10/31/2021

OPERATII DE VECINATATE

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Tipuri de operatii de prelucrare

Clasificare dupa numarul de pixeli din imaginea

initiala folositi ppentru calculul valorii unui ppixel
din imaginea prelucrata.

operatii punctuale

operatii de vecinatate
operatii integrale
C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

1
 10/31/2021

De ce operatii de vecinatate ?

Limitarile prelucrarilor de tip punctual (corespondenta “unu-la-unu”

intre valorile noi si valorile vechi ale pixelilor) :

nu se poate face o caracterizare mai “fina” a pixelilor -

toti pixelii ce au aceeasi valoare sunt identici (limitare
observabila la egalizarea de histograma de exemplu)

Pentru a distinge intre pixeli de aceeasi valoare trebuie luate in

considerare informatii suplimentare asupra vecinatatii acestora
(sunt situati in regiuni uniforme, in zone de contur, …)

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Operatori de vecinatate
coloana T coloana
c c

linia
li i 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
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

2
 10/31/2021

Operatori de vecinatate
((
g ( l ,c ) = T f V( l ,c ) ))
Definirea transformarii implica specificarea:
vecinatatii pixelului curent prelucrat, V(l,c)
functiei de combinare a valorilor extrase din imagine, T

Functii de combinare (transformari)

liniare
neliniare intrinsec neliniare
neliniare ca efect al adaptarii
C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Vecinatatea
coloana
c
V(l ,c )
linia
l

Vecinatate = multime de pixeli din planul imaginii, situati

in jurul pixelului curent prelucrat.
Definirea vecinatatii = specificarea
p pozitiilor ppixelilor care
p
fac parte din respectiva vecinatate, fata de pozitia curenta,
adica fata de pixelul curent prelucrat, de coordonate (l, c).

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

3
 10/31/2021

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

coordonate
d t relative
l ti fata
f t
numar de pixeli din
de pixelul curent prelucrat
vecinatate

Punctul curent prelucrat (l, c) este originea sistemului de coordonate

atasat vecinatatii.

I sistemul
In it l de
d coordonate
d t atasat
t t imaginii,
i i ii vecinatatea
i t t este:
t

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

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Exemple de vecinatati

Vecinatatea imediata a pixelului : cei patru vecini imediati,

pe linii si coloane ai pixelului dat.
sistem de coordonate atasat vecinatatii
V4 ((NU SUNT COORDONATELE IMAGINII))

pixel curent
(originea vecinatatii)

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

K =5
C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

4
 10/31/2021

Exemple de vecinatati

Vecinatatea extinsa a pixelului : cei opt vecini pe linii si coloane.

sistem de coordonate atasat vecinatatii

V8 ((NU SUNT COORDONATELE IMAGINII))

pixel curent
(originea vecinatatii)

⎧(0,0), (0,1), (0,−1), (1,0), (−1,0),⎫

V8 = ⎨ ⎬
⎩(1, −1), ( −1,1), ( −1, −1), (1,1) ⎭
K =9 C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Exemple de vecinatati

V = {(0,0), (1,0), (0,1)} K =3

V = {(1,0),
) (−1,0)} K =2

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

5
 10/31/2021

Operatia de vecinatate poate fi scrisa deci ca:

g (l , c) = T ( f (l + m1 , c + n1 ), f (l + m2 , c + n2 ),..., f (l + mK , c + nK ))

Transformarea T va fi deci o functie cu K variabile scalare.

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

FILTRAREA LINIARA
A IMAGINILOR

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

6
 10/31/2021

Operatori liniari

Liniaritate = verificarea principiului superpozitiei.

Fie un operator
p T,, care se aplica
p asupra
p unor elemente f, gg.
T este liniar daca, pentru orice constante scalare α, β avem:

T (αf + βg ) = αT ( f ) + βT ( g )

In cazul particular de interes, f si g sunt imagini avand aceeasi

dimensiune α, β sunt scalari reali si T este o operatie de
dimensiune,
vecinatate.

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Filtrarea liniara

((
g ( l ,c ) = T f V( l ,c ) ))
g (l , c) = T ( f (l + m1 , c + n1 ), f (l + m2 , c + n2 ),..., f (l + mK , c + nK ))

g (l , c) = ∑w
( m , n )∈V
mn f (m + l , n + c)

wmn ∈ R

wmn se numesc ponderi ale filtrului si sunt constante scalare

asociate fiecarui punct al vecinatatii folosite.

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

7
 10/31/2021

Filtrarea liniara

Orice filtru liniar este deci definit de:

vecinatatea folosita, V
ponderile asociate vecinatatii,
vecinatatii wmn

Vecinatate + ponderi asociate = nucleu (masca) de filtrare

= functia pondere a filtrului

Ponderile asociate vecinatatii = coeficientii filtrului

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Filtru liniar: exemplu

V = {(0,0), (1,0), (0,1)} K =3

Coeficientii atasati punctelor:

w00 = 1 / 2 1/ 2 1/ 4
w10 = 1 / 4 scriere
w01 = 1 / 4 grupata 1/ 4
marcarea originii
Operatia de vecinatate se scrie ca:
g (l , c) = ∑w
( m , n )∈V
mn f (m + l , n + c)

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

1 1 1
g (l , c) = f (l , c) + f (l + 1, c) + f (l , c + 1)
2 4 4
C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

8
 10/31/2021

Filtru liniar: exemplu

V4 = {(0,0), (0,1), (0,−1), (1,0), (−1,0)}
K =5 0.125
w00 = 0.5 0.125 0.5 0.125
scriere
w10 = w01 = w0−1 = w−10 = 0.125
grupata 0.125

marcarea originii
g (l , c) = ∑w
( m , n )∈V
mn f (m + l , n + c)

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

+ w−10 f (−1 + l ,0 + c) + w0−1 f (0 + l ,−1 + c)
1 1
g (l , c) = f (l , c) + ( f (l , c + 1) + f (l , c − 1) + f (l − 1, c) + f (l + 1, c) )
2 8
C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Filtru liniar: exemplu

V4 = {(0,0), (0,1), (0,−1), (1,0), (−1,0)}
K =5 0.125
w00 = 0.5 0.125 0.5 0.125
sc e e
scriere
w10 = w01 = w0−1 = w−10 = 0.125
grupata 0.125

Completarea vecinatatii cu ponderi nule marcarea originii

0 0.125 0
0.125 0.5 0.125
0 0.125 0
1 1
g (l , c) = f (l , c) + ( f (l , c + 1) + f (l , c − 1) + f (l − 1, c) + f (l + 1, c) )
2 8
C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

9
 10/31/2021

Ce inseamna in practica ?
g (l , c) = ∑w
( m , n )∈V
mn f (m + l , n + c)

Pentru fiecare pixel al imaginii,

imaginii situat in pozitia (l,c):
(l c):
plaseaza vecinatatea V cu originea in pixelul curent
extrage valorile pixelilor imaginii din vecinatate
combina valorile pixelilor extrasi din imagine
scrie noua valoare in imaginea de iesire la pozitia (l,c)
(l c)
Treci la pixelul urmator.

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

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”)

plimbata ) peste intreaga imagine
imagine, punct
cu punct.

imagine initiala imagine prelucrata

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

10
 10/31/2021

Probleme de implementare
Ce se intampla pe marginile imaginii, daca vecinatatea “debordeaza” ?
vecinatate (fereastra) de filtrare

pixeli “problema”

imagine initiala imagine prelucrata

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Probleme de implementare

Solutii de evitare a efectelor de margine:

1. ignorarea liniilor/ coloanelor corespunzatoare pozitiilor

c probleme
cu

2. bordarea imaginii cu suficiente linii/ coloane

cu pixeli avand valori “potrivite” (sa nu influenteze
rezultatul aplicarii functiei T de combinare a valorilor).

pentru filtrarea liniara : replicarea liniilor/coloanelor

marginale ale imaginii

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

11
 10/31/2021

Filtrarea liniara
g (l , c) = ∑w
( m , n )∈V
mn f (m + l , n + c)

wmn ∈ R

Aceasta este operatia de convolutie liniara.

- este exploatata in domeniul de frecventa prin transf. Fourier;

vom vedea la tranformarile integrale

- este exploatata in arhitecturile de retele neurale convolutionale

adanci, din perspectiva extragerii de caracteristici a imaginii
(“linear filtering as feature extractor”) – vom vedea la cursul
de Analiza imaginilor

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Probleme de implementare
Complexitatea de calcul:

K inmultiri, K-1 adunari

g (l , c) = ∑w
( m , n )∈V
∈V
mn f (m + l , n + c)
ppentru fiecare ppixel

Complexitatea de calcul creste cu cresterea vecinatatii.

Este mai eficient sa se lucreze cu vecinatati de dimensiune mica.

V i t til marii pott fi descompuse

Vecinatatile d ?

(acelasi rezultat obtinut prin aplicarea iterativa a mai multe filtari

liniare cu vecinatati mai mici)
C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

12
 10/31/2021

Tipuri de filtre liniare

Corespund celor doua tipuri de efecte esentiale dorite:

cresterea uniformitatii in interiorul regiunilor netezire

cresterea contrastului pe frontierele regiunilor contrastare/

(comportament derivativ) derivare

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Filtrarea
il liniara
li i de d netezire
i

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

13
 10/31/2021

Filtre liniare de netezire

Cresterea uniformitatii in interiorul regiunilor este echivalenta

cu reducerea micilor variatii ale valorilor pixelilor, datorate,
de exemplu, zgomotului.

Netezire = reducere zgomot adaugat imaginii.

Corespunde definitiei frecventiale a termenului de filtru:

Filtrul este un sistem de circuite electrice, sonore, etc. cu care se selecteaza

dintr-un complex
p de oscilatii cu frecvente diferite,, oscilatiile cu frecventele
cuprinse între anumite limite.

Se presupune ca zgomotul poate fi descris in frecventa.

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Filtre liniare de netezire

Zgomotul cel mai obisnuit: zgomot alb, gaussian, aditiv (ZAGA).

f (l , c) = f 0 (l , c) + z (l , c)
z (l , c) ← N 0, σ 2( )
fz = 0

σ2 C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

14
 10/31/2021

Filtre liniare de netezire: reducerea ZAGA

Filtrul optim: filtrul de mediere aritmetica

g (l , c) = ∑w mn f (m + l , n + c)
1
( m , n )∈V
∈V
wmn =
Card (V ) = K K

1
g (l , c) = ∑ f (m + l , n + c)
Card (V ) ( m ,n )∈V
Ex. 1 Ex. 2
0 1/ 5 0 V8 → K = 9 1 / 9 1 / 9 1 / 9
V4 → K = 5
1/ 5 1/ 5 1/ 5 1 1/ 9 1/ 9 1/ 9
1 wmn =
wmn = 9 1/ 9 1/ 9 1/ 9
5 0 1/ 5 0

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Netezire:
medie aritmetica

Efectul de
9x9 incetosare
a imaginii

(blur)

5x5 13 x 13
C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

15
 10/31/2021

Netezire:
medie aritmetica

reducerea zgomotului

(si blur)

3x3

11 x 11 7x7
C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Filtre liniare de netezire: reducerea ZAGA

g (l , c) = ∑w
( m , n )∈V
mn f (m + l , n + c)

C fi i
Coeficientul
l de
d reducere
d a zgomotului:
l i
σ zgg
2

= ∑ wmn 2

σ zgf ( m,n )∈V

2

Valoarea maxima este pentru filtrul de medie aritmetica:

1 σ zgg
2
1 1
wmn =
K σ zgf
2
= ∑ w
( m , n )∈V
2
mn = K =
K2 K
C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

16
 10/31/2021

De ce apare incetosarea imaginii ?

Incetosare (blur) : frontierele devin neclare

Fereastra de filtrarea selecteaza valori diferite, apartinand regiunilor

vecine separate de contur. In urma medierii rezulta o valoare
i t
intermediara
di care inlocuieste
i l i t conturul.
t l

Ex. contur 1D ideal – (o linie din imagine) dupa mediere

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

De ce apare incetosarea imaginii ?

O echivalenta in domeniul “frecventelor”:

Contur (detalii fine) ⇔ frecvente inalte

Zone uniforme ⇔ frecvente joase
j

Filtrarea de mediere ⇔ filtrarea trece jos

(se va demonstra la capitolul privind transformarile integrale;

filtrarea liniara este o operatie de convolutie intre imagine si
nucleul filtrului)

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

17
 10/31/2021

Masurarea calitatii
li ii imaginilor
i i il

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Tipuri de masuri de calitate

-Subiective
-Obiective

-Cu referinta (fidelitatea fata de o referinta)

-Fara referinta

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

18
 10/31/2021

Cum masuram obiectiv calitatea fata de o referinta?

Functii de masura a calitatii imaginii in raport cu o imagine de
referinta.

Daca imaginea zgomotoasa/ degradata/ testata este f, provenind

din imaginea originala/ corecta/ nedegradata f0 (referinta),
(referinta) putem
p tem
masura:

Eroarea patratica medie (Mean Squared Error - MSE)

M −1 N −1
1
MSE = ( f − f 0 ) = ∑∑ ( f (m, n) − f (m, n) )
2 2
0
MN i =0 j =0

Eroarea absoluta medie (Mean Absolute Error - MAE)

M −1 N −1
1
MAE = f − f 0 =
MN
∑∑
i =0 j =0
f (m, n) − f 0 (m, n)

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Cum masuram calitatea filtrarii ?

Raportul Semnal - Zgomot (Signal to Noise Ratio - SNR)
M −1 N −1

∑∑ ( f (m, n) )
2
0
i =0 j =0
SNR = 10 log M −1 N −1 [dB ]
∑∑ ( f (m, n) − f (m, n) )
2
0
i =0 j =0

Raportul Semnal de Varf - Zgomot (Peak Signal to Noise Ratio - PSNR)

2
MN max f 0 (m, n)
( m,n )
PSNR = 10 log M −1 N −1 [dB ]
∑∑ ( f (m, n) − f (m, n) )
2
0
i =0 j =0
intotdeauna PSNR > SNR

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

19
 10/31/2021

Cum masuram calitatea filtrarii ?

Calitate :
SNR, PSNR
MSE, MAE
In g
general se foloseste SNR,, ca in prelucrarea
p semnalelor 1D.
Imaginea de calitate are SNR > 25 dB
Imaginea cu diferente imperceptibile are SNR > 30 dB

SNR=20 dB SNR=17 dB SNR=14 dB

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Distorsiuni diferite pot genera

aceeasi MSE

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

20
 10/31/2021

Aceeasi distorsiune
poate avea efecte
diferite!

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Aceeasi distorsiune
poate avea efecte
diferite!

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

21
 10/31/2021

SSIM – Structural similarity index

• Are valori in intervalul [0,1]
• Imbunatateste masurile clasice de PSNR si
MSE, care nu sunt consistente cu perceptia
umana.
• Integreaza contextul spatial (de vecintate)

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

Imagini cu nivele diferite de calitate si

masurile SSIM (la MSE=ct)

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

22
 10/31/2021

Sistemul de masura SSIM

45

Comparatia de luminanta

Comparatia de contrast μx , μ y Medii locale

σ x ,σ y Dispersii locale

σ xy Corelatie locala
Comparatia de structura
σ xy + C3
s ( x, y ) = Ci constante foarte mici
σ x + σ y + C3

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

23
 10/31/2021

SSIM

C1 = (k1 L)^2
C2 = (k2 L)^2, 0 < k1, k2 << 1
C3 = C2/2
Masura de asemanare este calculata in fiecare punct, pentru
imaginea in ansamblul ei trebuie mediata

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Proprietati ale SSIM

• Simetrie: S(x,y)
S(x y) = S(y,x)
S(y x)
• Gama limitata de valori: 0 <= S(x,y) <= 1
• Maxim unic: S(x,y) = 1 daca si numai daca
x=y (sau xi = yi, pt. toate pozitiile i=
1,2…….,N
, , )).

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

24
 10/31/2021

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Cum proiectam filtrul de medie aritmetica ?

1
wmn = Factor de reglaj: forma si dimensiunea vecinatatii
K

Se poate
S t demonstra
d t ca puterea
t zgomotului
t l i alb,
lb aditiv
diti di
din imagine
i i
este redusa de K ori.

Filtrare eficienta ⇔ vecinatate mare.

Vecinatate mare ⇔ efect puternic de incetosare a imaginii

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

25
 10/31/2021

Filtrul de mediere ponderata

Mai multa libertate in alegerea ponderilor asociate punctelor din
vecinatatea folosita.
g (l , c) = ∑w
( m , n )∈V
∈V
mn f (m + l , n + c)

0.125 0.05 0.1 0.05

0.125 0.5 0.125 0.1 0.4 0.1
0.125 0.05 0.1 0.05

0 0 0.15 0.15 0.15

0 0.7 0.4
0.15 0.15 0.15
C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Normalizarea filtrelor de netezire

Coeficientii wmn nu pot fi alesi oricum.

Sa ne imaginam o imagine perfect uniforma (toti pixelii au

aceeasi valoare). Dupa o filtrare de netezire aceasta valoare
nu trebuie sa se modifice
modifice.
g (l , c) = ∑w
( m , n )∈V
mn f (m + l , n + c)

f (m + l , n + c) = μ = ct , ∀(m, n) ∈ V , ∀(l , c)

g (l , c) = μ ∑w
( m , n )∈V
mn =μ

∑w
( m , n )∈V
mn = 1, wmn > 0

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

26
 10/31/2021

Filtrarea
il liniara
li i derivativa
d i i

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Derivata

Ce inseamna in discret derivarea pe directia orizontala/ verticala ?

Derivarea este o operatie liniara, deci se va implementa printr-un

filtru liniar ((definit de nucleul/ vecinatatea de filtrare).
)

Pentru o comportare derivativa suma ponderilor vecinatatilor este

nula.

0 0 0 0 0 0 0 1 0 0 −1 0
−1 0 1 1 0 −1 0 0 0 0 0 0
0 0 0 0 0 0 0 −1 0 0 1 0
derivate pe directie orizontala derivate pe directie verticala
Wy Wx
C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR

27
 10/31/2021

Normalizarea filtrelor de derivare

Coeficientii wmn nu pot fi alesi oricum.

Sa ne imaginam o imagine perfect uniforma (toti pixelii au

aceeasi valoare). Dupa o filtrare de derivare, rezultatul trebuie
sa fie nul
nul.
g (l , c) = ∑w
( m , n )∈V
mn f (m + l , n + c)

f (m + l , n + c) = μ = ct , ∀(m, n) ∈ V , ∀(l , c)

g (l , c) = μ ∑w
( m , n )∈V
mn =0

∑w
( m , n )∈V
mn =0

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Filtrarea de contrastare bazata pe derivare

Contrastarea unei imagini are ca obiectiv îmbunatatirea perceperii
vizuale a contururilor obiectelor (îmbunatatirea detectabilitatii
componentelor scenei de-a lungul frontierelor acestora).

O experienta de perceptie vizuala subiectiva (“benzile lui Mach”)

a pus în evidenta faptul ca sistemul vizual uman are tendinta de a
adânci profilul zonelor de tranzitie dintre regiuni uniforme.

Studiul fiziologiei sistemului vizual a demonstrat ca acesta se

realizeaza prin prelucrari de tip derivativ ce apar în diferitele etape
pe care le parcurge informatia vizuala; efectul global poate fi descris
ca scaderea din semnalul original a unei derivate secunde.

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

28
 10/31/2021

Efectul Mach
perceptia unei linii mai intunecate

perceptia unei linii mai luminoase

Aceste linii NU EXISTA in

imagine, ci sunt IMPRESII
create de sistemul vizual.

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Simularea efectului Mach

f’

f”

f - f”

29
 10/31/2021

Contrastarea imaginilor

Contrastare = Imagine – Derivata secunda

Derivata secunda a unei functii de doua variabile: dupa ce directie ?

∂ 2 f ( x, y ) ∂ 2 f ( x , y )
Se foloseste Laplacianul: Δf ( x, y ) = +
∂x 2 ∂y 2

Filtre de derivare secunda (Laplacian):

−1 −1 −1 0 −1 0 1 −2 1
−1 8 −1 −1 4 −1 −2 4 −2
−1 −1 −1 0 −1 0 1 −2 1

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

Contrastarea imaginilor

medie 5 x 5

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

30
 10/31/2021

Va urma:

limitarile filtrarii liniare

operatii neliniare de vecinatate

C. VERTAN
LABORATORUL DE ANALIZA ŞI PRELUCRAREA IMAGINILOR - LAPI

31