componente se presupune că sunt datorate prezenţei
impulsurilor de zgomot ı̂n vecinătatea curentă. Ca măsuri de activitate (sau de disimilaritate) pot fi
folosite varianţa, domeniul de variaţie (diferenţa ı̂ntre maximul şi minimul local), raportul de contrast
[18] sau domeniul de variaţie normat la media componentei; cu cât disimilaritatea este mai mare,
cu atât componenta este mai importantă, şi deci, local, pentru ordonare, componentele vectorilor de
culoare sunt permutate.
1.1.2 Ordonarea lexicografică ı̂n spaţiul perceptual
Dificultatea stabilirii unei ordini clare de importanţă a componentelor de culoare RGB a unei imagini
sugerează folosirea unui spaţiu de reprezantare a culorilor ı̂n care, din modul de definire, importanţa
componentelor să fie deja stabilită. Un astfel de spaţiu este spaţiul perceptual de reprezentare HSV .
Reprezentarea se compune din componenta de nuanţă, ce indică tipul de culoare, componenta de
saturaţie, ce exprimă puritatea culorii şi componenta de “valoare”, de tipul luminanţei sau intensităţii
luminoase a culorii. Perceptual, cel mai uşor de sesizat sunt modificările nuanţei (deoarece schimbă
natura culorilor) [8], urmate de modificările saturaţiei (care pot da un caracter nenatural imaginii).
În acelaşi timp, prezenţa impulsurilor de zgomot este sesizabilă ı̂n toate componentele HSV . Aceasta
sugerează că cel mai indicat este folosirea componentei V ca cea mai importantă componentă, ı̂n care
să se detecteze prezenţa impulsurilor de zgomot. Atunci, ı̂nainte de ordonare, vectorii reprezentării
HSV a culorilor vor avea permutate componentele H şi V .
2
1.2 Filtrări de ordine prin principii de pre-ordonare
Acceptând inutilitatea căutării oricărei ordonări totale, simple, ne-ambigue şi universale a n eşantioane
multivariate, interesul practic a fost limitat la modurile ı̂n care se pot construi relaţii restrânse de
ordonare vectorială, fezabile şi avantajoase. Rezultatul oricărui principiu de ordonare parţială (sau
sub-ordonare, sau pre-ordonare, ce nu respectă principiul de antisimetrie (1.3)) este o ordonare (sau
plasare după rang) a uneia sau mai multor caracteristici ale observaţiei, considerată individual sau
ı̂n combinaţie cu alte observaţii. Proprietăţile dorite pentru ordonarea după rang a datelor vectoriale
se pot extrapola din proprietăţile ordonării scalare: eşantioanele monoton ne-descrescătoare pe toate
componentele sunt vectori proprii, invarianţi la ordonare; relaţia ı̂nglobează posibilitatea determinării
unui estimator robust al locaţiei (medianul [33], [2]), ce poate fi determinat prin selecţia statisticii
cu un anume rang; este omogenă faţă de scalarea cu factori pozitivi a componentelor individuale;
se reduce la ordonarea scalară dacă componentele sunt identice; produce statistici de ordine ce sunt
observaţii ale mulţimii ordonate; sortează valorile extreme aberante ı̂n regiuni consistente ale spaţiului
rangurilor.
În [3] se propun patru pricipii de bază de ordonare parţială (pre-ordonare) a datelor vectoriale:
• ordonarea marginală (descrisă ı̂n secţiunea 1.2.1)
• ordonarea condiţională (descrisă ı̂n secţiunea 1.2.2)
• ordonarea parţială (descrisă ı̂n secţiunea 1.2.3)
• ordonarea redusă (descrisă ı̂n secţiunea 1.2.4)
1.2.1 Ordonarea marginală
Ordinea marginală [3], [33] este, după cum sugerează şi numele, o ordonare care se face după unul sau
mai multe din eşantioanele marginale ale vectorilor consideraţi. Din punctul de vedere al prelucrării
semnalelor, ordonarea marginală revine la a ordona ı̂n mod independent valorile eşantioanelor din
fiecare canal al semnalului; modelul asociat semnalului vectorial (sau multicanal) este ı̂n acest caz
o stivă de semnale scalare, ce pot fi ordonate şi prelucrate ı̂n mod separat. Prin această prelucrare
independentă a componentelor semnalelor nu se ia ı̂n considerare intercorelaţia existentă ı̂ntre canale,
aceasta fiind principala sursă de erori a metodei (ı̂n [2] se arată de exemplu cum o prelucrare de tip
median marginal a unui semnal de culoare produce culori false ı̂n anumite zone cu culori puternic
saturate). Spre deosebire de cazul scalar, statisticile vectoriale marginale de ordine nu mai sunt
observaţii ale semnalului, ci valori noi.
În cazul imaginilor color, ı̂n mod paradoxal, filtrarea marginală produce rezultate excelente, atât
vizual (deci caracterizate conform unor măsuri subiective) cât şi ca măsuri de calitate. Filtrul median
marginal MMF (Median Marginal Filter ) elimină ı̂n mod eficient zgomotul impulsiv din imagini, chiar
prezent ı̂n proporţii foarte mari (până la 25%-30% din pixeli degradaţi). Filtrul median marginal este
utilizat şi la derivarea unor structuri de filtrare adaptive (de exemplu prin comutarea ı̂ntre un filtru
median şi un filtru trece tot, condiţionat de varianţa locală a componentelor).
Din punct de vedere teoretic, există două metode de luare ı̂n considerare a corelaţiei ce există ı̂ntre
componentele imaginii vectoriale: ı̂n primul rând, corelaţia poate fi eliminată prin decorelarea compo-
nentelor imaginii, sau corelaţia dintre canale (componente) poate fi ı̂nglobată ı̂n proiectarea structurii
filtrului.
3
Filtre mediane marginale cu decorelare
Abordarea cu decorelare propune realizarea filtrării mediane a fiecărei componente de culoare după
decorelarea acestora. Decorelarea se face prin utilizarea transformării Karhunen-Loève (KL); recore-
larea componentelor se face după filtrarea fiecărui plan de culoare. Această abordare prezintă avan-
tajul unei performanţe independente de sistemul de reprezentare folosit pentru culorile imaginii (fie
ı̂n spaţiul primar RGB, fie un spaţiu perceptual). După cum se poate uşor constata, presupunerea
statistică esenţială pe care se bazează folosirea transformării KL la decorelare este aceea că valorile
(vectoriale) ale pixelilor imaginii sunt realizări particulare ale unui câmp aleator, identic distribuite.
Dacă această distribuţie a valorilor pixelilor (presupusă deci invariantă pentru ı̂ntreaga imagine) ar
fi normală (gaussiană), ı̂n urma decorelării, componentele vectorilor observaţie ar deveni şi indepen-
dente, nu numai decorelate [31], [43]. Aşa numita abordare cu independentizare a filtrării marginale a
imaginilor color: ı̂naintea etapei de decorelare, distribuţia valorilor pixelilor este transformată ı̂ntr-o
distribuţie aproape normală folosind teorema limită centrală [31], [43] – suma unui număr de câteva
variabile aleatoare identic distribuite, din care nici una nu este dominantă, tinde la o distribuţie nor-
mală. Pentru a realiza această distribuţie aproape normală, s-a propus realizarea de sume locale a
vecinilor fiecărui pixel. După sumare se poate face decorelarea, filtrarea marginală, recorelarea şi apoi
transformarea inversă independentizării (rezultând o operaţie de filtrare numită IDMMF (Independent
Decorrelated Marginal Median Filter ) sau se poate renunţa la etape de decorelare (rezultând o operaţie
de filtrare numită IMMF (Independent Marginal Median Filter ).
L-filtre vectoriale bazate pe ordonare marginală
Corelaţia dintre componentele observaţiilor vectoriale poate fi luată ı̂n considerare prin modificarea
structurii filtrelor de ordine ce se folosesc; acestea nu mai sunt identice cu analoagele lor din cazul
scalar. Cazul L-filtrelor este tipic pentru această abordare. Un L-filtru scalar aplicat unui set de valori
X = {x1 , x2 , ..., xn } produce ca ieşire o combinaţie liniară a statisticilor de ordine ale acestora [33],
[48]:
n
X n
X
y= wi x(i) = Wi1 x(i1 ) (1.5)
i=1 i1 =1
unde scalarii wi , respectiv Wi1 sunt cei n coeficienţi ai filtrului. Pentru cazul valorilor vectoriale,
fiecare observaţie este un vector cu p componente, xi = (x1i , x2i , ..., xni ), iar statisticile de ordine
marginale sunt vectori formaţi din statisticile de ordine marginale (calculate pentru fiecare componentă
a observaţiilor vectoriale, x(i) = (x1(i) , x2(i) , ..., xn(i) ). Utilizarea acestor statistici vectoriale conduce
la redefinirea L-filtrului vectorial ca:
n X
X n n
X
y= ... Wi1 i2 ...ip x(i) (1.6)
i1 =1 i2 =1 ip =1
unde Wi1 i2 ...ip sunt cele N p matrici p × p de coeficienţi ai filtrului. Forma din (1.6) poate fi rearanjată
ı̂n funcţie de vectorii statisticilor de ordine marginale din fiecare canal (componentă) a vectorilor
observaţie:
p
X
y= Wj x
e (j) (1.7)
j=1
Determinarea matricilor de coeficienţi Wj se poate face prin optimizarea ı̂n sensul erorii pătratice
medii minime a unui L-filtru a cărui ieşire să fie un estimator nedeplasat al poziţiei centrale (şi deci să
elimine zgomotul impulsiv, singular sau ı̂n mixtură cu zgomotul gaussian). Determinarea coeficienţilor
necesită cunoaşterea funcţiilor de densitate de probabilitate a statisticilor de ordine marginale ale
semnalului de intrare, precum şi a valorilor acestuia. Cum rareori semnalul de intrare nedegradat este
4
cunoscut, acesta trebuie estimat din valorile corecte deja calculate, prin ipoteze asupra staţionarităţii
şi proprietăţilor sale de corelaţie.
1.2.2 Ordonarea condiţională
Ordonarea condiţională este un mod de a stabili ranguri, sau o ordine, sau o modalitate de selecţie
[3], [33] pentru vectorii unui set de date, condiţionată de ordonarea unei componente marginale a
acestora. Deci ordinea unei singure componente marginale decide ordinea vectorilor; din acest punct
de vedere, ordonarea condiţională poate fi interpretată ca o ordonare lexicografică trunchiată la o
singură componentă2 .
Acestă trunchiere ı̂nseamnă că orice prelucrare se va face relativ la o singură componentă, păstrându-
le pe celelalte nemodificate. Componenta ce se prelucrează trebuie, desigur, să fie cea mai coruptă
(degradată de zgomot), sau componenta ı̂n care influenţa zgomotului se resimte cel mai puternic. Ca
şi ı̂n cazul definirii ordinii lexicografice (secţiunea 1.1) este necesară determinarea componentei ce se
va prelucra. Se pot distinge şi aici două cazuri: dacă există o componentă intrinsec dominantă (aşa
cum este componenta de valoare de la reprezentarea perceptuală HSV a imaginilor color), atunci
aceasta este cea care se va prelucra. Dacă toate componentele au, apriori, o aceeaşi importanţă (ca ı̂n
cazul reprezentării imaginilor color ı̂n spaţiul primar RGB), este evident că prelucrarea unui aceluiaşi
ı̂ntreg plan de culoare (sau a unei aceleiaşi componente) nu poate produce rezultate.
Ca şi ı̂n cazul ordonării lexicografice, soluţia se află ı̂n alegerea adaptivă a componentei de prelucrat
(componenta după care se face ordonarea condiţională) pentru fiecare poziţie a ferestrei de filtrare
(deci pentru fiecare pixel al imaginii). Componenta cea mai activă este definită printr-o valoare mare
a unei măsuri de neuniformitate: interval de variaţie, interval de variaţie normat la medie, varianţă,
raport de contrast, chiar valori proprii.
1.2.3 Ordonarea parţială
Ceea ce Barnett [3] numeşte ordonare parţială a unui set de date multivariate (a unui set de vectori)
se bazează pe distincţia ı̂ntre grupuri de observaţii (vectori) şi nu pe distincţia ı̂ntre fiecare vector ı̂n
parte. Deci, pentru această variantă de sub-ordonare, accentul se mută de la considerarea eşantioanelor
marginale sau a observaţiilor multivariate individuale la luarea ı̂n considerare a proprietăţilor globale,
relaţionale, din ı̂ntregul set al eşantioanelor. Pentru a face o distincţie ı̂ntre diferitele grupuri de
observaţii (având ı̂n vedere ordinea, extremele, rangul) se urmăreşte modul ı̂n care observaţiile se
situază ı̂n diferite regiuni ale spaţiului eşantioanelor. Metoda de partiţionare folosită (bazată pe unul
dintre mai multe principii posibile) poate implica proprietăţi marginale ale datelor; scopul principal
este de a oferi o distincţie limitată ı̂ntre diferitele eşantioane (vectori) ai populaţiei.
Ordonarea parţială produce o bază de ı̂mpărţire a eşantioanelor ı̂n grupuri distincte de diferite ordine,
fără a face distincţii ı̂n interiorul unui aceluiaşi grup.
Ordonarea parţială implică construirea anvelopei convexe a setului de observaţii (setul convex minim
ce conţine toate observaţiile iniţiale). Punctele (vectorii) ce se află pe ı̂nfăşurătoarea anvelopei convexe
sunt numite grupul 1, şi apoi eliminate; se formează apoi anvelopa convexă a reziduului, punctele de pe
noua ı̂nfăşurătoare formează grupul 2 (a se vedea figura 1.2.3). Procedeul este repetat, formând astfel
o metodă bazată pe divizarea datelor ı̂n grupuri de ordine (sau de rang). Cu cât numărul (ordinul)
2
Anticipând definirea ordonării reduse, putem spune că ordonarea condiţională poate fi obţinută şi din aceasta dacă
scalarul asociat fiecărui vector (a se vedea descrierea completă a metodei ı̂n secţiunea 1.2.4) este o singură componentă
a acestuia.
5
Fig. 1.1: Partiţionarea unui set de vectori bidimensionali după anvelopa convexă.
grupului este mai mic, cu atât observaţia (eşantionul, vectorul) este mai extremal. Este evident că,
ı̂n aceste condiţii, vectorii setului de ordin maxim sunt situaţi ı̂n centrul clusterului de puncte, şi deci
sunt candidaţi pentru medianul acestora. O asemenea metodă de ordonare este analoagă cu ceea ce a
fost numit ı̂n statistică cojirea unei populaţii multivariate [27] (potato peeling sau orange peeling). O
asemenea operaţie are ı̂nsă un analog pentru cazul scalar: aşa numitul filtru tobogan3 de ı̂mbunătăţire
a uniformităţii unei regiuni [55].
Esenţa metodei se bazează deci pe implementarea unor algoritmi de calcul al anvelopei convexe pentru
date p dimensionale, cu p > 1, deci pe algoritmi de geometrie computaţională [30]. Teorema McMullen-
Shepard [30] arată că anvelopa convexă a oricărei mulţimi de puncte din spaţiul Euclidian p dimensional
este un politop4 convex (reciproc, orice politop convex fiind anvelopa convexă a cel puţin unui set de
puncte). Pentru cazul plan (p = 2) există alte seturi de teoreme ce dau descrieri ale anvelopei convexe a
unui set de puncte, ce sunt direct implementabile; algoritmi deja clasici sunt algoritmii Jarvis (Jarvis
march) [42] şi algoritmul Graham (Graham scan) [42]. Pe măsură ce dimensiunea spaţiului creşte
problema de determinare a anvelopei convexe devine din ce ı̂n ce mai complicată; ı̂n cazul general,
rezolvarea acesteia se poate face printr-o abordare de tip package-wrapping (sau gift-wrapping) [30].
Fiecare pas al acestei metode găseşte o nouă faţă a politopului anvelopă convexă ı̂ndoind (pliind)
3
Filtrul tobogan ı̂nlocuieşte extremele valorilor selectate de o fereastră de filtrare cu statisticile imediat următoare
(superioară sau inferioară, depinzând dacă extremul este un minim sau un maxim), cu condiţia ca acestea să aibă valori
diferite de valoarea extremului.
4
Un politop este o mulţime poliedrală, rezultată ca intersecţia unui număr finit de semispaţii ı̂nchise; un semispaţiu
este regiunea spaţiului p dimensional aflată de aceeaşi parte a unui hiperplan.
6
un hiperplan ı̂n jurul unei muchii a anvelopei convexe deja determinate, până ı̂n momentul ı̂n care
acesta ı̂ntâlneşte primul punct al mulţimii de puncte iniţiale. Analiza complexităţii algoritmice a unei
asemenea abordări a condus la deducerea unei comportări O(n2 ), unde n este numărul de puncte al
setului pentru care se calculează anvelopa convexă. Abordările cele mai rapide pornesc de la principiul
divide et impera şi de la o teoremă ce demonstrează echivalenţa dintre problemele sortării unui şir
de numere şi de calculare a anvelopei convexe [30]; aceste abordări rapide conduc la o complexitate
O(n log n).
O problemă suplimentară apare ı̂n momentul considerării spaţiilor discrete, ı̂n care trebuie definit
conceptul de convexitate discretă [9]. O componentă conexă discretă C este convexă dacă pentru orice
pereche de puncte P, Q ∈ C şi orice scalar α ∈ [0; 1] există un punct R ∈ C pentru care discul de
centru R şi rază h/2, construit conform distanţei chessboard, include punctul de pe segmentul P Q,
dat de αP + (1 − α)Q. O consecinţă a acestei definiţii a convexităţii este aceea că mulţimea de puncte
ce formează anvelopa convexă discretă nu coincide, ci include mulţimea de puncte de coordonate
discrete din anvelopa convexă “continuă” construită pe baza aceleiaşi mulţimi de puncte discrete
iniţiale. Pentru cazul planului discret, ı̂n [9] se identifică două tipuri esenţiale de configuraţii de
neconvexitate, ce trebuiesc identificate ı̂n mulţimea dată de puncte şi eliminate (eliminarea presupune
inserarea unui punct suplimentar): configuraţiile U şi L. Dar acestă operaţie nu este altceva decât
o operaţie morfologică de tip totul sau nimic (Hit or Miss) [48], realizată cu măşti corespunzătoare
configuraţiilor U, L şi a rotitelor acestora.
Cu toată bogăţia de metode şi algoritmi existenţi pentru calculul anvelopelor convexe, literatura de
specialitate nu consemnează nici o realizare de filtre de ordine de tip median bazate pe ordonarea
parţială a datelor extrase de fereastra de filtrare din imagine. Putem găsi mai multe argumente
pentru justificarea lipsei totale de interes pentru utilizarea acestei tehnici: ı̂n primul rând ordonarea
se referă la un set mic de valori (vectorii dintr-o vecinătate a pixelului curent), ceea ce poate duce la
imposibilitatea găsirii a mai multe “rânduri” de anvelope convexe; apoi vectorii au dimensiune mai
mare ca 2 (cel puţin 3, pentru imaginile color), ceea ce face ca algoritmii eficienţi de calcul al anvelopei
convexe să fie din ce ı̂n ce mai greu de descris; ı̂n fine, este posibil ca mulţimea de rang maxim (cea mai
“centrală” să conţină mai mult de un singur vector, ceea ce face ca să fie necesară o nouă procedură
de selecţie).
1.2.4 Ordonarea redusă
Ordonarea redusă [3] se bazează pe reducerea fiecărei observaţii vectoriale (multivariate) la o unică
valoare (scalar) printr-o combinaţie a valorilor componentelor observaţiilor. Scalarii obţinuţi sunt apoi
ordonaţi (conform ordinii comune din mulţimea numerelor reale); ordinea scalarilor determină ordinea
vectorilor.
Ordonare bazată pe distanţe
De cele mai multe ori, scalarii si asociaţi vectorilor xi sunt deduşi pe baza unei distanţe generalizate
la un punct fix specificat xf ix , rezultând astfel o formă pătratică:
si = (xi − xf ix )T A−1 (xi − xf ix ) (1.8)
Matricea pătrată p × p A poate fi orice matrice pozitiv semidefinită; ı̂n general este preferată alegerea
matricii unitare, ce generează metrica Euclidiană, dar este posibilă şi alegerea matricii de covarianţă a
observaţiilor (rezultând distanţa Mahalanobis) sau a unei matrici diagonale, ce va genera distanţe Eu-
clidiene ponderate. Punctele fixe de interes sunt ı̂n general vectori obţinuţi prin prelucrări marginale:
7
fie medie (xf ix = xi = xmedie ), fie median (xf ix = medianxi = xmed ). O asemenea ordonare este
interesantă atâta vreme cât vectorul al cărui scalar asociat are valoarea minimă este cel mai bun
candidat, dintre vectorii observaţiilor, pentru punctul fix (central) faţă de care s-a făcut ordonarea.
S-a propus de asemenea folosirea unor distanţe ponderate de la fiecare vector de culoare din fereastra
de filtrare la medianul marginal local m; ponderarea se face prin utilizarea unor matrici diagonale:
 
1/wR 0 0
si = (xi − m)T  0 1/wG 0  (xi − m)
 
0 0 1/wB
adică
(xi1 − m1 )2 (xi2 − m2 )2 (xi3 − m3 )2
si = + +
wR wG wB
Ponderile wR , wG , wB sunt astfel alese ı̂ncât să reflecte importanţa fiecărei componente a vectorilor; la
fel ca şi pentru ordonarea lexicografică, aceste ponderi sunt măsuri de activitate locale, ca: intervalul
de variaţie, varianţa, intervalul de variaţie normat la medie sau raportul de contrast (varianţa normată
la medie).
O altă variantă de scalar construit pe baza unor distanţe este scalarul obţinut ca sumă a distanţelor
de la vectorul dat la toţi ceilalţi vectori ai setului de ordonat (distanţă agregată [3]):
n
(xj − xi )T A−1 (xj − xi )
X
si = (1.9)
j=1
După cum se arată ı̂n [2], [33] medianul setului de date este caracterizat de o distanţă agregată minimă,
indiferent dacă ne aflăm ı̂n cazul scalar sau vectorial:
xV M F = arg min {si } (1.10)

i=1,n
Filtrul care funcţionează după acest principiu a fost denumit median vectorial VMF (Vector Median
Filter ) [2]; introducerea acestui filtru a constituit ı̂nceputul erei de adevărată prelucrare multicanal a
semnalelor vectoriale, fiind primul filtru construit special pentru date multivariate ce utilizează ı̂n mod
intrinsec corelaţia dintre canalele semnalului. De fapt, vector medianul [2] nu este decât o redescoperire
inginerească a ceea ce statistica multivariată numea “punct de distanţă agregată minimă”, punct care ı̂i
intersase pe economişti şi planificatori (pentru care determinarea acestuia este cunoscută ca problema
generalizată a lui Weber [3], de plasare optimală a unui depozit de materiale ce deserveşte mai multe
uzine).
Principalul dezavantaj al VMF este volumul mare de calcule: pentru a calcula medianul vectorial
al unui set de N valori, este necesară calcularea distanţelor dintre toate observaţiile mulţimii, deci
N (N − 1)/2 distanţe. Acesta duce la o complexitate O(pN 2 ) a numărului de ı̂nmulţiri. O diminuarea
a complexităţii calculului VMF se poate realiza prin construirea unei aproximări rapide a distanţei
Euclidiene. Această aproximare se bazează pe o combinaţie liniară a statisticilor de ordine a compo-
nentelor vectorului pentru care se calculează norma, după formula:
p √
X √
kxk2 = a ( i− i − 1) |x|(i)
i=1
cu
2
a= s
p √ √
( i − i − 1)2
P
1+
i=1
8
Pentru cazul vectorilor de culoare, p = 3, a = 0.9398 şi norma vectorului de culoare x este dată cu o
eroare de 1 − a (6.019 %) de aproximarea:
kxk2 = 0.9398 |x|(1) + 0.3893 |x|(2) + 0.2987 |x|(3) .
După cum se demonstrează ı̂n [2], distanţa Euclidiană (normă L2 ) este folosită ca bază a VMF da-
torită optimalităţii sale pentru un zgomot modelat de o distribuţie normală; dacă distribuţia devine
biexponenţială, distanţa trebuie calculată ca o normă L1 [2]. Ideea de modificare a metricii folosite ı̂n
calculul distanţei a fost folosită şi ı̂n alte implementări (de exemplu metrici din familia de norme Lβ ).
Ideea a fost extinşă prin propunerea de a folosi o combinare după două norme: fiecare distanţă ı̂ntre
observaţii este calculată pe baza unei norme Lβ , iar agregarea distanţelor se face după o normă Lα ,
producând un scalar de forma:

n

p !1/β α 1/α
X X
si =   (xjk − xik )β   (1.11)
j=1 k=1
Evident, pentru α = β = 1 se obţine medianul vectorial clasic [2]; pentru α, β > 1 se obţine un efect
echivalent de netezire şi de reducere a zgomotului, iar pentru α < 1, β > 1 filtrul se comportă ca un
filtru de ordonare după rang, favorizând diferite statistici de ordine.
Slaba performanţă a filtrului VMF (indiferent de norma care generează distanţa folosită la calculul
scalarului si ) ı̂n prezenţa zgomotului gaussian a dus la ideea combinării acestuia cu un filtru de
mediere; ieşirea unui asemenea filtru compozit, denumit EVMF (Extended Vector Median Filter ) [2]
este identică fie cu medianul vectorial VMF, fie cu media marginală, după cum aceste puncte sunt
cele mai centrate (ı̂n sensul distanţei agregate minime la observaţiile din fereastra de filtrare). Este
de asemnea posibilă utilizarea a mai multe ferestre de filtrare, parţial suprapuse, pentru fiecare pixel
al imaginii; ı̂n fiecare asemenea fereastră se calculează un median vectorial, iar valoarea filtrată este
obţinută printr-o serie de comparaţii ca una dintre valorile mediane astfel calculate, obţinând efecte de
eliminare a zgomotului impulsiv sau de accentuare a contururilor ı̂n imagini nedegradate de zgomot.
Ordonare bazată pe orientare unghiulară
Criteriile de ordonare a observaţiilor vectoriale folosite până ı̂n acest moment au ilustrat doar compo-
nenta modul a vectorilor; componenta de tip orientare (unghi) a rămas neexplorată până ı̂n momentul
introducerii noţiunii de filtru [median, ı̂n principiu] direcţional. Acest tip de filtre, introduse ı̂n [45] se
bazează pe folosirea ca scalar si pentru ordonarea redusă, a distanţei agregate unghiulare a observaţiilor
vectoriale, deci suma unghiurilor de la fiecare vector la toţi ceilalţi. Ca şi pentru filtrul median vec-
torial VMF [2], filtrul direcţional de bază BVDF (Basic Vector Directional Filter ) produce ca ieşire
vectorul a cărui distanţă unghiulară agregată este minimă. Pentru un asemenea filtru, scalarul de
ordonare este deci
n n
!
X X hxi , xj i
si = xd
i xj = arccos (1.12)
j=1 j=1
kxi k kxj k
şi medianul direcţional se defineşte ca:
xV DF = arg min {si } (1.13)

i=1,n
Una dintre motivaţiile principale ale considerării prelucrărilor direcţionale este legată de natura par-
ticulară a unor clase de imagini (sau semnale) multidimensionale, mai precis imaginile color. Pentru
culori reprezentate ı̂n spaţiul RGB primar, intersecţia vectorului de culoare cu planul (triunghiul)
Maxwell prezintă o importanţă deosebită. Pe de o parte, una dintre măsurile de bază de calitate a
9
prelucrărilor imaginilor color este definită ca o eroare pătratică medie normalizată a valorilor ı̂n planul
Maxwell (aceasta este MCRE, Mean Chromaticity Error ); pe de altă parte, după cum se arată şi ı̂n [8],
cromaticitatea unei culori (nuanţa şi saturaţia culorii) este determinată de distanţele de la intersecţia
vectorului de culoare cu planul Maxwell la culorile primare maxim saturate (roşu, verde şi albastru
pur). Este evident că acest punct de intersecţie depinde numai de orientarea vectorului de culoare şi
nu de modulul acestuia.
Filtrarea direcţională generalizată GVDF (Generalized Vector Directional Filter ) [45], este o extindere
a BVDF ce selecţionează mai multe observaţii ca ieşire posibilă a filtrului, observaţii ce au cele mai mici
distanţe unghiulare agregate[47]; ı̂n esenţă, această selecţie multiplă permite ca să se realizeze o a doua
selecţie a unui singure observaţii de ieşire, prin operaţii de distanţă (modul). Abordarea direcţională
a fost folosită şi pentru detectarea contururilor ı̂n imagini color şi pentru realizarea segmentării pe
regiuni a imaginilor color prin ı̂ncorporarea informaţiei de orientare (unghi faţă de vecini) la descrierea
pixelilor.
Ordonare bazată pe distanţe şi orientare unghiulară
Comportările relativ complementare ale celor două tipuri esenţiale de filtre vectoriale (cu ordonare
după distanţe şi cu ordonare după direcţie) ı̂n ceea ce priveşte eficienţa ı̂n zgomotele principale
(impulsiv şi gaussian) a condus la ideea combinării celor două tipuri de prelucrări, ı̂ntr-o abordare
mixtă modul-direcţie. O primă etapă a combinării celor două principii a fost introdusă prin aplicarea
secvenţială a unei preselectări după direcţie a vectorilor (GVDF) urmată de o prelucrare după modul
a acestora (fie scalară, după componenta de luminanţă, fie ca VMF).
Un alt mod de a lua ı̂n calcul distantele ”ı̂n valoare” şi unghiulare constă sin construirea unui scalar si
care să integreze atât informaţia direcţională cât şi informaţia de modul a vectorilor ce se prelucrează.
Modelul cel mai general folosit este o combinaţie exponenţial convexă a distanţelor agregate unghiulare
şi Euclidiene ı̂ntre vectorii setului:
 p  1−p
n
X n
X
si =  xd
i xj   kxi − xj k (1.14)
j=1 j=1
Filtrul realizat prin ordonarea vectorilor după scalarul (1.14) a fost numit DDF(Distance Directional
Filter ) şi este generalizarea unui filtru simplu definit anterior cu p = 0.5. Valoarea parametrului p care
asigură rezultate optimale pentru o gamă largă de distribuţii de zgomot este p = 0.75, deci atribuind
o pondere mai mare caracterului direcţional.
O altă modalitate de a integra prelucrările direcţionale şi de distanţă este de a comuta ı̂ntre ieşirea
filtrului VDF şi VMF. O posibilitate este de a construi ieşirea filtrului pe direcţia vectorului VDF şi
cu modulul vectorului VMF:
kxV M F k
xout = xV DF
kxV DF k
În plus, se poate introduce un grad suplimentar de “fineţe” a comparaţiei, luând ı̂n calcul şi media
marginală a observaţiilor, vectorul de ieşire fiind pe direcţia VDF şi cu modulul vectorului VMF sau
mediei marginale, după cum unul dintre aceşti vectori este cel mai central situat, ı̂n sensul distanţei
agregate minime la observaţiile setului de prelucrat.
10
Ordonare bazată pe proiecţii
Metodele de ordonare redusă prezentate până ı̂n prezent s-au bazat esenţial pe considerarea poziţiilor
relative a vectorilor de ordonat ı̂n spaţiul original de reprezentare a acestora (spaţiul eşantioanelor), fie
prin măsurarea distanţelor, fie prin măsurarea unghiurilor, fie prin considerarea ambelor. O variantă
nouă de determinare a unor scalari si de ordonare a vectorilor pleacă de la ideea modificării spaţiului
de reprezentare a acestora; o reprezentare echivalentă ı̂ntr-un spaţiu de dimensiune mai mică va duce
la reducerea dimensiunii vectorului, iar, prin repetare, se poate ajunge la un scalar. O asemenea
metodă a fost numită metodă proiectivă.
Observaţia iniţială se raportează la utilizarea triunghiului (planului) Maxwell ı̂n spaţiul RGB primar.
Dar acest punct de intersecţie este definit de numai două coordonate independente, şi nu de trei,
precum culoarea din care provine, şi poate fi considerat ca proiecţia vectorului de culoare pe planul
Maxwell. Repetarea acestei proiecţii ı̂n plan, pe “dreapta Maxwell” (definită de ecuaţia x1 + x2 = 1)
va reduce ı̂ncă o dată dimensiunea vectorului, până la un scalar.
În cazul general, pentru un vector p dimensional, x = (x1 , x2 , ..., xp ), vom defini xk , vectorul după a
k-a proiecţie (compusă dintr-o rotaţie şi o translaţie, deci o transformare afină); proiecţia se defineşte
astfel ı̂ncât primele k componente ale vectorului xk să fie nule, deci x1 = (0, x11 , ..., x1p−1 ), xk =
(0, 0, ..., xk1 , ..., xkp−k ). Ultima proiecţie va produce vectorul xp−1 = (0, ..., 0, xp1 ) ce are o unică
componentă nenulă. Această unică componentă nenulă este scalarul după care se face ordonarea;
vectorul al cărui scalar este medianul tuturor scalarilor este definit ca medianul vectorial.
Revenind ı̂n cazul particular al vectorilor de culoare (cu trei componente, pe care le vom considera
(R, G, B)), proiecţiile vor produce scalarii
(1 + √1 )(G + B − 1) + √2 R
3 3
sR =
(1 + √1 )(G + B − 1) − √2 R
3 3
(1 + √1 )(R + B − 1) + √2 G
3 3
sG =
(1 + √1 )(R + B − 1) − √2 G
3 3
(1 + √1 )(R + G − 1) + √2 B
3 3
sB =
(1 + √1 )(R + G − 1) − √2 B
3 3
după cum prima rotaţie este după axa R, G, sau B. Alegerea unui anume scalar se face adaptiv,
conform criteriilor locale de activitate a fiecărei componente.
Filtrul median prin proiecţii iterative pe planul Maxwell se comportă mai bine decât filtrul VMF
clasic ı̂n condiţii de zgomot mic (impulsiv şi mixtură); ı̂n plus, şi volumul de calcule necesare pentru
a calcula scalarul este extrem de mic – filtrul cu proiecţii iterative necesită 27 ı̂nmulţiri pentru fiecare
pixel (considerând o fereastră pătrată de 3 x 3 pixeli) iar filtrul VMF necesită 144 ı̂nmulţiri (şi un
număr mult mai mare de adunări).
Ordonare bazată pe curbe de umplere a spaţiului
În prelucrarea imaginilor, problema reducerii unor obiecte vectoriale la scalari nu este nouă, şi a
apărut odată cu considerarea primelor metode de codare a imaginilor, ca aplicaţii directe ale metodelor
existente pentru semnalele unidimensionale. Aplicarea unei asemenea metode necesita transformarea
semnalului bidimensional imagine ı̂ntr-un semnal unidimensional prin parcurgerea corespunzătoare
a tuturor pixelilor. Parcurgerea (sau baleierea imaginii) ı̂nseamnă de fapt stabilirea unei ordini de
11
Fig. 1.2: Curbe de umplere a spaţiului - cazul bidimensional.
vizitare a fiecărui punct a grilei rectangulare de reprezentare a imaginii, deci ordonarea unor vectori
bidimensionali (ale căror componente sunt coordonatele pixelilor). O asemenea parcurgere a fost
formalizată matematic ca o curbă de umplere a spaţiului [9]. O curbă de umplere a spaţiului T este
o aplicaţie bijectivă ce asociază fiecărui punct din Z 2 (punctul din plan) un număr natural (numărul
de ordine):
T : K ⊂ Z 2 −→ N, T (xk ) = nk
Curba de umplere a spaţiului va trece prin fiecare punct al mulţimii baleiate o singură dată (nu se va
autointersecta). O clasă particulară a acestor curbe are proprietăţile suplimentare de autosimilaritate
(sunt fractali) şi de păstrare a corelaţiei spaţiale (puncte care sunt vecine pe curbă, sunt vecine ı̂n
plan). Exemplul cel mai cunoscut de astfel de curbă este curba Hilbert, cunoscută ı̂n două variante:
curba Peano (sau curba Hilbert ı̂n U) şi curba Morton (sau curba Hilbert ı̂n Z) [9], [48]. Denumirea
celor două curbe provine de la forma celulei de bază (reprezentate ı̂n figura 1.2.4).
Proprietăţile de bijectivitate a curbelor Hilbert (şi ı̂n general a curbelor de umplere a spaţiului) au fost
propuse pentru ordonarea redusă a vectorilor [40]: fiecărui vector i se asociază indicele punctului de pe
curba de umplere a spaţiului corespunzător. Scalarii (indicii de pe curbă) sunt ordonaţi, iar vectorul
al cărui indice este medianul valorilor indicelor extrase este ales ca median a setului de vectori.
Problema esenţială legată de utilizarea unor curbe de tip Hilbert pentru calcularea scalarilor de or-
donare redusă este aceea a modificării structurii de vecinătate a spaţiului indicilor faţă de spaţiul iniţial:
puncte vecine din spaţiul iniţial nu mai sunt vecine ı̂n spaţiul indicilor, şi reciproc [40]. Aceasta duce la
apariţia de artefacte pe imaginile prelucrate, chiar la nivele mici de zgomot. Pentru a evita asemenea
efecte trebuiesc folosite curbe care să păstreze cât mai bine structura de vecinătate a spaţiului vecto-
rial iniţial, şi deci corelaţia dintre vectori. Este evident că curba Hilbert ı̂n U (Peano) este mult mai
potrivită din acest punct de vedere decât curba Hilbert ı̂n Z (Morton). Aceeaşi observaţie conduce la
definirea a unor curbe cu aspect “spiralat” [40].
12
Esenţial, problema care va decide eficienţa practică a unei curbe (pentru probleme de filtrare a imag-
inilor color, de exemplu) este ı̂nsă problema calculului indicelui pe curbă al unui anume vector. Trebuie
să remarcăm că soluţia de implementare cu un LUT nu este realizabilă: pentru vectori p dimensionali
exprimaţi cu b biţi pe fiecare componentă, tabelul de echivalenţă ar trebui să conţină 2pb numere de pb
biţi (pentru imagini color obişnuite acesta ı̂nseamnă 224 numere de 3 octeţi, deci 12 MB). Atât pentru
curba Peano, cât şi pentru curba definită de [40], trecerea de la cazul plan de definire la vectori de
dimensiune superioară implică o procedură recursivă, cu decizii multiple. Spre deosebire de acesta,
pentru curba Morton, indicii se calculează extrem de simplu: forma binară a indicelui pe curbă a unui
vector se obţine prin ı̂ntreţeserea formelor binare a componentelor vectorului; dacă componenta xi a
vectorului p dimensional este exprimată ı̂n formă binară ca xi,b−1 xi,b−2 ...xi,1 xi,0 , atunci forma binară
a indicelui este [9]:
x1,b−1 x2,b−1 ...xp,b−1 x1,b−2 x2,b−2 ...xp,b−2 ...x1,0 x2,0 ...xp,0
Diversitatea de metode de ordonare prezentate ı̂n acest capitol oferă o perspectivă asupra posibilităţilor
de implementare a filtrelor de ordonare (şi ı̂n particular filtrul median) pentru imaginile vectoriale
(color). Eficienţa acestor filtre este asemănătoare analoagelor lor scalare şi ı̂şi arată limitele ı̂n cazul
filtrării unor zgomote de tip mixtură. Ceea ce se impune este deci modificarea structurii de filtrare
prin considerarea tuturor vectorilor din fereastra de filtrare.
13
Capitolul 2
FILTRAREA NELINIARĂ FĂRĂ

PRINCIPII DE ORDONARE
După cum am mai amintit, filtrarea neliniară poate apare ca o consecinţă a mai multor procedee
de prelucrare: fie prelucrări intrinsec neliniare (aşa cum este ordonarea valorilor extrase de fereastra
de filtrare, ca ı̂n cazul filtrelor cu ordonare după rang sau a L-filtrelor), fie adaptarea unei structuri
de prelucrare care, intrinsec, nu este neliniară. Adaptarea se referă la modificarea parametrilor de
definiţie a unui filtru ı̂n funcţie de caracteristicile locale ale semnalului (imaginii) de prelucrat. În
mod uzual, un filtru, interpretat ca o operaţie locală (de vecinătate), este definit de o fereastră de
filtrare (mulţime de puncte ce defineşte vecinătatea punctului curent de prelucrat) şi de o mulţime
de coeficienţi (sau ponderi), ataşaţi poziţiilor ferestrei de filtrare. Adaptarea se poate referi fie la
modificarea coeficienţilor de definiţie a filtrului, fie la modificarea formei ferestrei de filtrare.
În cele ce urmează vom considera filtrele neliniare obţinute ca urmare a adaptării unei filtrări liniare;
dacă {xj } este mulţimea celor n vectori (valori ale pixelilor) din fereastra de filtrare curentă, atunci
ieşirea filtrului pentru poziţia dată este combinaţia liniară ponderată a acestor valori:
Card(W )
X
y= wj xj , xj ∈ W (2.1)
j=1
Pentru o filtrare de netezire (deci de reducere a zgomotului), coeficienţii wj trebuie să satisfacă [8],
[18] condiţia de normare (care asigură invarianţa pentru zone uniforme):
Card(W )
X
wj = 1 (2.2)
j=1
Adaptarea semnifică că mulţimea coeficienţilor filtrului este diferită, de la un punct la altul al imaginii
şi ı̂n funcţie de conţinutul acesteia, şi deci wj = wj (m, n, x(m, n)), sau că vecinătatea se modifică,
dependent de punctul curent de prelucrare, W = W (m, n). Ceea ce trebuie ı̂nsă remarcat este faptul
că cele două aspecte ale adaptării nu sunt independente: un coeficient de ponderare extrem de mic
(la limită nul) semnifică neluarea ı̂n calculul ieşirii y a filtrului a valorii respective, deci, echivalent,
eliminarea poziţiei corespunzătoare din fereastra de filtrare.
Problema determinării adaptive a ponderilor asociate unei ferestre de filtrare de formă impusă poate fi
abordată din mai multe puncte de vedere: coeficienţii pot fi dependenţi (ı̂n mod explicit) de distanţele
dintre vectorii selectaţi de fereastra de filtrare, prin ceea ce a fost denumit DDMF - Distance De-
pendent Multichannel Filter ; deducerea coeficienţilor se poate face prin abordări de clustering sau de
estimare statistică; coeficienţii pot fi deduşi printr-o abordare bazată pe integrarea logicii vagi (fuzzy)
14
ı̂n abordările clasice. De asemenea, se pot avea ı̂n vedere şi metode bazate pe calculul unei ferestre de
filtrare adaptive.
2.1 Filtre dependente de distanţă
Prelucrările cunoscute sub numele de filtrări cu coeficienţi dependenţi de distanţă, şi denumite DDMF
- Distance Dependent Multichannel Filter [16] sau MDF - Multichannel Distance Filter [14] reprezintă
o clasă de filtre adaptive, bazate pe (2.1), ı̂n care coeficienţii de ponderare a vectorilor sunt deduşi ı̂n
funcţie de distanţele relative dintre aceştia (deci conform distribuţiei lor ı̂n spaţiul de reprezentare).
Spaţiul de reprezentare a vectorilor (pentru cazul imaginilor color) este spaţiul RGB primar, chiar
dacă distanţele euclidiene dintre vectori nu sunt ı̂n concordanţă cu diferenţele perceptuale de percepere
a culorilor reprezentate de aceştia. În general, ceea ce se deduce direct pentru fiecare vector este o
pondere a contribuţiei sale la ieşirea filtrului, aj , ponderi care, pentru setul de n vectori ai ferestrei
de filtrare, nu respectă condiţia de normare a coeficienţilor, impusă de (2.2). Îndeplinirea condiţiei
de normare este asigurată prin construirea ponderilor de filtrare ca raportul dintre coeficienţii de
ponderare şi suma acestora:
aj
wj = P n (2.3)
aj
i=1
2.1.1 Folosirea distanţei euclidiene dintre vectori
Modul de construcţie a coeficienţilor de ponderare a vectorilor este ı̂n principiu inspirat din modalităţile
de ordonare redusă a respectivilor vectori, deja discutate ı̂n capitolul anterior. În general, coeficientul
de ponderare este o funcţie dependentă de un scalar dj , de tip scalar de ordonare (sj ). Funcţiile de
tip polinomial au fost folosite cu succes de majoritatea cercetătorilor. Cea mai simplă funcţie propusă
este puterea r a scalarului:
1
aj = r (2.4)
dj
Această abordare a fost introdusă ı̂n [14] (ANL1 - Adaptive Non-Linear ), [7] (MDF1) şi [16] (DDMF2).
Scalarul de tip distanţă dj trebuie să exprime situarea vectorului curent xj , căruia ı̂i este ataşat, faţă de
ieşirea dorită a filtrului, şi deci trebuie să fie cu atât mai mare cu cât vectorul curent este mai depărtat
de valoarea corectă (deci mai afectat de zgomot). Pentru a satisface această cerinţă, ı̂n [14] şi [7] se
foloseşte distanţa euclidiană agregată (suma distanţelor de la vectorul curent la toţi ceilalţi vectori ai
ferestrei de filtrare); ı̂n [15] este folosit acelaşi model pentru prelucrarea semnalelor unidimensionale
multicanal (semnale seismice):
n
X
dj = kxi − xj k (2.5)
i=1
În [16] se propune folosirea distanţei de la vectorul curent la un punct fix, ce este ı̂n general un estimator
marginal al ieşirii dorite (ı̂n general, medianul marginal multicanal, dar şi vectorul ce corespunde
poziţiei ı̂n care se face filtrarea, deci vectorul din originea ferestrei de filtrare):
dj = kxf ix − xj k (2.6)
Pentru a evita cazurile de nedeterminare ı̂n evaluarea lui aj (ce pot apare când dj = 0), ı̂n [7] şi [16]
s-a propus modificarea distanţei prin adunarea unei constante ε, care este fie unitară (ε = 1) [7] pentru
MDF2, fie este foarte mică (ε −→ 0) [16] pentru DDMF2:
dj = kxf ix − xj k + ε (2.7)
15
Testele efectuate asupra comportării acestui tip de filtre ı̂n prezenţa a diferite distribuţii de zgomot
au condus la concluziile folosirii unor valori specifice ale puterii r: r = 1 pentru zgomot uniform,
r = 0 pentru zgomot gaussian (ceea ce ı̂nseamnă de fapt că ponderile tuturor vectorilor sunt egale, şi
filtrul obţinut este de fapt filtrul de mediere marginală), r = −2 pentru zgomot de tip laplacian sau
cu alte distribuţii de tip “long tail ” (cu coadă lungă). Adaptarea propriu-zisă a puterii r ı̂n funcţie de
caracteristicile locale ale imaginii (semnalului) - deci ı̂n interiorul ferestrei de filtrare - se poate face
conform caracteristicilor statistice locale de ordinul doi ale semnalului [6]. Filtrul propus, AMDF -
Adaptive Multichannel Distance Filter, se bazează pe o extindere multicanal a unui algoritm clasic de
estimare a varianţei locale a semnalului util şi a zgomotului [28], [55]. Pe fiecare canal (deci pe fiecare
plan de culoare a imaginii color) se face o estimare a varianţei locale de pe canalul j, ı̂n poziţia curentă
2 , prin:
de filtrare, σxj
n
n
2
1
x2ij −
P P
n xij
2 i=1 i=1
σxj =
n−1
Pentru fiecare canal, se stabileşte un coeficient de importanţă a efectului zgomotului faţă de variaţiile
proprii ale semnalului:
2
σxj
cj = 1 − 2
σnj
iar pe baza acestui coeficient se alege puterea r corespunzătoare:
(
0, dacă min{cj } ≥ 0
r= (2.8)
min{cj }, ı̂n rest.
Plecând de la ideea folosirii de distanţe la puncte fixe (2.6), ı̂n [16] s-a reluat ideea din [44], de a suma
distanţele la mai multe puncte fixe reprezentative, ca medianul marginal, media marginală şi punctul
central (din originea ferestrei de filtrare), rezultând un filtru numit DDMF3, cu o distanţă:
dj = kxmedie − xj k + kxmedian − xj k + kxcentru − xj k (2.9)
Scalarul de distanţă dj asociat fiecărui vector exprimă calitatea sa (deci măsura ı̂n care valoarea sa este
neafectată de zgomot); exprimarea unei asemenea măsuri trebui ı̂nsă să ţină seama şi de ceilalţi vectori
din fereastra de filtrare; ı̂n acest context scalarul propus ı̂n [14] pentru filtrul MDF2 este construit ca
suma distanţelor dintre toţi vectorii ferestrei de filtrare, mai puţin vectorul curent:
n
1X
aj = di − dj
2 i=1
unde dj este distanţa euclidiană agregată din (2.5).
O altă funcţie propusă pentru transformarea distanţelor dintre vectorii ferestrei de filtrare ı̂n ponderi
relative individuale este o funcţie de tip exponenţial [16], determinată de parametrii α > 1 şi 0 < β < 1:
dj

aj = exp − ln α
βdmax
Constanta dmax este determinată ca fiind distanţa maxim posibilă dintre vectori pentru semnalul
studiat (ı̂n cazul√imaginilor color reprezentate cu 8 biţi pentru fiecare plan de culoare, aceasta este
dmax = 8 · 255 · 3). Acestă relaţie exprimă principiul general conform căruia vectorii ce au asociate
distanţe mici trebuie să aibă asociate ponderi mai mari (mai ales ı̂n cazul ı̂n care se doreşte eliminarea
impulsurilor de zgomot şi păstrarea clarităţii tranziţiilor din imagine). Testele experimentale au arătat
că o combinaţie eficientă de parametri este α = 2 şi β = 0.05 [16].
16
2.1.2 Folosirea distanţei unghiulare dintre vectori
După cum am arătat şi ı̂n secţiunea privind filtrarea bazată pe ordonare directă a vectorilor, ı̂n cazul
imaginilor color, informaţia de culoare (crominanţă, saturaţie) este mai importantă decât informaţia de
intensitate luminoasă, şi deci pare naturală folosirea unor criterii de comparaţie (ordonare, ponderare)
a vectorilor care să ia ı̂n considerare această informaţie direcţională. Aceasta este abordarea numită
Vector Directional [46], ı̂n care distanţa dintre vectori este ı̂nlocuită cu unghiul dintre respectivii
vectori. O asemenea abordare a fost adoptată ı̂n [38]; pe baza distanţei agregate unghiulare dj (1.12)
sau (2.10) dintre vectori se derivă coeficienţi aj ce exprimă ponderea cu care vectorul xj participă la
ieşirea filtrului.
n n
!
X X hxi , xj i
dj = xd
i xj = arccos (2.10)
i=1 i=1
kxi k kxj k
În [38] se propune FVDF - Fuzzy Vector Directional Filter, pentru care fiecare coeficient de ponderare
a vectorilor este dat de o formulă ce grupează abordările polinomială şi exponenţială :
1
aj =
1 + exp(drj )
Pentru rezultate optime, parametrul de control r are valorile 1 sau 2. Această construcţie impune două
comentarii: ı̂n primul rând, filtrul vector direcţional de bază (BVDF) se poate obţine selectând doar
vectorul a cărui coeficient aj este maxim; ı̂n al doilea rând, termenul de fuzzy ce apare ı̂n denumirea
filtrului nu exprimă neapărat existenţa unor inferenţe logice a unui set de reguli, ci se justifică prin
normarea (2.3) care produce numere subunitare pozitive, ce pot fi interpretate ca grade de apartenenţă
ale fiecărui vector din fereastra de filtrare la clasa “valoare corectă”.
O altă abordare bazată de distanţa agregată unghiulară dj este prezentată ı̂n [34] şi se bazează pe
construcţia unor coeficienţi de ponderare daţi de:
max{di } − dj
aj =
max{di } − min{di }
Acest filtru a fost denumit ANNMF - Adaptive Nearest Neighbor Multichannel Filter. O modificare a
sa se poate obţine dacă ı̂n locul distanţei unghiulare agregate se foloseşte doar unghiul dintre vectorul
curent şi un vector de referinţă (2.11) (deci acelaşi principiu ca şi ı̂n cazul folosirii distanţei euclidiene).
Vectorul de referinţă (dacă nu este chiar centrul ferestrei de filtrare) se calculează ı̂n general ı̂ntr-o
altă fereastră de filtrare (de dimensiune mai mică decât fereastra de filtrare curentă); de aceea filtrul
astfel construit se numeşte DWANNMF - Double Window Adaptive Nearest Neighbor Multichannel
Filter [34]:
dj = xfd ix xj (2.11)
În fine, ca şi ı̂n cazul ordonării vectorilor, se pot considera abordări mixte, distanţă - unghi, deci
integrarea ı̂ntr-un singur scalar (printr-un produs) a distanţelor agregate unghiulare şi euclidiene [19],
[20]. O asemenea variantă este propusă ı̂n [16] ca DDMF4:
n n
! !
X X
dj = xd
i xj · kxi − xj k
i=1 i=1
sau ca
n
!
X
dj = xd
i xj · (kxmedie − xj k + kxmedian − xj k + kxcentru − xj k)
i=1
17
2.2 Filtrarea prin estimare statistică
Filtrarea poate fi interpretată şi ca o estimare [statistică] a valorii corecte a pixelului curent, ı̂n
condiţiile ı̂n care se dispune de observaţii perturbate de zgomot (pixelul curent şi vecinii săi din
imaginea degradată). Una dintre metodele simple de determinare a unor estimaţi ai unor mărimi
statistice pe baza unui set unic de observaţii sunt cunoscute ı̂n statistică ca metode de reeşantionare
a datelor [27]. Asemenea metode (relativ similare) sunt metodele jack-knife şi bootstrap, folosite mai
ales pentru construirea de intervale de ı̂ncredere ale estimatelor. Cea mai rapidă dintre cele două
metode este metoda jack-knife, pe care am folosit-o ı̂n construirea unor filtre mediane vectoriale.
Principiul tehnicii jack-knife este următorul: să presupunem că se doreşte determinarea unui es-
timat θb al unui parametru oarecare θ al unei populaţii formate din n observaţii p dimensionale
P = {x1 , x2 , ..., xp }. Din populaţia iniţială se construiesc n noi populaţii, fiecare dintre acestea
conţinând toate observaţiile iniţiale, mai puţin observaţia xi :
Pi = P \ {xi }, i = 1, 2, ..., n
Pentru fiecare nouă populaţie de n − 1 observaţii se construieşte un estimat θbi , iar pe baza tuturor
celor n estimate astfel calculate, se construieşte estimatul jack-knife θbjk printr-o operaţie de mediere
aritmetică. n
1X
θbjk = θbi
n i=1
Aplicaţia propusă a acestei tehnici este realizarea unui filtru median vectorial; aceasta ı̂nseamnă că
estimatele θbi sunt mediane ale vectorilor ce formează populaţiile Pi . Aceste estimate pot fi obţinute
prin orice fel de tehnică de tip median vectorial (deci median marginal, sau VMF, sau VDF, ...).
Complexitatea algoritmică a noului filtru este de acelaşi ordin de mărime cu a filtrelor de bază prin
care se calculează estimatele θbi . Noul filtru este mult mai robust ı̂n prezenţa zgomotului gaussian,
datorită medierii estimatelor parţiale.
În [22], [24], [21] se propune utilizarea unui filtru MTM - Modified Trimmed Mean vectorial (multi-
variat), ca extensie directă a filtrului scalar analog; filtrul scalar mediază un număr dat de statistici de
ordine situate simetric faţă de median. Extensia vectorială a MTM este bazată pe ordonarea redusă
a vectorilor din fereastra de filtrare prin distanţe faţă de un punct fix (medianul marginal), calculate
ca distanţe Mahalanobis (C fiind matricea de covariaţie locală):
si = (xi − xmed )T C−1 (xi − xmed )
Esenţa problemei este faptul că matricea C este necunoscută. Estimarea ei prin medie şi varianţe
locale este ineficientă, deoarece acestea nu sunt estimate robuste, şi valorile acestora sunt puternic
influenţate de prezenţa chiar a unui singur vector aberant (“outliar ”). În [22], [24], [21] se analizează
diferite metode, directe şi iterative, de estimare a matricii de covariaţie şi se studiază robusteţea
estimatelor obţinute şi a filtrelor realizate pe baza lor la diferite tipuri de zgomote.
O altă abordare a creşterii robusteţii structurilor de filtrare este aceea de a ı̂ncerca determinarea unui
estimat liniar (optim ı̂n sensul minimizării unei funcţii de cost pătratic a erorii de estimare); ı̂n acest
caz estimatul este [43]:
R∞
Z∞ xf (x, y)dx
−∞
x
b= xf (x|y)dx = (2.12)
f (y)
−∞
În cazul general, distribuţia zgomotului ce a afectat imaginea nu este cunoscută, şi densităţile de
probabilitate implicate ı̂n (2.12) nu pot fi determinate prin tehnici parametrice; atunci soluţia constă
18
ı̂n determinarea lor prin tehnici neparametrice, pe baza mulţimii observaţiilor. Metoda de estimare
folosită ı̂n [35] şi [36] este o estimare cu nuclee (“kernel estimator ”). Astfel, funcţia de densitate de
probabilitate necunoascută f (z) este estimată neparametric din setul de n observaţii multivariate (de
dimensiune p) independente (realizări particulare ale procesului aleator) prin:
n
1X z − zi

fb(z) = (hi )−p K (2.13)
n i=1 hi
Funcţia K : Rp −→ R este nucleul de estimare (funcţie pozitivă, centrată pe 0, de arie unitară a

subgraficului); ı̂n [36] sunt folosite nuclee de estimare exponenţiale:
K(z) = e−|z|
1 T
K(z) = e− 2 z z
Scalarii hi sunt parametrii de netezire, definiţi ı̂n funcţie de distanţa euclidiană agregată dintre vectorul
curent zi şi ceilalţi vectori ai mulţimii de observaţii; aceştia au forma:
 
n
− kp − kp
X
hi = n Ai = n  kzj − zi k (2.14)
j=1
Folosind expresiile (2.13) şi (2.14) ı̂n (2.12), şi folosind observaţiile din imaginea cu zgomot xi obţinem:
 

n  hi −p K x−xi
hi
X 
x
b=  xi
 
 n
P
−p x−xi 
i=1 hj K hj
j=1
Acest estimat liniar corespunde unei combinaţii liniare a vectorilor ferestrei de filtrare cu coeficienţii
de ponderare
x − xi

wi = hi −p K (2.15)
hi
În [36] sunt propuse două extensii ale acestui filtru, rezultate direct din aplicarea teoriei estimării:
ı̂n primul rând s-a introdus un factor suplimentar de reglaj prin varierea coeficienţilor de netezire a
nucleelor de estimare după o putere r, caz ı̂n care ponderile filtrului liniar din (2.15) devin:
!
−p x − xi
wi = hi K
hri
Un estimator cu o calitate superioară se poate obţine printr-o tehnică de filtrare cu fereastră dublă
(DW - Double Window ), prin care fiecare observaţie zgomotoasă din fereastra de filtrare este ı̂nlocuită
de un median vectorial (marginal sau VMF) al valorilor dintr-o fereastră mai mică centrată ı̂n punctul
respectiv. Deşi această abordare este foarte robustă şi permite realizarea de filtre cu performanţe bune
de rezistenţă la diferite tipuri de zgomote (impulsive şi mixturi), complexitatea unui asemenea filtru
o depăşeşte pe cea a abordărilor ce nu folosesc estimarea.
2.3 Filtrarea cu vecinătăţi adaptive
După cum am arătat ı̂n introducerea acestui capitol, adaptarea se poate referi fie la modificarea
coeficienţilor de definiţie a filtrului, fie la modificarea formei ferestrei de filtrare. Modificarea formei
ferestrei de filtrare este ı̂n fapt o modalitate de a selecta (sau a ignora) anumiţi vectori din vecinătatea
19
pixelului curent prelucrat. Realizarea acestei trieri se poate realiza prin două metode: dintr-o fereastră
de filtrare de formă fixă se rejectează vectorii cu valori aberante contextului local sau fereastra de
filtrare este determinată pentru fiecare punct al imaginii de prelucrat.
Prima abordare ce conduce la o fereastră de filtrare de formă adaptivă este de a selecta doar acei
vectori suficient de apropiaţi de punctul curent (pentru care se face prelucrarea). Această metodă
a fost denumită metoda celor mai apropiaţi vecini, NN - Nearest Neighbour [12], [23]. După cum
se sugerează prin această denumire, alegerea vectorilor corecţi se face după un criteriu de distanţă
minimă: sunt păstraţi doar acei vectori care sunt cei k cei mai apropiaţi de punctul central [12] sau a
căror distanţă la punctul central este mai mică decât un prag fixat [23]. Cu vectorii astfel selectaţi se
efectuează o prelucrare simplă (ı̂n general o operaţie de mediere sau de median marginal), robusteţea
fiind asigurată de rejectarea iniţială a valorilor aberante.
Determinarea ferestrei de filtrare după specificul local al punctului de prelucrat (şi deci, implicit,
determinarea a câte unei ferestre de filtrare pentru fiecare punct al imaginii de prelucrat) a fost
denumită filtrare cu vecinătăţi adaptive [32], [39], [10]. Esenţa acestei metode este de a determina,
pentru fiecare pixel al imaginii de prelucrat (color sau cu nivele de gri) o zonă relativ uniformă, conexă,
printr-o tehnică de creştere a regiunilor [11], [18], [52] (folosită ı̂n mod uzual la segmentarea orientată
pe regiuni a imaginilor). Avantajul determinării unei asemenea zone este dublu: pe de o parte sunt
rejectate valorile aberante (de tipul punctelor afectate de zgomot impulsiv), iar pe de altă parte
filtrul de netezire realizat cu aceste vecinătăţi va păstra extrem de bine contrastul contururilor din
imagine (atâta vreme cât regiunile uniforme nu conţin pixeli aflaţi de o parte şi de alta a respectivelor
contururi). Operaţia propriu-zisă de filtrare este o operaţie de mediere simplă [32], [10] sau mediere
ponderată cu coeficienţi adaptivi [39].
Principalele probleme ridicate de acestă metodă de filtrare sunt cele de complexitate a calculului:
pentru fiecare pixel al imaginii se creşte o regiune ce are ca germene punctul respectiv (aşadar com-
plexitatea este mult mai mare decât la o operaţie de segmentare prin creşterea regiunilor, ı̂n care
numărul de germeni este mult mai mic decât numărul de puncte al imaginii). Pentru a asigura o
relativă eficienţă a algoritmului, s-a propus introducerea unei limite superioare a dimensiunii regiunii
(Nmax pixeli), ı̂mpiedicând astfel extinderea ferestrelor de filtrare ı̂n platourile uniforme foarte ı̂ntinse;
ı̂n acelaşi timp o dimensiune minimă (Nmin ) este impusă pentru a avea suficiente valori pe baza cărora
să se realizeze estimarea valorii corecte.
2.4 Filtrarea prin tehnici de clustering
O abordare hibridă de determinare atât a unor ponderi cât şi a unei ferestre de filtrare specifice fiecărui
punct a fost propusă sub numele de filtrare prin clustering. Ideea esenţială este ı̂n continuare aceea de a
separa o măcar o parte din valorile aberante ce apar ı̂ntr-o fereastră de filtrare fixă (deci ı̂n vecinătatea
pixelului curent prelucrat) şi de a aplica o netezire valorilor rămase. O asemenea tehnică stă la baza
filtrării cu vecinătăţi adaptive sau a filtrelor de tip NN (Nearest Neighbour ), prezentate anterior.
Abordarea propune realizarea unei partiţionări ı̂n trei clase a vectorilor din fereastra de filtrare; cele
trei clase corespund poziţionării vectorilor pe care, ı̂n limbaj natural, am putea să ı̂i numim centrali,
extremali superior şi extremali inferor. Din punctul de vedere al statisticilor de ordine, putem considera
că vectorii din clasa centrală sunt estimate ale mediei sau medianului vectorial, iar vectorii din cele
două clase extreme sunt estimate ale minimului şi maximului local.
Pentru realizarea partiţionării ı̂n trei clase a vectorilor selectaţi de fereastră se va folosi un algoritm
de clustering, iterativ sau ierarhic. Fiecare clasă a partiţiei (mulţime de vectori selecţionaţi) este
caracterizată de ceea ce se numeşte vector prototip (sau centroid), obţinut ca medie aritmetică a
vectorilor ce aparţin clasei respective. Ieşirea filtrului de clustering este prototipul clasei centrale, sau
20
vectorul cel mai apropiat de prototipul clasei centrale. Efectele de netezire ale acestui filtru sunt uşor de
demonstrat: impulsurile de zgomot sunt eliminate prin separarea vectorilor ı̂n clase şi alegerea ca ieşire
a unui reprezentant al clasei centrale (deci cea mai ı̂ndepărtată de extreme) şi calcularea prototipului
clasei centrale se face printr-o mediere ce reduce efectul zgomotului gaussian aditiv. Global, filtrarea
poate fi caracterizată ca un median ponderat, păstrând contrastul frontierelor imaginii. Comportarea
acestui filtru ı̂n prezenţa mixturilor de zgomot (gaussian şi impulsiv) este superioară filtrelor median
vectorial clasice (vector median VMF, median marginal).
2.5 Integrarea logicii vagi ı̂n adaptarea filtrelor
Logica vagă (fuzzy logic) a fost introdusă la sfârşitul anilor 1960 [54] ca o ı̂ncercare de a manipula
incertitudinea şi nedeterminarea din descrierile semantice ale lumii reale; sunt clasice exemplele privind
interpretarea conceptelor de ı̂nălţime sau greutate a unei persoane, mai ales prin prisma dificultăţii
adaptării logicii clasice binare la o realitate graduală [54], [41]. O mulţime vagă nu este altceva decât
o funcţie ce asociază fiecărui element al universului un număr pozitiv subunitar.
La aceasta definiţie a mulţimilor vagi merită adăugat comentariul din [5]. Conform definiţiei, orice
funcţie reală cu valori în intervalul [0, 1] este o mulţime vagă (fuzzy). În timp ce aceasta este adevărat
dintr-un punct de vedere matematic formal, multe funcţii ce satisfac această condiţie nu pot fi in-
terpretate corespunzător ca realizări ale unei mulţimi vagi conceptuale. Cu alte cuvinte, funcţiile ce
transformă un univers în intervalul unitar pot fi mulţimi vagi, dar devin mulţimi vagi atunci şi numai
atunci când se potrivesc cu o descriere semantică intuitivă plauzibilă a proprietăţilor imprecise ale
obiectelor din univers.
Una dintre principalele întrebari ridicate de acest mod de reprezentare priveşte relaţia vagului cu
probabilitatea, şi mai precis, dacă mulţimile vagi sunt doar o deghizare ingenioasă pentru modelele
statistice. Răspunsul negativ la această problemă rezultă evident dintr-un exemplu [5]. Fie universul
de obiecte format din mulţimea tuturor lichidelor şi fie mulţimea vagă L={toate lichidele potabile (ce
pot fi băute)}. După o săptamână petrecută în deşert fără apă, călătorul însetat descoperă două sticle
perfect opace A şi B, marcate cu “A: apartenenţă (A ı̂n L) = 0.91” şi “B: probabilitate (B ı̂n L) =
0.91”, din care trebuie neaparat trebuie să aleagă una pe care să o bea. Problema este deci alegerea
corespunzătoare a sticlei. A poate conţine de exemplu apă de baltă sau mlaştină, excluzând desigur
posibilitatea existenţei unui modelator fuzzy Machiavelic, şi nu acid clorhidric. Deci apartenenţa de
0.91 înseamnă că conţinutul lui A este destul de similar cu lichidele perfect potabile (în speţă apa
pură). De cealaltă parte, probabilitatea de 0.91 ca B să fie potabilă înseamnă că, dintr-un şir lung de
experimente, conţinutul lui B va fi potabil în 91% din cazuri; în restul cazurilor, adică la o încercare
din zece, conţinutul sticlei putând fi chiar mortal.
O altă faţetă a acestui experiment implică ideea de observaţie. Dacă examinăm conţinutul lui A şi B şi
descoperim de exemplu că A conţine bere şi B acid clorhidric, după observaţie, gradul de apartenenţă
a lui A nu se modifică, în timp ce probabilitatea lui B devine 0. În fine, care ar fi efectul schimbării
valorilor numerice la 0.5 ? Majoritatea persoanelor ar bea din B, cu o şansă din două ca lichidul să
fie potabil, deoarece un grad de apartenenţă atât de mic indică în principiu un lichid nepotabil (dar
aceasta depinde în întregime de funcţia de apartenenţă a mulţimii vagi, ceea ce conduce din nou la
observaţia privind posibilitatea de a interpreta orice funcţie cu valori în intervalul unitar ca o mulţime
vagă).
Deci, cele două modele (vag şi probabilist) propun două tipuri de informaţie total diferită: apartenenţa
vagă reprezintă similaritatea unor obiecte cu proprietăţi imprecise, iar probabilitatea dă frecvenţe
relative; mai mult, interpretările şi deciziile luate în funcţie de aceste valori depind de numerele
specifice asociate unor obiecte şi evenimente particulare.
21
Este deci evident că modelarea vagă şi folosirea logicii vagi nu se reduc la folosirea unor ponderi
pozitive subunitare pentru fiecare obiect al universului. Totuşi există cazuri ı̂n care filtre adaptive
de mediere ponderată au fost denumite “fuzzy” doar pentru acestă caracteristică a coeficienţilor (de
exemplu FVDF - Fuzzy Vector Directional Filter [38]).
O metodologie cu adevărat bazată pe logica vagă este dezvoltată ı̂n [37]: determinarea unui nou
filtru pe baza combinării a mai multe filtre (concept ce provine, desigur, din combinarea prelucrărilor
direcţionale şi orientate pe amplitudine pentru imagini color). O asemenea abordare se bazează pe
folosirea a mai multe criterii de evaluare a ponderilor vectorilor din fereastra de filtrare ı̂n vectorul de
ieşire a filtrului, fără ca nici unul dintre acestea să fie optimal, criterii ce sunt apoi combinate printr-un
operator neliniar, derivat ı̂n mod esenţial din calculul ı̂n logică vagă (un agregator fuzzy). O clasă
particulară de asemenea operatori sunt operatorii compensativi [56], definiţi ca medii ponderate ale
unor operatori OR (∪) şi AND (∩) logic pentru mulţimile ce se combină:
A γ B = (A ∩ B)1−γ (A ∪ B)γ (2.16)
Folosind diferite forme pentru operaţiile logice vagi de bază (OR este o t-conormă, AND este o t-
normă) şi considerând o forma clasică pentru operatorul de complementare (negaţia Lukasiewicz), se
pot obţine diferite forme particulare ale operatorului de agregare. În [37] se propune folosirea ı̂n (2.16)
a t-normei Zadeh (min) şi a t-normei probabiliste (de tip produs), ceea ce duce la obţinerea relaţiilor:
1−γ γ
wj = min wji max wji , j = 1, ..., n (2.17)
i=1,k i=1,k
k k
!γ
1−γ
Y Y
wj = wji 1− (1 − wji ) , j = 1, ..., n (2.18)
i=1 i=1
În (2.17) şi (2.18) k este numărul de filtre individuale ce se combină, iar wji este ponderea de ordinul j
corespunzătoare filtrului i. Aplicaţiile prezentate ı̂n [37] folosesc combinarea cu ponderi egale (γ = 0.5)
a două filtre (k = 2): un vector median VMF şi un vector median direcţional BVDF.
În [51] a propus extinderea filtrului median scalar fuzzy introdus de [53] şi denumit AFMMF - Adaptive
Fuzzy Multilevel Median Filter. Pentru acest filtru, procesul de prelucrare este descris de reguli de
asociere vagă de tipul regulii lingvistice “dacă X este Ai , atunci Y este Bi ” (unde A şi B sunt mulţimi
vagi definite peste universurile de obiecte X şi Y ). Filtrul din [53] provine din MMF - Multilevel
Median Filter, definit pentru ferestre de filtrare de dimensiune impară, ı̂n care se formează grupuri de
valori Wi conform principalelor direcţii (verticală, orizontală, diagonale). Pentru fiecare set de valori
Wi , se calculează medianul zi = median(Wi ), iar toate aceste rezultate sunt combinate la ieşirea
filtrului ca:
y = median(min(zi ), max(zi ), f ) (2.19)
Folosirea regulilor fuzzy aduce o ı̂mbunătăţire a performanţelor filtrului, eliminând sensibilitatea aces-
tuia la zgomotul de “zgârieturi”, prin includerea ı̂n (2.19) a doi noi termeni, ce sunt definiţi de o
credibilitate maximă. Credibilitatea unei valori este calculată după următorul set de reguli:
• dacă diferenţa absolută dintre medianul zi şi celelalte puncte din Wi este foarte mare, atunci
credibilitatea lui zi este mică
• dacă diferenţa absolută dintre medianul zi şi celelalte puncte din Wi este foarte mică, atunci
credibilitatea lui zi este mică
22
• dacă diferenţa absolută dintre medianul zi şi celelalte puncte din Wi este medie, atunci credibil-
itatea lui zi este mare
În final, dacă medianele de credibilitate maximă sunt zc1 şi zc2 , expresia ieşirii filtrului AFMMF devine:
y = median(min(zi ), max(zi ), f, zc1 , zc2 )
Extensia multicanal (vectorială) a acestui filtru se poate obţine foarte uşor, prin simpla ı̂nlocuire a
sintagmei diferenţă absolută cu cuvântul distanţă. În [51], pentru filtrarea imaginilor color, am folosit
distanţa euclidiană ı̂n spaţiul RGB. Funcţiile de credibilitate sunt funcţii des folosite ca funcţii de
apartenenţă fuzzy: trapezoidală, parabolică, dreptunghiulară.
După cum demonstrează exemplul precedent, extinderea structurilor de filtrare scalare la cazul mul-
ticanal este suficient de simplă dacă regulile după care se face prelucrarea sunt exprimate ı̂n mod
independent de dimensiunea spaţiului din care fac parte obiectele la care se referă. Acesta este şi
cazul filtrării de clustering [50] şi [49], care se poate consideră că provine din filtrele scalare de tip
“trimmed median” [33]. Extinderea fuzzy a acestora se realizează prin simpla ı̂nlocuire a algoritmului
de partiţionare net cu unul fuzzy. Folosirea tehnicilor de clustering fuzzy pentru filtrarea imaginilor
color [50] produce rezultate sensibil mai bune decât cele obţinute prin folosirea algoritmilor “crisp”.
Elementul esenţial ı̂n folosirea unei tehnici de partiţionare vagă este acela că prototipurile claselor
sunt influenţate de toate valorile selectate de fereastra de filtrare. În acest fel, valorile ce se află ı̂n
apropierea frontierelor claselor şi ar fi fost repartizate (ı̂n cazul algoritmului crisp) ı̂n mod arbitrar unei
unice clase, vor contribui ı̂ntr-un mod semnificativ la prototipurile tutoror claselor. Dacă partiţionarea
este realizată cu un grad mare de fuzzificare, separaţia dintre clase devine mai puţin clară şi prototipul
clasei centrale este o aproximare mai bună a valorii originale.
Unul dintre algoritmii cei mai folosiţi de clustering fuzzy este Fuzzy Isodata [4] (cunoscut şi ca al-
goritmul Dunn-Bezdek). Pentru setul de n vectori xi ce se doresc partiţionaţi ı̂n C clase (fiecare
clasă caracterizată de centroidul µj ), se asociază setul de coeficienţi de apartenenţă uij , care exprimă
gradul de apartenenţă al vectorului xi la clasa j. Aceşti coeficienţi de apartenenţă sunt numere pozitive
subunitare ce respectă condiţia de normare
C
X
uij = 1, i = 1, ..., n (2.20)
j=1
Determinarea partiţiei ı̂nseamnă determinarea coeficienţilor de apartenenţă a vectorilor la clase, prin

rezolvarea iterativă a sistemului de ecuaţii (m este gradul de fuzzificare a partiţiei):
n
um
P
ij xi
i=1
µj = n , j = 1, ..., C (2.21)
um
P
ij
i=1
 1
−1
C
kxi − µj k m−1
X
uij =   , i = 1, ..., n, j = 1, ..., C (2.22)
k=1
kxi − µk k
Dezavantajul esenţial al acestei tehnici de clustering fuzzy este creşterea dramatică a complexităţii de
calcul: sunt necesare mult mai multe ı̂nmulţiri decât la variantele crisp, şi ı̂n plus apare şi necesitatea
ridicărilor la putere. Mai mult, pentru un acelaşi set de vectori, un algoritm de partiţionare iterativă
fuzzy necesită mai multe iteraţii decât algoritmul net din care provine. O posibilă cale de a micşora
necesarul de calcule este de a utiliza algoritmi ierarhici şi nu iterativi.
Algoritmii de clustering clasici (fie că provin dintr-o abordare de tip cuantizare vectorială [17], fie
dintr-o abordare de tip recunoaşterea formelor [29]) sunt definiţi ca optimizând un criteriu de calitate
23
a partiţie de tip eroare pătratică medie minimă. Se pot deci folosi simultană mai multe criterii de
optimalitate a unei partiţii (eroare pătratică medie minimă, compactitudine a claselor definită prin
distanţe agregate inter-vectori, volum minim a claselor); complicarea evidentă a formei criteriului de
optimizat (imposibil de rezolvat simbolic) a dus la considerarea de soluţii de optimizare prin tehnici
“inteligente” (simulated annealing [1] sau algoritmi genetici).
O altă abordare a filtrării de tip median prin metode de clustering fuzzy a fost propusă ca extindere
a filtrului fuzzy median scalar [13]. În [13] se propunea construirea medianului unui set de scalari nu
prin procedeul obişnuit de ordonare, ci printr-o combinaţie liniară a tuturor valorilor din fereastra de
filtrare, ponderate cu coeficienţii lor de apartenenţă la clasa numită “median” (adică ieşirea filtrului
este prototipul clasei ı̂n care au fost grupate valorile). Acest clustering cu o singură clasă se face
printr-un procedeu iterativ analog celui folosit la metoda Fuzzy Isodata; ceea ce se schimbă este
ecuaţia (2.22) de determinare a gradelor de apartenenţă, care devine (C = 1):
n
um
P
i xi
i=1
µ= n
um
P
i
i=1
kxi − µk2
!
ui = exp −
K
Acest tip de filtrare de clustering poate fi asimilat (sau asemănat) mai multor modele de filtre: pe de
o parte filtrele cu coeficienţi dependenţi de distanţă, de tipul DDMF [16], sau se poate considera că
modelul de clustering urmează paradigma posibilistă, introdusă ı̂n [26], [25].
Modelul fuzzy posibilist se bazează pe modificarea interpretării gradului de apartenenţă. Pentru

modelul probabilist (clasic), gradul de apartenenţă al fiecărui vector exprima gradul ı̂n care acesta
este comun la mai multe clase şi se exprimă prin constrângerea (2.20) ca gradele de apartenenţă ale
unui singur vector faţă de toate clasele să se comporte ca probabilităţile asociate unui câmp complet de
evenimente. Dezavantajul acestei abordări este că, adeseori, vectori ce au acelaşi grad de apartenenţă
faţă de două clase nu sunt reprezentativi ı̂n aceeaşi măsură pentru clasele respective. Ceea ce ne
interesează ı̂n general este ı̂nsă tocmai reprezentativitatea vectorilor faţă de o clasă, deci cât de tipic
este un vector pentru o clasă dată. Această interpretare este modelarea posibilistă [26] şi se bazează
pe renunţarea la constrângerea (2.20) şi la adoptarea unei relaţii de calcul a gradelor de apartenenţă
ı̂n funcţie de centroizii unei singure clase (şi nu de centroizii tuturor claselor). În [26], [25] s-a propus
folosirea relaţiei de tip exponenţial, ponderată cu un scalar ηj variabil cu iteraţiile:
 1 −1
kxi − µj k2
!
m−1
uij = 1 + 
ηj
n
2
um
ij kxi − µj k
P
ηj = K i=1 n , j = 1, ..., C
um
P
ij
i=1
24
Anexa A
Probabilitatea de degradare a unui

pixel
Zgomotul impulsiv este unul dintre tipurile de zgomot cele mai utilizate pentru exemplificarea
limitărilor filtrării liniare de netezire şi evaluarea performanţelor filtrelor neliniare (mai ales de tip
median). Pentru o imagine scalară (cu nivele de gri) zgomotul impulsiv (sau de tip “sare şi piper”)
se manifestă prin ı̂nlocuirea valorilor unor puncte din imagine (uniform distribuite) cu două valori
extreme. Acesta ı̂nsemană că din imaginea originală f se obţine o imagine degradată fzg prin:
(
valmin , cuprobabilitatea pmin
fzg (m, n) =
valmax , cuprobabilitatea pmax
În mod uzual, pentru imaginile color, se consideră că zgomotul impulsiv afectează ı̂n mod independent
fiecare componentă de culoare a imaginii; probabilităţile ca ı̂n fiecare plan de culoare un pixel să fie
degradat sunt respectiv pR , pG şi pB (iar ı̂n cazul uzual aceste probabilităţi sunt egale pR = pG =
pB = p). La nivelul imaginii color (deci pentru toate cele trei componente de culoare considerate
simultan), probabilitatea ca un pixel să fie afectat de zgomot este ı̂nsă determinată de formula:
P = p R + pG + p B − p R p G − p B p R − p G pB + pR pG p B .
Pentru cazul ı̂n care pe toate planele de culoare există acelaşi zgomot, această formulă se simplifică
la:
P = 3p − 3p2 + p3 .
Pentru probabilităţile de zgomot impulsiv folosite ı̂n testele prezentate ı̂n lucrare, probabilitatea echiva-
lentă de degradare a unui pixel la nivelul ı̂ntregii imagini este prezentată ı̂n tabelul A.
Procent de zgomot Probabilitate de degradare a pixelilor

p% P %
1 2.9701
5 14.2625
10 27.1
15 38.5875
25 57.8125
Tabel A.1: Probabilitatile de degradare a unui pixel al imaginii color, in functie de zgomotul impulsiv
adaugat in mod independent fiecarui plan de culoare.
25
Bibliografie
[1] E. Aarts şi J. Korst. Simulated Annealing and Boltzmann Machines (a stochastic approach to
combinatorial optimization and neural compuring). J. Wiley and Sons, New York NY, 1989.
[2] J. Astola, P. Haavisto, şi Y. Neuvo. “Vector Median Filters”. Proc. IEEE, 78(4):678–689, Apr.
1990.
[3] V. Barnett. “The Ordering of Multivariate Data”. J. of. Royal Stat. Soc. A, 139(3):318–354,
1976.
[4] J. C. Bezdek. Pattern Recognition with Fuzzy Objective Functions. Plenum, New York NY, 1981.
[5] J. C. Bezdek. “Fuzzy Models - What are They and Why ?”. IEEE Trans. on Fuzzy Systems,
1(1):1–5, Feb. 1993.
[6] A. Buchowicz. “Adaptive Multichannel Distance Filters”. In Proc. of IEEE Conference on Image
Processing ICIP ‘95, vol. 1, pp. 175–178, Washington D.C., USA, 23-26 Oct. 1995.
[7] A. Buchowicz şi I. Pitas. “Multichannel Distance Filters”. In Proc. of IEEE Conference on Image
Processing ICIP ‘94, vol. 2, pp. 575–579, 1994.
[8] K. R. Castleman. Digital Image Processing. Prentice Hall, Englewood Cliffs NJ, 1996.
[9] J. M. Chassery şi A. Montanvert. Geometrie discrete en Analyse d’images. Hermes, Paris, 1991.
[10] M. Ciuc, R. M. Rangayyan, T. Zaharia, şi V. Buzuloiu. “Adaptive neighbourhood filters for color
image filtering”. In Proc. of the SPIE Nonlinear Image Processing IX Conference, vol. 3304, pp.
277–286, 10-13 Jan. 1998.
[11] J. P. Cocquerez şi S. Philipp, editors. Analyse d‘images: filtrage et segmentation. Masson, Paris,
1995.
[12] H. A. Cohen. “Image Restauration via N-Nearest Neighbour Classification”. In Proc. of IEEE
Conference on Image Processing ICIP ‘96, vol. 1, pp. 1005–1008, Lausanne, Switzerland, 16-19
Sept. 1996.
[13] M. Doroochi şi A. M. Reza. “Fuzzy Cluster Filter”. In Proc. IEEE Conference on Image Pro-
cessing ICIP ‘96, vol. 2, pp. 939–942, Lausanne, Switzerland, 16-19 Sept. 1996.
[14] G. Economou şi S. Fotopoulos. “A Family of Adaptive Nonlinear Low Complexity Filters”. In
Proc. ECCTD ‘93 - Circuit Theory and Design, pp. 521–524, Davos, Switzerland, Sept. 1993.
[15] G. Economu, A. Ifantis, şi D. Sindoukas. “Multichannel Distance Filtering of Seismic Signals”.
In VIII European Signal Processing Conference EUSIPCO ‘96, vol. 1, pp. 89–92, Trieste, Italy,
10-13 Sept. 1996.
26
[16] S. Fotopoulos şi G. Economou. “Multichannel Filters Using Composite Distance Metrics”. In
Proc. of the IEEE Workshop on Nonlinear Signal and Image Processing, vol. 2, pp. 503–506, Neos
Marmaras, Greece, Jun. 1995.
[17] A. Gersho şi R. M. Gray. Vector Quantization and Signal Compression. Kluwer Academic Publ.,
Boston, 1992.
[18] A.K. Jain. Fundamentals of Digital Image Processing. Prentice Hall Intl., Englewood Cliffs NJ,
1989.
[19] D. G. Karakos şi P. E. Trahanias. “Combining Vector Median and Vector Directional Filters:
The Directional - Distance Filter”. In Proc. of IEEE Conference on Image Processing ICIP ‘95,
vol. 1, pp. 171–174, Washington D.C., USA, 23-26 Oct. 1995.
[20] D. G. Karakos şi P. E. Trahanias. “Generalized Multichannel Image-Filtering Structures”. IEEE

Trans. on Image Processing, 6(7):1038–1045, Jul. 1997.
[21] V. Koivunen. “Nonlinear Filtering of Multivariate Images Under Robust Error Criterion”. IEEE
Trans. on Image Processing, 5(6), Jun. 1996.
[22] V. Koivunen, N. Himayat, şi S. A. Kassam. “Multivariate MTM Filters Analysis and Design
Options”. In Proc. of IEEE Conference on Image Processing ICIP ‘95, vol. 1, pp. 354–357,
Washington D.C., USA, 23-26 Oct. 1995.
[23] V. Koivunen şi S. A. Kassam. “Nearest Neighbor Filters for Multivariate Data”. In Proc. of the
IEEE Workshop on Nonlinear Signal and Image Processing, vol. 2, pp. 734–737, Neos Marmaras,
Greece, Jun. 1995.
[24] V. Koivunen şi S. A. Kassam. “Covariance Estimation in Multivariate OS-Filtering”. In Proc.

of IEEE Conference on Image Processing ICIP ‘96, vol. 1, pp. 981–984, Lausanne, Switzerland,
16-19 Sept. 1996.
[25] R. Krishnapuram, H. Frigui, şi Nasraoui O. “Fuzzy and Possibilistic Shell Clustering Algorithm
and Their Application to Boundary Detection and Surface Approximation - Part I”. IEEE Trans.
on Fuzzy Systems, 3(1):29–43, Feb. 1995.
[26] R. Krishnapuram şi J. M. Keller. “A Possibilistic Approach to Clustering”. IEEE Trans. on

Fuzzy Systems, 1(2):98–110, May 1993.
[27] W. J. Krzanowski. Principles of Multivariate Analysis: A User‘s Perspective. Clarendon Press,

Oxford, 1993.
[28] J. S. Lee. “Digital Image Enhancement and Noise Filtering by Use of Local Statistics”. IEEE
Trans. on PAMI, 2(2), Mar. 1980.
[29] V. E. Neagoe şi O. Stănăşilă. Teoria Recunoaşterii formelor. Ed. Academiei Române, Bucureşti,
1992.
[30] J. O’Rourke. Computational Geometry in C. Cambridge University Press, Cambridge, 1995.
[31] A. R. Papoulis. Probability, random variables and stochastic processes. McGraw Hill Book Comp.,
New York NY, 1994.
[32] R. B. Paranjape, T. F. Rabie, şi R. M. Rangayyan. “Image Restauration by adaptive-

neighbourhood noise subtraction”. Applied Optics, 33(14):2861–2869, May 1994.
[33] I. Pitas şi A. N. Venetsanopoulos. Nonlinear Digital Filters - Principles and Applications. Kluwer
Academic Publ., Norwell MA, 1990.
27
[34] K. N. Plataniotis, D. Androutsos, şi A. N. Venetsanopoulos. “Multichannel Filtering for Color
Image Processing”. In Proc. of IEEE Conference on Image Processing ICIP ‘96, vol. 1, pp.
993–996, Lausanne, Switzerland, 16-19 Sept. 1996.
[35] K. N. Plataniotis, D. Androutsos, şi A. N. Venetsanopoulos. “Nearest Neighbour Multichannel

Filters for Image Processing”. In VIII European Signal Processing Conference EUSIPCO ‘96,
vol. 1, pp. 157–160, Trieste, Italy, 10-13 Sept. 1996.
[36] K. N. Plataniotis, D. Androutsos, şi A. N. Venetsanopoulos. “Color Image Processing Using

Adaptive Multichannel Filters”. IEEE Trans. on Image Processing, 6(7):933–949, Jul. 1997.
[37] K. N. Plataniotis, D. Androutsos, şi A. N. Venetsanopoulos. “Multichannel Filters for Image

Processing”. Signal Processing: Image Communications, 9(2):143–158, Jan. 1997.
[38] K. N. Plataniotis, N. Androutsos, şi A. N. Venetsanopoulos. “Color Image Processing Using

Fuzzy Vector Directional Filters”. In Proc. of the IEEE Workshop on Nonlinear Signal and
Image Processing, vol. 2, pp. 535–538, Neos Marmaras, Greece, Jun. 1995.
[39] R. M. Rangayyan, M. Ciuc, şi F. Faghih. “Adaptive-neighborhood filtering of images corrupted

by signal dependent noise”. Applied Optics, 37(20):4477–4487, 1998.
[40] C. S. Regazzoni şi A. Teschioni. “A New Approach to Vector Median Filtering Based on Space
Filling Curves”. IEEE Trans. on Image Processing, 6(7):1025–1037, Jul. 1997.
[41] B. Reusch. “Mathematics of Fuzzy Logic”. In H. J. Zimmermann, D. Dascălu, şi M. G. Negoiţă,

editors, Real World Applications of Intelligent Technologies, pp. 15–52, Bucureşti, Romania, 1996.
Romanian Academy Publ. House.
[42] R. Sedgewick. Algorithms in C++. Addison Wesley, Reading, MA, 1992.
[43] A. Spătaru. Teoria Transmisiunii Informaţiei. Ed. Didactică şi Pedagogică, Bucureşti, 1983.
[44] K. Tang, J. Astola, şi Y. Neuvo. “Nonlinear Multivariate Image Filtering Techniques”. IEEE
Trans. on Image Processing, 4(6):788–798, Jun. 1995.
[45] P. E. Trahanias şi A. N. Venetsanopoulos. “Color Edge Detection Using Vector Statistics”. IEEE
Trans. on Image Processing, 2(2):259–264, Apr. 1993.
[46] P. E. Trahanias şi A. N. Venetsanopoulos. “Vector Directional Filters - A New Class of Multi-
channel Image Processing Filters”. IEEE Trans. on Image Processing, 2(4):528–534, Oct. 1993.
[47] P. E. Trahanias şi A. N. Venetsanopoulos. “Vector Order Statistics Operators as Color Edge
Detectors”. IEEE Trans. on Systems, Man and Cybernetics, B, 26(1):135–143, Feb. 1996.
[48] C. Vertan. Prelucrarea şi Analiza Imaginilor. Ed. Printech, Bucureşti, 1999.
[49] C. Vertan, V. Buzuloiu, M. Malciu, şi T. Zaharia. “Color Image Enhancement by Cluster Filter-
ing”. In Buletinul Ştiinţific al Universităţii Politehnica Timişoara, vol. 41, pp. 210–213, Timişoara,
Romania, 26-27 Sept. 1996.
[50] C. Vertan şi C. Geangălă. “Fuzzy Unsupervised Clustering for Color Image Filtering”. In Proc.
of EUFIT 1996, vol. 3, pp. 1750–1753, Aachen, Germany, 2-5 Sept. 1996.
[51] C. Vertan, C. I. Vertan, şi V. Buzuloiu. “Fuzzy Developments of Multichannel Filters”. In

L. C. Jain, editor, Conventional and Knowledge-Based Intelligent Electronic Systems, vol. 2, pp.
488–492. IEEE Press, New York, 1997.
[52] F. M. Wahl. Digital Image Signal Processing. Artech House, Boston, 1987.
28
[53] X. Yang şi P. S. Toh. “Adaptive Fuzzy Multilevel Median Filter”. IEEE Trans. on Image
Processing, 4(5):680–682, May 1995.
[54] L. Zadeh. “Fuzzy Sets”. Information and Control, 8:338–353, 1965.
[55] P. Zamperoni. “Image Enhancement”. Advances in Imaging and Electron Physics, 92:1–77, 1995.
[56] H. J. Zimmermann. Fuzzy Sets, Decision Making and Expert Systems. Kluwer Academic Publ.,
Boston MA, 1987.
29

Filtre

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

Filtre

Încărcat de

Drepturi de autor:

Formate disponibile

Capitolul 1

FILTRAREA NELINIARĂ BAZATĂ

1.1 Filtrări de ordine prin ordonare lexicografică

1.1.1 Ordonarea lexicografică ı̂n spaţiul primar

1.1.2 Ordonarea lexicografică ı̂n spaţiul perceptual

• ordonarea marginală (descrisă ı̂n secţiunea 1.2.1)

• ordonarea condiţională (descrisă ı̂n secţiunea 1.2.2)

• ordonarea parţială (descrisă ı̂n secţiunea 1.2.3)

• ordonarea redusă (descrisă ı̂n secţiunea 1.2.4)

1.2.1 Ordonarea marginală

L-filtre vectoriale bazate pe ordonare marginală

1.2.2 Ordonarea condiţională

1.2.3 Ordonarea parţială

1.2.4 Ordonarea redusă

Ordonare bazată pe distanţe

si = (xi − xf ix )T A−1 (xi − xf ix ) (1.8)

xV M F = arg min {si } (1.10)

kxk2 = 0.9398 |x|(1) + 0.3893 |x|(2) + 0.2987 |x|(3) .

Ordonare bazată pe orientare unghiulară

şi medianul direcţional se defineşte ca:

xV DF = arg min {si } (1.13)

Ordonare bazată pe distanţe şi orientare unghiulară

Ordonare bazată pe curbe de umplere a spaţiului

FILTRAREA NELINIARĂ FĂRĂ

2.1 Filtre dependente de distanţă

2.1.1 Folosirea distanţei euclidiene dintre vectori

dj = kxmedie − xj k + kxmedian − xj k + kxcentru − xj k (2.9)

unde dj este distanţa euclidiană agregată din (2.5).

si = (xi − xmed )T C−1 (xi − xmed )

Funcţia K : Rp −→ R este nucleul de estimare (funcţie pozitivă, centrată pe 0, de arie unitară a

2.3 Filtrarea cu vecinătăţi adaptive

2.4 Filtrarea prin tehnici de clustering

2.5 Integrarea logicii vagi ı̂n adaptarea filtrelor

A γ B = (A ∩ B)1−γ (A ∪ B)γ (2.16)

y = median(min(zi ), max(zi ), f ) (2.19)

Determinarea partiţiei ı̂nseamnă determinarea coeficienţilor de apartenenţă a vectorilor la clase, prin

Modelul fuzzy posibilist se bazează pe modificarea interpretării gradului de apartenenţă. Pentru

Probabilitatea de degradare a unui

Procent de zgomot Probabilitate de degradare a pixelilor

[20] D. G. Karakos şi P. E. Trahanias. “Generalized Multichannel Image-Filtering Structures”. IEEE

[24] V. Koivunen şi S. A. Kassam. “Covariance Estimation in Multivariate OS-Filtering”. In Proc.

[26] R. Krishnapuram şi J. M. Keller. “A Possibilistic Approach to Clustering”. IEEE Trans. on

[27] W. J. Krzanowski. Principles of Multivariate Analysis: A User‘s Perspective. Clarendon Press,

[30] J. O’Rourke. Computational Geometry in C. Cambridge University Press, Cambridge, 1995.

[32] R. B. Paranjape, T. F. Rabie, şi R. M. Rangayyan. “Image Restauration by adaptive-

[35] K. N. Plataniotis, D. Androutsos, şi A. N. Venetsanopoulos. “Nearest Neighbour Multichannel

[36] K. N. Plataniotis, D. Androutsos, şi A. N. Venetsanopoulos. “Color Image Processing Using

[37] K. N. Plataniotis, D. Androutsos, şi A. N. Venetsanopoulos. “Multichannel Filters for Image

[38] K. N. Plataniotis, N. Androutsos, şi A. N. Venetsanopoulos. “Color Image Processing Using

[39] R. M. Rangayyan, M. Ciuc, şi F. Faghih. “Adaptive-neighborhood filtering of images corrupted

[41] B. Reusch. “Mathematics of Fuzzy Logic”. In H. J. Zimmermann, D. Dascălu, şi M. G. Negoiţă,

[42] R. Sedgewick. Algorithms in C++. Addison Wesley, Reading, MA, 1992.

[51] C. Vertan, C. I. Vertan, şi V. Buzuloiu. “Fuzzy Developments of Multichannel Filters”. In

[54] L. Zadeh. “Fuzzy Sets”. Information and Control, 8:338–353, 1965.

S-ar putea să vă placă și