Filtre Liniare de Netezire

LIMITARILE FILTRARII LINIARE A
IMAGINILOR
1
Filtrarea liniara de netezire
Scop - Reducerea efectelor zgomotului aditiv, de tip Gaussian

suprapus imaginii.
f (l , c)  f 0 (l , c)  z (l , c)
ZAGA :

z (l , c)  N 0,  2

fz  0
filtru
mediere
3x3
2
Dar daca se schimba modelul de zgomot ?
Zgomot impulsiv
Valorile anumitor pixeli ai imaginii sunt inlocuite de valorile

extreme ale nivelelor de gri : 0 si L-1.
Aparenta vizuala este de imprastiere a unor puncte negre si albe

peste imagine: zgomot “sare si piper” (salt and pepper).
 0, cu probabilitate p / 2

f (l , c)   L - 1, cu probabilitate p / 2
 f (l , c), cu probabilitate 1 - p
 0
p = 0.05
3
Zgomot impulsiv
filtru
mediere
efect de manjire a
imaginii (smearing)
rezultat dorit
al filtrarii
4
Zgomot impulsiv
Va trebui determinata o alta metoda de combinare a

valorilor din imagine prin care sa se poata determina
prezenta/ absenta impulsurilor de zgomot.
Compararea valorii pixelului prelucrat cu 0/ L-1 NU este

o solutie ....
Solutia este gasirea unei metode de combinare neliniara

a valorilor din imagine.
5
FILTRAREA NELINIARA
A IMAGINILOR
C. VERTAN
6
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR
Operatori de vecinatate
coloana T coloana
c c
linia linia
l l
V
imagine initiala f imagine prelucrata g

g ( l ,c )  T f V( l ,c ) 
Noua valoare a oricarui pixel din imaginea prelucrata rezulta din
combinarea unui numar oarecare de valori ale pixelilor din imaginea
initiala, situati in vecinatatea pixelului curent prelucrat.
C. VERTAN
7
Operatori de vecinatate

g ( l ,c )  T f V( l ,c ) 
Definirea transformarii implica specificarea:
vecinatatii pixelului curent prelucrat, V(l,c)
functiei de combinare a valorilor extrase din imagine, T
Functii de combinare (transformari)

liniare
neliniare intrinsec neliniare
neliniare ca efect al adaptarii
Operatia de vecinatate poate fi scrisa deci ca:
g (l , c)  T  f l  m1 , c  n1 , f l  m2 , c  n2 ,..., f l  mK , c  nK 
C. VERTAN
8
Echivalent: “Fereastra glisanta”
Vecinatatea folosita este o fereastra (deschidere) intr-un suport opac
plasat in fata imaginii; din imagine nu se vede dacat portiunea ce
corespunde ferestrei plasate in pozitia curenta.
Fereastra este glisata (“plimbata”) peste intreaga imagine, punct

cu punct.
imagine initiala imagine prelucrata

C. VERTAN
9
Filtrarea neliniara
Orice filtru neliniar este deci definit de:
vecinatatea folosita, V
functia [neliniara] de combinare a valorilor
Ce fel de functii neliniare se pot aplica ?

min, max, log, exp, putere, ...
altele ?
Tipuri de filtre neliniare
Corespund celor doua tipuri de efecte esentiale dorite:
cresterea uniformitatii in interiorul regiunilor netezire
cresterea contrastului pe frontierele regiunilor contrastare
C. VERTAN
10
Filtrare neliniare de ordonare
Este ordonarea neliniara ?
Da, principiul superpozitiei nu este respectat.
T (f  g )  T ( f )  T ( g )
Ex: Fie  ,   1 si T operatorul de ordonare
f = (2,1,3) T(f) = (1,2,3)
g = (1,3,2) T(g) = (1,2,3)
f+g = (3,4,5) T(f)+T(g) = (2,4,6)
T(f+g) = (3,4,5)
Cum ar folosi ordonarea pentru a elimina impulsurile de zgomot ?
Impulsurile de zgomot au valori extreme (0 sau L-1); tot ceea
ce trebuie facut este alegerea unor valori cat mai departate
de aceste extreme.
C. VERTAN
11
Exemplu: 100 255 120 impuls de
0 157 128 zgomot
145 0 145
ordonare crescatoare
0, 0, 100, 120, 128, 145, 145, 157, 255
O valoare corecta trebuie impulsurile de zgomot

sa fie situata cat mai departe sunt la capetele sirului
de capetele afectate de zgomot. de valori ordonate
C. VERTAN
12
Valorile selectate de fereastra de filtrare sunt x1, x2, ..., xK.
Dupa ordonare avem: x(1)  x( 2 )  ...  x( K )

x(i) este statistica de ordine de ordin “i”
x(1) este valoarea minima
x(K) este valoarea maxima
{x(i)} sunt aceleasi valori ca si {xi}, dar in alta ordine.
C. VERTAN
13
Filtrul median
Valoarea de iesire a filtrului median este valoare
situata in centrul secventei ordonate – statistica mediana.
 x K 1  , daca K impar
Iesirea filtrului median este:  
 2 


y  1  
  x K   x K  , daca K par
 2   2   2 1  
Ex. K=5 Ex. K=3

x(1) x(2) x(3) x(4) x(5) x x x
(K+1) / 2 = 2 (1) (2) (3)
(K+1) / 2 = 3
median median
Ex. K=4
x(1) x(2) x(3) x(4)
(K+1) / 2 = 2,5
14 median ?
Filtrul median
Ex. de aplicare in cazul 1-D, cu fereastra centrata de lungime K=3
Medianul este statistica de ordine de ordin 2.
0 1 1 3 1 3 2 3 3 2 1 1
0, 0, 1
extragere valori
ordonare
0, 0, 1
median
0
C. VERTAN
15
Filtrul median
0 1 1 3 1 3 2 3 3 2 1 1
0, 1, 1
extragere valori
ordonare
0, 1, 1
median
1
0 1
C. VERTAN
16
Filtrul median
0 1 1 3 1 3 2 3 3 2 1 1
1, 1, 3
extragere valori
ordonare
1, 1, 3
median
1
0 1 1
C. VERTAN
17
Filtrul median
0 1 1 3 1 3 2 3 3 2 1 1
1, 3, 1
extragere valori
ordonare
1, 1, 3
median
1
0 1 1 1
C. VERTAN
18
Filtrul median
0 1 1 3 1 3 2 3 3 2 1 1
3, 1, 3
extragere valori
ordonare
1, 3, 3
median
3
0 1 1 1 3
C. VERTAN
19
Filtrul median
0 1 1 3 1 3 2 3 3 2 1 1
1, 3, 2
extragere valori
ordonare
1, 2, 3
median
2
0 1 1 1 3 2
C. VERTAN
20
Filtrul median
0 1 1 3 1 3 2 3 3 2 1 1
3, 2, 3
extragere valori
ordonare
2, 3, 3
median
3
0 1 1 1 3 2 3
C. VERTAN
21
Filtrul median
0 1 1 3 1 3 2 3 3 2 1 1
2, 3, 3
extragere valori
ordonare
2, 3, 3
median
3
0 1 1 1 3 2 3 3
C. VERTAN
22
Filtrul median
0 1 1 3 1 3 2 3 3 2 1 1
2, 3, 3
extragere valori
ordonare
2, 3, 3
median
3
0 1 1 1 3 2 3 3 3
C. VERTAN
23
Filtrul median
0 1 1 3 1 3 2 3 3 2 1 1
3, 2, 1
extragere valori
ordonare
1, 2, 3
median
2
0 1 1 1 3 2 3 3 3 2
C. VERTAN
24
Filtrul median
0 1 1 3 1 3 2 3 3 2 1 1
2, 1, 1
extragere valori
ordonare
1, 1, 2
median
1
0 1 1 1 3 2 3 3 3 2 1
C. VERTAN
25
Filtrul median
0 1 1 3 1 3 2 3 3 2 1 1
1, 1, 0
extragere valori
ordonare
0, 1, 1
median
1
0 1 1 1 3 2 3 3 3 2 1 1
C. VERTAN
26
Filtrul median
semnal filtrat median

semnal initial
inlaturarea tranzitiilor abrupte (de zgomot)
pastrarea tranzitiilor “legitime”

C. VERTAN
27
Filtrul median: Proprietati
NU este un filtru liniar !

Elimina zgomotul impulsiv de tip sare si piper.
Comuta cu orice functie monotona aplicata valorilor prelucrate:

median  g ( x 1 ), g ( x 2 ),..., g ( x K )   g  median  x 1 , x 2 ,..., x K 
Admite semnale radacina (semnale ce nu sunt modificate prin

filtrare): semnalele radacina ale unui filtru median de lungime K
sunt secvente monotone de lungime cel putin K.
Portiunile monotone din semnal nu sunt modificate
(platouri constante, tranzitii suficient de lungi).
Semnalele radacina se obtin prin filtrarea repetata a
unor semnale initiale oarecari.
C. VERTAN
28
Strapungerea filtrului median (un impuls de zgomot din fereastra

de filtrare se regaseste la iesirea filtrului):
statisticile ... ...

de ordine x(1) x(2) x((K+1)/2) x(K-1) x(K)
(K-1)/2 median (K-1)/2

valori valori
Impulsurile de zgomot, de valoare 0 sau L-1, se regasesc la
capetele secventei de statistici de ordine.
Cand este statistica centrala (mediana) un impuls de zgomot ?
Cel putin (K+1)/2 impulsuri de zgomot de acelasi fel

C. VERTAN
29
Valoarea de iesire a filtrului median de lungime impara este

intotdeauna o valoare existenta in semnalul initial.
(spre deosebire de filtrarea liniara, unde combinatia liniara

ponderata producea valori noi).
Continutul (valorile) semnalului nu se modifica
median
3x3
C. VERTAN
30
Filtrul median: Proprietati deterministe
 Elimina complet un impuls izolat

 Raspuns ideal la treapta ideala
 Un impuls langa un front determina o shiftare a frontului
 Durata maxima a unui impuls complet eliminat de un filtru
median depinde de lungimea filtrului
 Semnalele ce trec neschimbate=semnale radacina.
Conditia: “monotonia locala sa fie de ordin k+1 pt filtru de
lungime 2k+1
 existenta semnalelor radacina e legata de faptul ca iesirea
filtrului median este totdeauna unul din esantioanele din
fereastra curenta de la intrare; aceasta provoaca
dezavantajul filtrului median de a produce regiuni de nivel
constant numite “streaks”. In procesarea de imagini forma
31 acestor blocuri depinde de forma ferestrei de filtrare
deterministe
 Efectul formei ferestrei de filtrare in cazul filtrului
median bidimensional
 Exp de masti:
32
Exemple cu filtrare mediana cu
masti de diferite forme
orig vertical orizontal
50 50 50
100 100 100
150 150 150
200 200 200
250 250 250

50 100 150 200 250 50 100 150 200 250 50 100 150 200 250
patrat
50
100
150
200
250
50 100 150 200 250
33
Extinderi ale filtrului median
1. Filtrul median separabil
Prelucrarea bidimensionala
+ este inlocuita cu doua
prelucrari succesive 1D, dupa
directii perpendiculare.
+
D.p.d.v matematic, rezultatele nu sunt identice.
C. VERTAN
34
2. Filtre de ordine (rank-order filters)
rank j  x 1 , x 2 ,..., x K   x ( j ) , j  1 ,..., K

Iesirea filtrului de ordine de ordin j este statistica de ordine de
ordin j a setului de valori selectate din semnalul de intrare.
In particular, pentru j=1 avem filtrul de minim, pentru j=K avem

filtrul de maxim, pentru j=(K+1)/2 avem filtrul median.
Rangul j este un factor de reglaj suplimentar.
C. VERTAN
35
3. Filtre de ordine multietaj
Succesiune de filtre de ordine de diferite ranguri
median
median
median
min/
median median
max
median
pixel
curent
median
C. VERTAN
36
4. Filtre de ordine ponderate
Scop ponderare: marirea importantei relative a unei valori extrase

dintr-o anumita pozitie a ferestrei de filtrare (vecinatate) fata de
restul valorilor extrase.
Ponderarea nu se poate face prin inmultire cu scalari, ca in cazul liniar.
Ponderare = repetare valori
Coeficientul wi atasat unei pozitii din fereastra de filtrare semnifica

faptul ca valoarea extrasa din acea pozitie este repetata de wi ori
inainte de ordonare.
xi wi 
C. VERTAN
37
4. Filtre de ordine ponderate: exemplu
masca de ponderare zona curent prelucrata in imagine
1 2 1  1 3 3
   
W   2 3 2 I   2 2 1
1 2 1  4 3 5
   
Construire set valori extrase (multiset)
1 3 3 3 2 2 2 2 2 1 1 4 3 3 5 Fara ponderare:
Construire set ordonat de valori 1 1 2 2 3 3 3 4 5

11 12 2 2 2 2 3 3 3 3 3 4 5
median
median
C. VERTAN
38
4. Filtre de ordine ponderate
Evident, ponderile wi sunt numere naturale wi  N

Fara ponderare inseamna wi  1
K
Dupa ponderare numarul de valori de ordonat devine w
i 1
i
Filtru de ordine central ponderat: toate ponderile sunt unitare,

cu exceptia ponderii asociate originii ferestrei de filtrare (ce
corespunde pixelului curent prelucrat in imagine).
C. VERTAN
39
Mai general : L-filtre
Un L-filtru este o combinatie liniara ponderata a statisticilor de

ordine corespunzand valorilor extrase din imagine.
K
L  filt x1 , x2 ,..., xK    wi x(i )
i 1
Particularizari:
1, i  j
filtru de ordine de rang j : wi     ij
0, i  j
1
filtru de mediere aritmetica: wi 
K
... altele ... dar cu ce scop ?
C. VERTAN
40
Mai general : L-filtre
Tipuri de L-filtre:
netezire : reducerea zgomotului suprapus imaginii
accentuare/ conturare/ derivare : subliniere tranzitii
Conditiile de normare corespunzatoare tipurilor de filtre sunt

similare filtrelor liniare:
K
netezire: w
i 1
i 1
K
derivare: w
i 1
i 0
C. VERTAN
41
L-filtre de netezire: adaptare la distributia zgomotului
Zgomot Filtru
Impulsiv Median w K 1  1
2
Gaussian, 1
Mediere wi 
aditiv K
 1
Impulsiv + Medie  , i  K  1, K  K 
Gaussian - reglabila wi   K(1 - 2 )
0, in rest   0, ( K  1) /( 2 K )
Uniform Mijloc w1  wK  0.5
Impulsiv + Cvasi-mijloc w j  wK  j  0.5

uniform
C. VERTAN
42
L-filtre de derivare: exemplu
w1  1
wK  1
L  filt  max min
43
Filtre de ordonare de domeniu
LUM – Lower, Upper, Middle filters
Filtru LUM de netezire

 x( j ) , x*  x( j )
 * K 1
LUM j   x( K  j 1) , x  x( K  j 1) j  1,...,
2
x* e valoarea pixelului curent  *
 x , in rest
Filtru LUM de conturare
 * x( j )  x( K  j 1)
 x( j ) , x( j )  x  2
 x( j )  x( K  j 1)

LUM j   x( K  j 1) ,  x*  x( K  j 1)
*  2
x e valoarea pixelului curent x *
, in rest
K 1

j  1,...,
2

C. VERTAN
44
Calculul distributiei statisticilor de ordine
C. VERTAN
45
Valorile selectate de fereastra de filtrare sunt x1, x2, ..., xK.
Dupa ordonare avem: x(1)  x( 2 )  ...  x( K )
Presupunem ca valorile extrase din imagine sunt independente si

identic distribuite (iid).
Functiile de densitate de probabilitate (si functiile de repartitie)

ale variabilelor aleatoare “pixel din vecinatate” sunt aceleasi.
Fie: f(x) functia de densitate de probabilitate si

F(x) functia de repartitie
C. VERTAN
46
Pentru orice variabila aleatoare, probabilitatea ca valorile acesteia
sa fie cuprinse intr-un interval [t, t+dt] este f(t)dt.
Daca valorile xi selectate de fereastra de filtrare sunt realizari

particulare ale unor variabile aleatore, atunci si statisticile de ordine
corespunzatoare, x(i), sunt realizari particulare ale unor variabile
aleatore.
Ne intereseaza functia de densitate de probabilitate (sau functia

de repartitie) a unei variabile aleatoare de tipul “statistica de ordine
de ordin k (fixat)”, fk(x).
C. VERTAN
47
Evenimentul de interes pentru care dorim calculul probabilitatii
de aparitie este deci
t  rank k x1 , x2 ,..., xK   t  dt
t  x( k )  t  dt
Probabilitatea acestui eveniment este f k (t )dt

Putem insa exprima evenimentul de interes tinand cont de
toate statisticile de ordine, nu numai de statistica de ordine de
ordin k.
x(1)  ...  x( k 1)  t  x( k )  t  dt  x( k 1)  ...  x( K )
k-1 statistici de ordine K-k statistici de ordine

C. VERTAN
48
Dar ce sunt statisticile de ordine x(i) ? Nimic altceva decat valorile
initiale xi considerate intr-o alta ordine.
Aceasta se poate exprima ca o permutare a indicilor “i” a valorilor,

de la {1, 2, ..., K} la {i1, i2, ..., iK}.
Atunci inegalitatea
x(1)  ...  x( k 1)  t  x( k )  t  dt  x( k 1)  ...  x( K )
devine
xi1 , xi2 ,..., xik  t  xik  t  dt  xik 1 ,..., xiK
k-1 valori K-k valori

C. VERTAN
49

Probabilitatea cautata este deci probabilitatea ca:
k-1 valori (distribuite dupa f(x)) sa fie mai mici ca t
1 valoare (distribuita dupa f(x)) sa fie intre t si t+dt
K-k valori (distribuite dupa f(x)) sa fie mai mari ca t+dt
Probabilitatea ca o valoare xij sa fie mai mica decat t este :

F (t )
Probabilitatea ca o valoare xij sa fie mai mare decat t+dt este :
1  F (t  dt )  1  F (t )
C. VERTAN
50
Probabilitatea unui eveniment de tipul
este atunci
(t )  f (t )dt  1  F (t ) 
k 1 K k
F
Dar cate evenimente de acest tip pot fi realizate ?
am K moduri de alege o valoare din cele K pentru statistica cautata,
de ordin k.
la fiecare dintre modurile a alege o valoare pentru x(k) trebuie
alese k-1 valori din cele K-1 ramase pentru statisticile de ordin mic
k 1 ( K  1)!
C K 1 
51 ( K  k )!(k  1)!
In “total”, probabilitatea evenimentelor de tipul
este deci
(t )  f (t )dt  1  F (t ) 
k 1 k 1 K k
KC K 1 F
si este, de fapt: f k (t )dt
Atunci: f k (t )  KC k 1
K 1 F k 1

(t ) 1  F (t ) K k
f (t )
(functia de densitate de probabilitate a valorilor statisticii de ordinul
k dintr-un set de K valori distribuite dupa f(x))
C. VERTAN
52
(t )1  F (t ) 
k 1 k 1 K k
f k (t )  KC K 1 F f (t )
Ex.: K=3, k=2 (median dintr-o fereastra de 3 puncte)
f 2 (t )  6 F (t )1  F (t )  f (t )
C. VERTAN
53
FILTRE STIVA
C. VERTAN
54
Filtre stiva
In contextul filtrarii neliniare, stiva este un mod echivalent de

reprezentare a valorilor discrete.
In imaginile digitale valorile sunt intregi, cu numar finit de

valori posibile ... tipic in [0, L-1] (deci L valori).
Vom trece de la reprezentarea compacta a numerelor (din forma

zecimala sau binara) in forma “extinsa”: pentru a reprezenta
numarul x voi folosi “o gramada” de x elemente.
3 5
C. VERTAN
55
Filtre stiva
“Gramada” de elemente este aranjata ca o stiva, avand un numar
de L-1 nivele (corespunzand valorii maxime ce trebuie reprezentate);
o valoare nula este reprezentata de o stiva goala.
8
7
6
5
4
3
2
1
3 0 5 8
Ex.: stiva construita pentru L=9 (valoare maxima L-1 = 8)
C. VERTAN
56
Filtre stiva
Reprezentarea de tip stiva poate fi exprimata in felul urmator:
notand cu Sk(x) valoarea de pe nivelul k al stivei, corespunzand
reprezentarii numarului x, avem :
1, x  k
S k ( x)   , cu k  1,2,..., L  1
 0, rest
x=3 S1 (3)  S 2 (3)  S3 (3)  1

L=9 S 4 (3)  S5 (3)  S 6 (3)  S 7 (3)  S8 (3)  0
Trecerea de la reprezentarea stiva la reprezentarea zecimala:

L 1
x   S k ( x)
k 1
C. VERTAN
57
Filtre stiva
Un nivel oarecare al stivei este format numai din valori binare,
deci, la nivelul intregii imagini, vom avea o imagine binara.
Teoretic aceasta imagine binara este usor de prelucrat (dpdv
complexitate).
Idee : o imagine este reprezentata ca stiva, este prelucrata la fiecare

nivel si apoi este recompusa.
filtrare identica pe fiecare nivel al stivei
descompunere
imagine
imagine
stiva de recompunere
reprezentare C. VERTAN
58
Filtre stiva
Filtrul median
recompunere valoare
Ex. : L=4, K=5
0, 0, 1, 0, 0 0
1, 0, 1, 0, 0 0 1
2, 1, 3, 1, 1
1, 1, 1, 1, 1 1
K valori extrase 2 1 3 1 1 filtrare mediana pe
de fereastra de
stiva fiecare nivel din
filtrare
stiva
Rezultatul filtrarii stiva este echivalent cu cel al filtrului realizat

pe fiecare nivel.
C. VERTAN
59
Filtre median binar
Este un filtru “de majoritate”
Ex. K=3
Tabel de adevar al functiei median binar

I1 I2 I3 M
0 0 0 0
0 0 1 0
0 1 0 0 M = I1I2 + I2I3 + I3I1
0 1 1 1
1 0 0 0
1 0 1 1
1 1 0 1
1 1 1 1
C. VERTAN
60
Filtre stiva
Filtrul median
1, x ( n )  k
xk ( n )   , cu k  1,2,..., L  1
 0, rest
L 1
x ( n )   xk ( n )
k 1
yk  f ( xk ( n  1), xk ( n ), xk ( n  1))
yk  xk ( n  1) xk ( n )  xk ( n ) xk ( n  1)  xk ( n  1) xk ( n  1)
L 1
y ( n )   yk ( n ) cu y k  yi daca i  k
k 1
61

Filtre Liniare de Netezire

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 Liniare de Netezire

Încărcat de

Drepturi de autor:

Formate disponibile

LIMITARILE FILTRARII LINIARE A

Scop - Reducerea efectelor zgomotului aditiv, de tip Gaussian

Valorile anumitor pixeli ai imaginii sunt inlocuite de valorile

Aparenta vizuala este de imprastiere a unor puncte negre si albe

Va trebui determinata o alta metoda de combinare a

Compararea valorii pixelului prelucrat cu 0/ L-1 NU este

Solutia este gasirea unei metode de combinare neliniara

imagine initiala f imagine prelucrata g

Functii de combinare (transformari)

Operatia de vecinatate poate fi scrisa deci ca:

Fereastra este glisata (“plimbata”) peste intreaga imagine, punct

imagine initiala imagine prelucrata

Ce fel de functii neliniare se pot aplica ?

cresterea contrastului pe frontierele regiunilor contrastare

0, 0, 100, 120, 128, 145, 145, 157, 255

O valoare corecta trebuie impulsurile de zgomot

Dupa ordonare avem: x(1)  x( 2 )  ...  x( K )

{x(i)} sunt aceleasi valori ca si {xi}, dar in alta ordine.

Ex. K=5 Ex. K=3

semnal filtrat median

inlaturarea tranzitiilor abrupte (de zgomot)

pastrarea tranzitiilor “legitime”

NU este un filtru liniar !

Comuta cu orice functie monotona aplicata valorilor prelucrate:

Admite semnale radacina (semnale ce nu sunt modificate prin

Strapungerea filtrului median (un impuls de zgomot din fereastra

statisticile ... ...

(K-1)/2 median (K-1)/2

Cand este statistica centrala (mediana) un impuls de zgomot ?

Cel putin (K+1)/2 impulsuri de zgomot de acelasi fel

Valoarea de iesire a filtrului median de lungime impara este

(spre deosebire de filtrarea liniara, unde combinatia liniara

Continutul (valorile) semnalului nu se modifica

 Elimina complet un impuls izolat

orig vertical orizontal

100 100 100

150 150 150

200 200 200

250 250 250

D.p.d.v matematic, rezultatele nu sunt identice.

rank j  x 1 , x 2 ,..., x K   x ( j ) , j  1 ,..., K

In particular, pentru j=1 avem filtrul de minim, pentru j=K avem

Rangul j este un factor de reglaj suplimentar.

Scop ponderare: marirea importantei relative a unei valori extrase

Ponderarea nu se poate face prin inmultire cu scalari, ca in cazul liniar.

Ponderare = repetare valori

Coeficientul wi atasat unei pozitii din fereastra de filtrare semnifica

Construire set ordonat de valori 1 1 2 2 3 3 3 4 5

Evident, ponderile wi sunt numere naturale wi  N

Filtru de ordine central ponderat: toate ponderile sunt unitare,

Un L-filtru este o combinatie liniara ponderata a statisticilor de

... altele ... dar cu ce scop ?

accentuare/ conturare/ derivare : subliniere tranzitii

Conditiile de normare corespunzatoare tipurilor de filtre sunt

Uniform Mijloc w1  wK  0.5

Impulsiv + Cvasi-mijloc w j  wK  j  0.5

Filtru LUM de netezire

Dupa ordonare avem: x(1)  x( 2 )  ...  x( K )

Presupunem ca valorile extrase din imagine sunt independente si

Functiile de densitate de probabilitate (si functiile de repartitie)

Fie: f(x) functia de densitate de probabilitate si

Daca valorile xi selectate de fereastra de filtrare sunt realizari

Ne intereseaza functia de densitate de probabilitate (sau functia