Zgomote şi Filtre

Cezar PLESCA Zgomote si Filtre 1

Tipuri de procesări ale imaginilor
Procesare : o transformare de tipul J=f(I)
➢ Operaţii punctuale : o corespondenţă de tip “unu la
unu” între vechea şi noua valoare a nivelului de gri.

➢ Operatii locale (sau de vecinătate), prin care noua

valoare a nivelului de gri într-un pixel depinde de
pixelii din vecinătatea pixelului considerat (filtre 2D)

➢ Operatii integrale, în care noua valoare a unui pixel

este dependentă de valorile tuturor pixelilor imaginii.
Cezar PLESCA Zgomote si Filtre 2
Zgomote Clasice 2D

Cezar PLESCA Zgomote si Filtre 3

Caracterizarea zgomotelor
Zgomotul : semnal aleator, care afectează informaţia
vizuală. Surse : achiziţii/transmisii/compresii.

Moduri de alterare a imaginii cu zgomote:

➢ zgomotul aditiv : 𝑔 𝑥, 𝑦 = 𝑓 𝑥, 𝑦 + 𝑛(𝑥, 𝑦)

➢ zgomotul multiplicativ : 𝑔 𝑥, 𝑦 = 𝑓 𝑥, 𝑦 ∗ 𝑛(𝑥, 𝑦)

Zgomotul multiplicativ se poate reduce la unul aditiv,

daca se logaritmează relaţia matematică :

log 𝑔 𝑥, 𝑦 = log 𝑓 𝑥, 𝑦 + log[𝑛 𝑥, 𝑦 ]

Cezar PLESCA Zgomote si Filtre 4

Metrici pentru evaluarea distorsiunii
Signal to Noise Ratio :
σ 𝑓 𝑥, 𝑦 2
𝑆𝑁𝑅 = 10𝑙𝑜𝑔10 2
σ 𝑛 𝑥, 𝑦

Peak Signal to Noise Ratio :

max(𝑓(𝑥, 𝑦))2
𝑃𝑆𝑁𝑅 = 10𝑙𝑜𝑔10
σ 𝑛 𝑥, 𝑦 2
2552
= 10𝑙𝑜𝑔10
σ 𝑛 𝑥, 𝑦 2
Cezar PLESCA Zgomote si Filtre 5
Zgomotul cu distribuţie uniformă
Zgomotul 𝑛(𝑥, 𝑦) este modelat ca o variabilă aleatoare,
având o anumită distribuţie de probabilitate.
Zgomotul de distribuţie uniformă : 𝑛(𝑥, 𝑦) este o
variabilă uniform distribuită între A şi –A.

1
𝑑𝑝 𝜉 = ቐ2𝐴 , 𝑑𝑎𝑐𝑎 − 𝐴 ≤ 𝜉 ≤ 𝐴
0, 𝑖𝑛 𝑟𝑒𝑠𝑡

𝒈 𝒙, 𝒚 = 𝒇 𝒙, 𝒚 + 𝒏 𝒙, 𝒚 = 𝒇 𝒙, 𝒚 + 𝑨 ∗ 𝑵
N : variabilă aleatoare uniformă cuprinsă între -1 şi 1
Cezar PLESCA Zgomote si Filtre 6
Zgomote cu distribuţie uniformă

Cezar PLESCA Zgomote si Filtre 7

Zgomotul cu distribuţie normală
Zgomotul de distribuţie normală (gaussiană) : 𝑛 𝑥, 𝑦
este o variabilă cu distribuţie normală 𝑁(𝜇, 𝜎).
(𝜉−𝜇)
1 −
𝑑𝑝 𝜉 = 𝑒 2𝜎2 , 𝒈 𝒙, 𝒚 = 𝒇 𝒙, 𝒚 + 𝑨 ∗ 𝑵
2𝜋𝜎 2

N : variabilă cu distribuţie normală N(0,1) (zgomot alb)

Cezar PLESCA Zgomote si Filtre 8
Zgomote uniforme şi normale
Zgomotul gaussian produce mai puţine distorsiuni!
(mai multe valori sunt aglomerate în jurul lui 0)

Cezar PLESCA Zgomote si Filtre 9

Zgomote multiplicative
𝑛 𝑥, 𝑦 este o variabilă aleatoare de o anumită
distribuţie depinzând însă şi de semnalul 𝑓(𝑥, 𝑦).

𝒈 𝒙, 𝒚 = 𝒇 𝒙, 𝒚 + 𝑨 ∗ 𝑵 ∗ 𝒇 𝒙, 𝒚 = 𝒇 𝒙, 𝒚 ∗ (𝟏 + 𝑨𝑵)

Cezar PLESCA Zgomote si Filtre 10

Zgomotul de tip “Salt & Pepper”
Zgomotul de tip “Sare si Piper” 𝑛 𝑥, 𝑦 afectează
pixelii în două moduri :
➢ sare : înlocuirea valorii cu valoarea maximă (255)

➢ piper : înlocuirea valorii cu valoarea minimă (0)

Parametru: probabilitatea de a afecta un anumit pixel.

Ex. probabilitatea este 10% ⇒ în medie unul din 10

pixeli sunt afectați, ceilalți 9 ramânând nemodificați.

Cezar PLESCA Zgomote si Filtre 11

Zgomote de tip “Salt & Pepper”
Efectul vizual este mai pregnant decât la zgomotul
uniform/gaussian datorită discrepanței între valoarea
curentă a pixelului și valoarea de înlocuire (0/255).

Cezar PLESCA Zgomote si Filtre 12

Filtre Spaţiale Liniare

Cezar PLESCA Zgomote si Filtre 13

Filtru spaţial liniar
Operaţia de filtrare spaţială este o funcţie liniară ai
cărei parametri sunt pixelii din vecinătatea pixelului
curent (adesea reprezentată sub forma de pătrat/cerc).

Cezar PLESCA Zgomote si Filtre 14

Exemplu de filtru de netezire (blur)

Cezar PLESCA Zgomote si Filtre 15

Exemplu de filtru de contrastare

Cezar PLESCA Zgomote si Filtre 16

Exemplu de filtru de mediere
Pixelul final se obţine prin media pixelilor dintr-o
vecinătate de 3x3 pixeli din imaginea iniţială.

Cezar PLESCA Zgomote si Filtre 17

Modul de aplicare a unui filtru
H se numește nucleul sau
matricea filtrului liniar.

Cezar PLESCA Zgomote si Filtre 18

Filtrarea prin corelare
Notam cu 𝑅𝐻 regiunea pe care se defineşte filtrul H.
Pentru filtrul median, 𝑅𝐻 este −1,0,1 𝑋 −1,0,1 .
𝐼′ 𝑢, 𝑣 = ෍ 𝐻 𝑖, 𝑗 𝐼(𝑢 + 𝑖, 𝑣 + 𝑗)
(𝑖,𝑗)∈𝑅𝐻

Corelarea dintre funcţia 𝐼: 𝑍𝑥𝑍 şi funcţia 𝐻: 𝑍𝑥𝑍

(ambele functii sunt prelungite cu 0 peste 𝑍𝑥𝑍) :
𝐼 ⊙ 𝐻 𝑢, 𝑣 =
෍ 𝐼 𝑥, 𝑦 𝐻(𝑥 − 𝑢, 𝑦 − 𝑣) = ෍ 𝐻 𝑖, 𝑗 𝐼(𝑢 + 𝑖, 𝑣 + 𝑗)
𝑥,𝑦∈𝑍 (𝑖,𝑗)∈𝑅𝐻

Cezar PLESCA Zgomote si Filtre 19

 ?

?
Cezar PLESCA Zgomote si Filtre 20
Filtrul identitate şi filtrul de mediere

Cezar PLESCA Zgomote si Filtre 21

 ?

?
Cezar PLESCA Zgomote si Filtre 22
Filtru de shiftare şi de contrastare
Filtrare prin corelare!

Cezar PLESCA Zgomote si Filtre 23

Filtrarea prin convoluție
Convoluţia dintre funcţia 𝐼: 𝑍𝑥𝑍 și funcția 𝐻: 𝑍𝑥𝑍
(ambele functii sunt prelungite cu 0 peste 𝑍𝑥𝑍) :

𝐼 ⊛ 𝐻 𝑢, 𝑣 =
෍ 𝐼 𝑥, 𝑦 𝐻(𝑢 − 𝑥, 𝑣 − 𝑦) = ෍ 𝐻 𝑖, 𝑗 𝐼(𝑢 − 𝑖, 𝑣 − 𝑗)
𝑥,𝑦∈𝑍 (𝑖,𝑗)∈𝑅𝐻
De obicei, regiunea 𝑅𝐻 este de forma unui dreptunghi :
𝑖, 𝑗 −𝑚 ≤ 𝑖 ≤ 𝑚, −𝑛 ≤ 𝑗 ≤ 𝑛
Dacă nucleul filtrului este simetric faţă de origine:
𝐻 𝑖, 𝑗 = 𝐻(−𝑖, −𝑗) → 𝐼 ⊛ 𝐻 𝑢, 𝑣 = 𝐼 ⊙ 𝐻 𝑢, 𝑣

Cezar PLESCA Zgomote si Filtre 24

Determinare corelare/convolutie?

Cum determinăm dacă o funcție de filtrare

(Matlab etc.) functionează prin corelare sau
convoluție?

Cezar PLESCA Zgomote si Filtre 25

 Necesar
nucleu
asimetric!

Cezar PLESCA Zgomote si Filtre 26

 Necesar
nucleu
asimetric!

Cezar PLESCA Zgomote si Filtre 27

Comportarea filtrului la margini
Pe marginile imaginii, nu există o suprapunere
completă a nucleului filtrului …

Cezar PLESCA Zgomote si Filtre 28

Comportarea filtrului la margini
➢ Tăiere (cropping) : păstrarea valorilor pixelilor
➢ Completare (padding) : anularea la margini

Cezar PLESCA Zgomote si Filtre 29

Comportarea filtrului la margini
➢ Extindere : prelungirea valorilor marginale
➢ Repetare (wrap) : prelungirea prin repetare

Cezar PLESCA Zgomote si Filtre 30

Proprietăţi ale convoluţiei - I
Operator liniar : oricare ar fi imaginile 𝐼1 si 𝐼2 , avem:
➢ 𝐹 𝑐𝐼 = 𝑐𝐹(𝐼), F este un filtru liniar spaţial

➢ 𝐹 𝐼1 + 𝐼2 = 𝐹 𝐼1 + 𝐹 𝐼2

Comutativitate : oricare ar fi 𝐼 si 𝐻 : 𝐼 ⊛ 𝐻 = 𝐻 ⊛ 𝐼

Asociativitate : oricare ar fi imaginea 𝐻 şi filtrele 𝐻1 şi 𝐻2 :

𝐼 ⊛ 𝐻1 ⊛ 𝐻2 = 𝐼 ⊛ 𝐻1 ⊛ 𝐻2

Distributivitate : oricare ar fi filtrul 𝐻 şi imaginile 𝐼1 şi 𝐼2 :

𝐼1 + 𝐼2 ⊛ 𝐻 = 𝐼1 ⊛ 𝐻 + 𝐼2 ⊛ 𝐻
Cezar PLESCA Zgomote si Filtre 31
Proprietăţi ale convoluţiei - II
Operator de shiftare S : 𝑆 𝐼 𝑢, 𝑣 = 𝐼(𝑢 + 𝑎, 𝑣 + 𝑏)

Invarianţa la shiftare : oricare ar fi S, 𝐼 şi 𝐻 :

𝑆(𝐼) ⊛ 𝐻 = 𝑆( 𝐼 ⊛ 𝐻 )

Complexitate computaţională : 𝜃 𝑀𝑁𝑅2 = 𝜃 𝑅2

pentru o imagine de marime MxN pixeli şi un nucleu
H de dimensiuni (2𝑅 + 1)𝑥(2𝑅 + 1).
𝑅 𝑅

𝐼′ 𝑢, 𝑣 = ෍ ෍ 𝐼 𝑢 + 𝑖 𝑣 + 𝑗 𝐻(𝑖, 𝑗)
𝑖=−𝑅 𝑗=−𝑅
Cezar PLESCA Zgomote si Filtre 32
Exemplu de separabilitate
Considerăm un filtru de shiftare de dimensiune 21x21
(toţi coeficienţii 0, mai puţin cel mai din dreapta = 1)
Rezultat : shiftarea imaginii către stânga cu 10 pixeli.
Volum de calcul : 𝟐𝟏𝟐 𝒘𝒉 = 𝟒𝟒𝟏𝒘𝒉, w şi h dimensiuni I.

Considerăm un filtru de shiftare de dimensiune 3x3

(toti coeficienţii 0, mai puţin cel mai din dreapta = 1)
Rezultat : shiftarea imaginii către stânga cu 1 pixel.
Volum de calcul : 32 𝑤ℎ = 9𝑤ℎ ; aplicat de 10 ori :
shiftare la stânga cu 10 pixeli. Volum de calcul: 𝟗𝟎𝒘𝒉
Cezar PLESCA Zgomote si Filtre 33
Separabilitatea unor nuclee de filtre
Un filtru 𝐻 se numeşte separabil în filtrele 𝐻1 … 𝐻𝑛
𝐻 = 𝐻1 ⊛ 𝐻2 ⊛… ⊛ 𝐻𝑛
Idee : separarea filtrului 𝐻 în filtre mai mici 𝐻1 şi 𝐻2 ,
filtrare cu 𝐻1 , apoi cu 𝐻2 , într-un timp mai scurt.
Adesea : separarea în filtre orizontale şi verticale …

Cezar PLESCA Zgomote si Filtre 34

Separabilitate pe cele două axe
Volum de calcul pentru 𝐻 : 3𝑥5 𝑤ℎ = 15 𝑤ℎ
Volum de calcul pentru 𝐻𝑥 , 𝐻𝑦 : 5𝑤ℎ + 3𝑤ℎ = 8𝑤ℎ

În general, pentru un filtru simetric H faţă de cele 2

axe, având dimensiunea 𝑛2 .

Volum de calcul pentru 𝐻 : 𝒏𝟐 𝒙 𝒘𝒉

Volum de calcul pentru 𝐻𝑥 , apoi 𝐻𝑦 :
𝑛 𝑥 𝑤ℎ + 𝑛 𝑥 𝑤ℎ = 𝟐𝒏 𝒙 𝒘𝒉

Cezar PLESCA Zgomote si Filtre 35

Filtre de netezire (trece jos)

Cezar PLESCA Zgomote si Filtre 36

Filtre de netezire (trece jos)
Sunt folosite pentru a reduce zgomotul din imagini.
Valoarea filtrată a unui pixel : medie ponderată a
pixelilor din vecinătate; ponderile = nucleul filtrului.
𝐼′ 𝑢, 𝑣 = ෍ 𝐻 𝑖, 𝑗 𝐼(𝑢 + 𝑖, 𝑣 + 𝑗)
(𝑖,𝑗)∈𝑅𝐻

În cazul unei zone constante în imagine, punând

condiţia ca intensitatea I să nu se modifice :
෍ 𝐼 ∙ 𝐻 𝑖, 𝑗 = 𝐼 → ෍ 𝑯 𝒊, 𝒋 = 𝟏
(𝑖,𝑗)∈𝑅𝐻 (𝒊,𝒋)∈𝑹𝑯

Cezar PLESCA Zgomote si Filtre 37

Proprietăţi ale filtrului de mediere
1
𝐻 𝑖, 𝑗 =
(2𝑅 + 1)2
𝑅 𝑅
1
𝐼′ 𝑢, 𝑣 = 2
෍ ෍ 𝐼 𝑢+𝑖 𝑣+𝑗
(2𝑅 + 1)
𝑖=−𝑅 𝑗=−𝑅
Reducerea zgomotului : media aritmetică a unor
instanţe ale unei variabile aleatoare de medie nulă
(zgomot uniform sau gaussian) tinde către 0 …

Exemplu : media aritmetică a 100 de numere

aleatoare întregi (distribuţie uniformă) între -2 şi 2 …
Cezar PLESCA Zgomote si Filtre 38
Dimensiunea filtrelor de mediere
Reducerea zgomotului depinde de mărimea nucleului.
Nucleu mare : efect pronunţat de înceţoşare (blur)

Cezar PLESCA Zgomote si Filtre 39

Exemple de reducere a zgomotului

Cezar PLESCA Zgomote si Filtre 40

Exemple de reducere a zgomotului

Cezar PLESCA Zgomote si Filtre 41

Reducerea efectului de blur
➢ ponderea maximă aferentă pixelului procesat
➢ ponderi din ce în ce mai mici către extremităţi

Cezar PLESCA Zgomote si Filtre 42

Filtrul gaussian. Separabilitate

Cezar PLESCA Zgomote si Filtre 43

Aplicarea unui filtru gaussian
1) Alegerea unor parametri 𝜎 şi 𝑅 = 3𝜎 (99.73% valori)

2) Calcularea unui vector nucleu 1D prin

eşantionarea funcţiei lui Gauss : 𝑘 ∈ [𝑔𝜎 −𝑅 , 𝑔𝜎 𝑅 ]

3) Normalizarea vectorului 1D (suma coef. să fie 1)

4) Convoluţie orizontală cu vectorul 1D ⇒ imaginea J.

5) Convolutie verticală cu vectorul 1D pe imaginea J.

Cezar PLESCA Zgomote si Filtre 44
Filtre gaussiene, σ variabilă
Filtru gaussian 3x3 cu variaţia 𝝈 = 𝟎. 𝟓
0.0113 0.0838 0.0113
0.0838 0.6193 0.0838
0.0113 0.0838 0.0113

Filtru gaussian 3x3 cu variaţia 𝝈 = 𝟏

0.0751 0.1238 0.0751
0.1238 0.2042 0.1238
0.0751 0.1238 0.0751

Cezar PLESCA Zgomote si Filtre 45

Filtre gaussiene, dimensiune variabilă
Filtru gaussian 3x3 cu variaţia 𝝈 = 𝟎. 𝟓
0.0113 0.0838 0.0113
0.0838 0.6193 0.0838
0.0113 0.0838 0.0113
Filtru gaussian 5x5 cu variaţia 𝝈 = 𝟎. 𝟓
0.0000 0.0000 0.0002 0.0000 0.0000
0.0000 0.0113 0.0837 0.0113 0.0000
0.0002 0.0837 0.6187 0.0837 0.0002 n
0.0000 0.0113 0.0837 0.0113 0.0000
0.0000 0.0000 0.0002 0.0000 0.0000
n
Cezar PLESCA Zgomote si Filtre 46
Parametrii unui filtru gaussian
Parametrii unui filtru gaussian : variația 𝜎 și mărimea 𝑛

Pentru o variație 𝜎 fixată, dacă 𝑛 este prea mic

diminuarea zgomotului este redusă (prea puține
instanțe ale variabilei aleatoare care să se anuleze)

Pentru o variație 𝜎 fixată, dincolo de o anumită valoare

a lui 𝑛, coeficienții filtrului devin nuli la extremități.

În general, se alege alege 𝑛 = 2 ∗ 3𝜎 + 1 sau ≈ 2𝜋𝜎

Cezar PLESCA Zgomote si Filtre 47
σ=1.5, dimensiunea n variabilă

Cezar PLESCA Zgomote si Filtre 48

Parametrii unui filtru gaussian
Parametrii unui filtru gaussian : variaţia 𝜎 şi mărimea 𝑛

Cu cât 𝜎 este mai mare, cu atât suprafaţa gaussiană este

mai plată ⇨ filtrul se apropie de cel de mediere.
Problema filtrului de mediere : efectul de blur …

Dacă variaţia 𝜎 este mică, filtrul gaussian se apropie de

filtrul identitate ⇨ reducere foarte mică a zgomotului.

𝜎 : în funcţie de imagine şi de amplitudinea zgomotului.

Cezar PLESCA Zgomote si Filtre 49
Dimensiunea n fixă, σ variabilă

Cezar PLESCA Zgomote si Filtre 50

Filtru mediere vs. filtru gaussian

Cezar PLESCA Zgomote si Filtre 51

Filtre de contrastare

Cezar PLESCA Zgomote si Filtre 52

Filtre trece-sus
L filtru trece-jos (netezire) : ex. de mediere/gaussian
I – filtrul identitate; F – imaginea; H(F) - detaliile
𝐿 𝐹 = 𝐿 ⊛ 𝐹, 𝐹 = 𝐼 ⊛ 𝐹
𝐻 𝐹 = 𝐹 − 𝐿 𝐹 = 𝐼 ⊛ 𝐹 − 𝐿 ⊛ F = (𝐼 − 𝐿) ⊛ 𝐹
Un filtru trece-sus H : diferenţa dintre I şi L.

Suma coeficienţilor unui filtru trece-sus este nulă!

Cezar PLESCA Zgomote si Filtre 53

Exemplu de filtrare trece-sus

Cezar PLESCA Zgomote si Filtre 54

Filtru de contrastare
Imaginea contrastată = combinaţie liniară între
imaginea originală şi detaliile acesteia (factorul α).
𝐶 𝐹 = 𝐹 + 𝛼𝐻 𝐹 = 𝐹 + 𝛼 𝐼 − 𝐿 ⊛ 𝐹
𝐶 𝐼 = 𝐹(𝛼 + 1) − 𝛼𝐿 ⊛ 𝐹 = 𝛼 + 1 𝐼 − 𝛼𝐿 ⊛ 𝐹
𝑪 = 𝜶 + 𝟏 𝑰 − 𝜶𝑳

1 1 1
− 𝛼 − 𝛼 − 𝛼
9 9 9
1 8 1 −1 −1 −1
𝐶= − 𝛼 1+ 𝛼 − 𝛼 = −1 9 −1
9 9 9 −1 −1 −1
1 1 1
− 𝛼 − 𝛼 − 𝛼
9 9 9
Cezar PLESCA Zgomote si Filtre 55
Filtru de contrastare
𝑪 = 𝜶 + 𝟏 𝑰 − 𝜶𝑳
Suma coeficienţilor unui filtru de contrastare :
𝛼 + 1 ∗ 1 − 𝛼 ෍ 𝐿𝑖 = 𝛼 + 1 − 𝛼 = 1

Pe porţiunile constante, filtrul păstreaza intensitatea.

Coeficientul din centru este pozitiv şi mare iar

restul coeficienţilor sunt negativi, descrescând în
valoare absolută către marginile ferestrei de filtrare…

Cezar PLESCA Zgomote si Filtre 56

Exemple de filtrare de contrastare

Cezar PLESCA Zgomote si Filtre 57

Accentuarea fină a detaliilor

Cezar PLESCA Zgomote si Filtre 58

Accentuarea pronunţată a detaliilor

Cezar PLESCA Zgomote si Filtre 59

Filtrare Liniară Adaptivă

Cezar PLESCA Zgomote si Filtre 60

Conceptul de filtrare adaptivă
Idee : capacitatea filtrului de a-si ajusta comportarea
(modul de calcul) în functie de anumite criterii,
urmărind optimizarea unor măsuri (ex. PSNR).
Criterii : variaţia în cadrul regiunii, diferenţa faţă de
valoarea pixelului înainte de filtrare, etc.

Filtrarea adaptativă are un mod de calcul liniar

dar dpdv. global nu mai este liniară! Adaptarea:
➢ modificarea formei ferestrei de filtrare.

➢ modificarea coeficienţilor ferestrei.

Cezar PLESCA Zgomote si Filtre 61

Filtrarea Adaptivă cu Prag
Filtru liniar de netezire oarecare; rezultatul netezirii
într-un punct este acceptat doar dacă diferenţa faţă de
valoarea originală este mai mică decât un prag impus.

𝑓′(𝑥, 𝑦) = ෍ 𝐻 𝑖, 𝑗 𝑓(𝑥 − 𝑖, 𝑦 − 𝑗)
(𝑖,𝑗)∈𝑅𝐻

𝑓 ′ 𝑥, 𝑦 , 𝑑𝑎𝑐𝑎 𝑓 ′ 𝑥, 𝑦 − 𝑓 𝑥, 𝑦 ≤ 𝑇
𝑔 𝑥, 𝑦 = ቊ
𝑓 𝑥, 𝑦 , 𝑎𝑙𝑡𝑓𝑒𝑙

Cezar PLESCA Zgomote si Filtre 62

Filtre de Ordine

Cezar PLESCA Zgomote si Filtre 63

Motivaţia Filtrelor de Ordine
Filtrele de netezire liniare (trece-jos) permit
eliminarea zgomotelor aditive care prezintă o
distribuţie normală sau uniformă.
Dar pentru zgomotele de tip “Salt and Pepper” ?

Cezar PLESCA Zgomote si Filtre 64

Limita filtrelor de netezire liniare
➢ O imagine afectată de un zgomot de tip
Salt/Pepper/Salt & Pepper filtrată liniar prin netezire
⇒ valorile aberante (0/255) vor contamina în
operaţia de mediere pixelul curent şi pixelii vecini …

➢ Folosirea unui nucleu mai mare (ex. 9x9) limitează

contaminarea dar afecteaza mult detaliile imaginii.

➢ Un filtru de accentuare a contrastului ⇒ valorile

aberante vor ieşi şi mai mult în evidenţă.
Cezar PLESCA Zgomote si Filtre 65
Filtre de Ordine. Statistici
➢ O clasă a filtrelor neliniare bazată pe ideea de
ordonare a valorilor pixelilor din cadrul ferestrei.
➢ Idee : plasarea valorilor aberante la capetele şirului

de valori ⇒ identificarea şi eliminarea acestora.

𝑥1 ≤ 𝑥2 ≤ ⋯ ≤ 𝑥𝑛−1 ≤ 𝑥𝑛

Statistica de ordinul 1 : 𝑥1 (minimul elementelor)

Statistica de ordinul 𝑛 : 𝑥𝑛 (maximul elementelor)
Statistica de ordinul 𝑘 : 𝑥𝑘 (elementul de rang k)

Cezar PLESCA Zgomote si Filtre 66

Filtrul de Ordine de Rang k
Se trece fereastra glisantă având 𝑛 elemente peste toţi
pixelii din imaginea nefiltrată ⇒ statistica de ordin 𝑘.

Proprietăţi :
1) Filtrele de ordine furnizează la ieşire valori ale
pixelilor din imaginea nefiltrată (valori vecine)
2) Zonele continue ale imaginii sunt nemodificate.
3) Filtrele de ordine nu afectează contururile
(pixelul/pixelii care diferă mult sunt izolaţi la
începutul sau la sfârşitul ferestrei, după ordonare) .
Cezar PLESCA Zgomote si Filtre 67
Filtrul median
𝑥1 ≤ 𝑥2 ≤ ⋯ ≤ 𝑥𝑛−1 ≤ 𝑥𝑛
Se alege elementul din mijloc (valoarea mediană):
𝑥𝑘+1 , 𝑛 = 2𝑘 + 1
𝑚𝑒𝑑𝑖𝑎𝑛 = ቐ𝑥𝑘 + 𝑥𝑘+1
, 𝑛 = 2𝑘
2

Cezar PLESCA Zgomote si Filtre 68

Filtrarea Zgomotelor “Salt & Pepper”
Valorile punctelor de zgomot 0/255, după
ordonare se vor afla la “capetele” şirului de valori.
Ieşirea filtrului este departe de valorile extreme.

Cezar PLESCA Zgomote si Filtre 69

Filtrarea Zgomotelor “Salt & Pepper”
➢ Filtrul poate fi “străpuns” : câteva valori extreme
reuşesc să rămână; aglomerare în cadrul ferestrei …
➢ Mărirea ferestrei glisante rezolvă problema

extremelor persistente, dar are efect de netezire …

Cezar PLESCA Zgomote si Filtre 70

Filtre de Ordine de Domeniu
Posibilitate de adaptare şi reglare a filtrelor de ordine.
Ieşirea filtrului LUM (Lower Upper Middle) de netezire:
𝑥𝑘 , 𝑑𝑎𝑐𝑎 𝑥 ∗ < 𝑥𝑘
𝑦 = ቐ𝑥𝑛−𝑘+1 , 𝑑𝑎𝑐𝑎 𝑥 ∗ > 𝑥𝑛−𝑘+1
𝑥 ∗ , 𝑖𝑛 𝑟𝑒𝑠𝑡
𝑥 ∗ - pixelul din centrul ferestrei; 𝑘 – parametru reglabil
𝑛+1
𝑘 = 1 ⇒ filtru trece tot; 𝑘 = ⇒ filtru median.
2
➢ Dacă sunt puţine valori extreme ⇒ k mic (identitate)
➢ Dacă sunt multe valori extreme ⇒ k mare (izolare)
➢ Alegerea adaptivă a lui k reduce efectele de netezire!

Cezar PLESCA Zgomote si Filtre 71

 Filtre de ordine de netezire (LUM)
𝑥𝑘 , 𝑑𝑎𝑐𝑎 𝑥 ∗ < 𝑥𝑘
𝑦 = ቐ𝑥𝑛−𝑘+1 , 𝑑𝑎𝑐𝑎 𝑥 ∗ > 𝑥𝑛−𝑘+1
𝑥 ∗ , 𝑖𝑛 𝑟𝑒𝑠𝑡

𝑥𝑛
𝑥1
𝑥∗ 𝑥𝑘 𝑥∗ 𝑥𝑛−𝑘+1 𝑥∗

Cezar PLESCA Zgomote si Filtre 72

Filtre LUM de Netezire

Cezar PLESCA Zgomote si Filtre 73

Filtre de Ordine de Reliefare
Ieşirea filtrului LUM (Lower Upper Middle) de reliefare:

𝑥𝑘 + 𝑥𝑛−𝑘+1
∗
𝑥𝑘 , 𝑑𝑎𝑐𝑎 𝑥𝑘 < 𝑥 <
2
𝑦= 𝑥𝑘 + 𝑥𝑛−𝑘+1
𝑥𝑛−𝑘+1 , 𝑑𝑎𝑐𝑎 < 𝑥 ∗ < 𝑥𝑛−𝑘+1
2
𝑥 ∗ , 𝑖𝑛 𝑟𝑒𝑠𝑡

𝑘 = 1 ⇒ filtru scoate valori extreme (reliefare maximă)

𝑛+1
𝑘= ⇒ filtru trece tot (filtrul identitate).
2

Cezar PLESCA Zgomote si Filtre 74

Filtre de ordine de reliefare (LUM)
∗
𝑥𝑘 + 𝑥𝑛−𝑘+1
𝑥𝑘 , 𝑑𝑎𝑐𝑎 𝑥𝑘 < 𝑥 <
2
𝑦= 𝑥𝑘 + 𝑥𝑛−𝑘+1
𝑥𝑛−𝑘+1 , 𝑑𝑎𝑐𝑎 < 𝑥 ∗ < 𝑥𝑛−𝑘+1
2
∗
𝑥 , 𝑖𝑛 𝑟𝑒𝑠𝑡

𝑥∗ 𝑥𝑛
𝑥∗
𝑥1
𝑥𝑘 𝑥∗ 𝑥∗ 𝑥𝑛−𝑘+1
𝑥𝑘 + 𝑥𝑛−𝑘+1
2

Cezar PLESCA Zgomote si Filtre 75

Filtru de Ordine de Reliefare 3x3

Cezar PLESCA Zgomote si Filtre 76

Filtru de Ordine de Reliefare 5x5

Cezar PLESCA Zgomote si Filtre 77

Filtre derivative

Cezar PLESCA Zgomote si Filtre 78

Motivaţia filtrelor derivative
Detecţia contururilor (linii/curbe) din imagini.
𝑓 ′′ 𝑎
𝐓𝐚𝐲𝐥𝐨𝐫: 𝒇 𝒙 ≅ 𝒇 𝒂 + 𝒇′ 𝒂 𝒙 − 𝒂 + 𝑥−𝑎 2
2
𝑓 𝑥 + 1 ≅ 𝑓 𝑥 + 𝑓′ 𝑥 ⇒ 𝑓′ 𝑥 ≅ 𝑓 𝑥 + 1 − 𝑓 𝑥
𝑓 ′ 𝑥 = 𝑓 ⊛ [1 − 1 0]

Cezar PLESCA Zgomote si Filtre 79

Filtre Derivative de Ordinul I
𝜕𝑓(𝑥, 𝑦) 𝜕𝑓 𝑥, 𝑦 1
= 𝑓 𝑥, 𝑦 ⊛ 1 − 1 0 , = 𝑓 𝑥, 𝑦 ⊛ −1
𝜕𝑥 𝜕𝑦
0
Derivarea în raport cu x ⇒ detalii (contururi) verticale
Derivarea în raport cu y ⇒ detalii (contururi) orizontale

Cezar PLESCA Zgomote si Filtre 80

Filtre Derivative Clasice
Aproximări ale derivatei de ordinul I a imaginii.

Ce fel de contururi vor detecta filtrele lui Roberts ?

Cezar PLESCA Zgomote si Filtre 81
Exemplu: Sobel - vertical

Cezar PLESCA Zgomote si Filtre 82

Exemplu: Sobel - orizontal

Cezar PLESCA Zgomote si Filtre 83

Exemplu: Laplacian

Cezar PLESCA Zgomote si Filtre 84

Filtru de Contrastare Laplacian

Cezar PLESCA Zgomote si Filtre 85

Prima Derivată vs. A Doua Derivată
Ordinul I ⇒ linii mai groase ⇒ detecţie şi segmentare.
Ordinul II ⇒ surprinde bine detaliile fine ⇒ contrastare.

Cezar PLESCA Zgomote si Filtre 86