Sunteți pe pagina 1din 18

3/27/2018

FILTRAREA ADAPTIVA
A IMAGINILOR

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

De ce adaptiv ?

mediere
aritmetica

detalii, contururi
afectate

Medierea
M di nu ar trebui
t b i aplicata
li t ini zonele
l de
d
contur sau cu multe detalii.

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

1
3/27/2018

Adaptare
Adaptare = modificarea parametrilor de definitie a unei prelucrari
in functie de conditiile locale (din jurul punctului curent prelucrat),
pentru fiecare pozitie din imaginea de prelucrat.

Potential putem obtine ca urmare a adaptarii cate un filtru diferit


pentru fiecare pixel din imagine, pornind de la o aceeasi structura
de filtrare de baza.

Adaptarea impune existenta unui mod de masurare cantitativa,


obiectiva, a efectelor de prelucrare (dorite sau nedorite) induse
in imagine in functie de parametrii ce definesc filtrele.

Deducerea parametrilor filtrelor se fac prin minimizarea unor


masuri de tip eroare.
C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Ce se poate schimba la un filtru ?

Vecinatate (forma ferestrei de filtrare).


Coeficientii (ponderile) corespunzatoare functiei
d combinare
de bi a valorilor.
l il

Orice s-ar modifica in filtru de la o pozitie la alta,


prelucrarea globala rezultata nu mai este invarianta
spatial si deci va fi neliniara.
spatial, neliniara

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

2
3/27/2018

Adaptarea formei ferestrei de filtrare


(vecinatatii)

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Adaptarea formei ferestrei de filtrare

Filtrarea de netezire este evaluata prin diferentele introduse fata


de imaginea care se filtreaza; daca diferentele dintre imaginea
filtrata si cea dinainte de filtrare sunt prea mari este posibil ca
fil l de
filtrul d netezire
i sa fi incetosat
i contururii din
di imagine.
i i

Presupunerea colaterala este ca zgomotul este mai slab decat


contururile imaginii si variatiile datorate zgomotului sunt mai
mici decat variatiile dintre valorile regiunilor alaturate.

Implementarea acestei categorii de filtre foloseste un “comutator”


a mai multe valori posibile de dupa filtrare, corespunzand unor
praguri de acceptare a variatiilor.

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

3
3/27/2018

Adaptarea formei ferestrei de filtrare


1. Comutare mediere/ trece-tot

Fie f imaginea zgomotoasa si g imaginea filtrata.

⎧⎪ f (l , c), daca f (l , c) − f (l , c) < T


g (l , c) = ⎨
⎪⎩ f (l , c), altfel
Valoarea noua a unui pixel este media aritmetica a valorilor din
vecinatatea sa numai daca aceasta valoare nu este prea diferita de
valoarea initiala.

Echivalent, putem spune ca comutarea se face intre un filtru de


mediere cu vecinatate V si un filtru de mediere cu vecinatate
formata doar din punctul curent prelucrat.
C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Exemplu filtru mediere


SNR = 21.5 dB

filtru adaptiv
SNR = 19 dB

T = 13
imagine cu zgomot se folosesc 50%
SNR = 17.3 dB din pixelii
filtrati

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

4
3/27/2018

rezultatul filtrarii puncte in care se foloseste


medierea
C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Adaptarea formei ferestrei de filtrare


2. Filtre liniare orientate
Se foloseste un set de vecinatati orientate dupa diferite directii.
Fie gi rezultatul filtrarii dupa vecinatatea Vi, orientata pe directia θi.

Ex.
V1 V2 V3 V4

g (l , c) = g k (l , c), unde k = arg min{ f (l , c) − g i (l , c) }


i
θk este directia dupa care netzirea este cea
mai “moale”, introducand diferente minime
fata de imaginea de prelucrat

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

5
3/27/2018

In mod ideal fereastra de filtrare de netezire trebuie sa fie


paralela cu conturul local, astfel incat sa selecteze valori
situate din interiorul unei singure regiuni.

fereastra de filtrare izotropa,


strica conturul

fereastra de filtrare liniara


perpendiculara pe contur,
strica conturul

fereastra de filtrare liniara


paralela cu conturul,
nu strica conturul

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Exemplu filtru mediere


SNR = 21.5 dB

filtru adaptiv

SNR = 19.9 dB

imagine cu zgomot
SNR = 17.3 dB

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

6
3/27/2018

original zgomotos filtrat harta de orientari

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Adaptarea formei ferestrei de filtrare


3. Filtrul Nagao

Se foloseste un set de vecinatati orientate dupa diferite directii.

V1 V2 V3 V4

V9

V5 V6 V7 V8

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

7
3/27/2018

Adaptarea formei ferestrei de filtrare


3. Filtrul Nagao

Fie gi rezultatul filtrarii dupa vecinatatea Vi.


Fie σ2i varianta valorilor din vecinatatea Vi.

g (l , c) = g k (l , c), unde k = arg min σ i2


i
{ }
Vk este vecinatatea pentru care netzirea este cea mai “moale”,
introducand diferente minime fata de imaginea de prelucrat,
pentru ca este vecinatatea cea mai uniforma (in care valorile
selectate sunt cele mai similare intre ele).

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Adaptarea coeficientilor (parametrilor)


functiilor de combinare a valorilor

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

8
3/27/2018

Adaptarea filtrelor liniare


Modificarea coeficientilor filtrului in functie de valorile imaginii,
in fiecare punct (deci in fiecare pixel operatia de prelucrare va fi
realizata de un filtru potential diferit).

Urmareste reducerea efectului de blur in zonele de contur.

Exemplu clasic : filtrul Lee


(LLMMSE - Locally Linear Minimal Mean Squared Error)

Idee : imaginea filtrata se construieste ca o combinatie liniara


convexa a imaginii originale (dar posibil degradate) si a imaginii
obtinute prin medierea aritmetica in fiecare pixel a valorilor
din imaginea originala.
g = α f + (1 −α ) f
C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Filtrul Lee
g = α f + (1 −α ) f LLMMSE
zgomot alb, aditiv, necorelat cu imaginea
f = f0 + z z = 0 , f0 z = 0
g = α f 0 + z + ( 1 − α )( f 0 + z ) = α f 0 + ( 1 − α )( f 0 + z )
Eroarea de aproximare a imaginii corecte f0 prin imaginea filtrata g :
ε = f0 − g = α ( f 0 − f 0 ) − ( 1 − α )z
Eroarea patratica medie va fi :

(
ε 2 = α ( f 0 − f 0 ) − ( 1 − α )z )
2

ε 2 = α 2 ( f 0 − f 0 )2 + ( 1 − α )2 z 2 − 2α ( 1 − α )( f 0 − f 0 )z
ε 2 = α 2σ 2f0 + ( 1 − α )2 σ z2
C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

9
3/27/2018

Filtrul Lee
Minimizarea erorii patratice medii inseamna :
LLMMSE
∂ε 2
=0
∂α
∂ε 2 σ z2
= 2ασ 2f0 − 2( 1 − α )σ z2 = 0 α=
∂α σ 2f0 + σ z2

Dar f = f0 + z σ 2f = σ 2f0 + σ z2
σ z2
Atunci, echivalent, putem scrie : α= 2
σf
σ z2 σ z2
g = 2 f +(1− 2 ) f
σf σf

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Filtrul Lee
g = α f + (1 −α ) f LLMMSE
σ z2 σ z2
α= =
σ 2f0 + σ z2 σ 2f
Cazuri limita :

I. σ z2 = 0 α =0 g= f
σ z2 << σ 2f
In zonele fara zgomot sau in zonele de contur filtrul este trece-tot

II. σ z2 >> σ 2f σ z2 >> σ 2f 0 α =1 g= f


In zonele cu zgomot mare sau in zonele uniforme filtrul este trece-jos
(mediere)
C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

10
3/27/2018

Filtrul Lee
LLMMSE :
Exemplu

orig. | zg. gauss.

medie | LLMMSE

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

original zgomotos filtrare in fereastra alpha


3x3

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

11
3/27/2018

fereastra 3 x 3 fereastra 5 x 5

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Filtrul Lee cu fereastra dubla

La filtrul Lee simplu trebuie cunoscuta puterea zgomotului


aditiv care afecteaza imaginea.

Idee: folosim ppentru fiecare ppixel din imagine


g doua ferestre de
prelucrare
o fereastra de dimensiune mica, in care estimam zgomotul
o fereastra de dimensiune mai mare, in care se realizeaza
prelucrarea de tip Lee standard

presupunem ca pe zona selectata de fereastra imaginea este


in mod ideal constanta (egala cu media valorilor din vecinatate)
iar variatiile ce apar sunt induse numai de zgomotul aditiv.
C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

12
3/27/2018

Filtrul Lee cu fereastra dubla


pixel curent de prelucrat

fereastra de determinare a puterii


de zgomot

fereastra de filtrare Lee propriu-zisa

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Filtrul Bilateral

ponderile asociate punctelor din masca sunt calculate prin


suprapunerea unei ponderari gaussiene spatiale si a unei
ponderari
d i gaussine
i a valorilor
l il

adaptarea vine din ponderarea valorilor

ponderea unui punct va fi cu atat mai mare cu cat:


este situat mai aproape de centrul ferestrei de filtrare
are o valoare mai similara cu valoare pixelului curent

in fiecare pozitie, ponderile ferestrei respecta conditia de normare


de netezire

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

13
3/27/2018

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

3.4 Graphical Example Centrul


ferestrei

Vecinatatea

14
3/27/2018

3.5 The Weights


⎧⎪ ⎡Y[k] − Y[k − n]⎤2 ⎫⎪
WR [k,n] = exp ⎨ − ⎣ 2


⎪⎩ 2 σR
⎭⎪
⎧ n ⎫
2
WS [k,n] = exp ⎨− 2 ⎬
⎩ 2σ S ⎭

bilateral 11 x 11
sigma_s = 7
sigma_v = 100

bilateral 11 x 11 medie 11 x 11
sigma_s = 2
sigma_v = 100

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

15
3/27/2018

bilateral 11 x 11
sigma_s = 2
sigma_v = 300

bilateral 11 x 11 medie 11 x 11
sigma_s = 2
sigma_v = 100

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Adaptarea filtrelor intrinsec neliniare

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

16
3/27/2018

Filtrul de ordine

Determinarea automata a rangului statisticii de ordine ce va fi


folosita ca iesire a filtrului de ordonare.

[Zamperoni] Daca filtrul de ordine are o fereastra de filtrare


cu K elemente, ordinul statisticii este:

⎡ 1 K x(i ) − x(1) ⎤
j = ⎢ +∑ ⎥
⎢⎣ 2 i =1 x( K ) − x(1) ⎥⎦
g (l , c) = rank j {x1 , x2 ,..., xK }

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Exemplu ⎡ K

⎢ 1 ∑ xi − K min{xi } ⎥
⎡ 1 K x( i ) − x(1) ⎤ j = ⎢ + i =1 ⎥
j = ⎢ +∑ ⎥ Echivalent :
⎢ 2 max{xi } − min{xi } ⎥
⎣⎢ 2 i =1 x( K ) − x(1) ⎦⎥ ⎢⎣ ⎥⎦

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

17
3/27/2018

Accentuare : Extreme locale


⎧ x +x
⎪ x( K ) , daca f (l , c) ≥ ( K ) (1)
g (l , c) = ⎨ 2
⎪⎩ x(1) , altfel

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

18