FILTRAREA IMAGINILOR

Cuprins
Filtrarea in domeniul frecventa
Filtrarea in domeniul spatial
Modelul imaginii
Operatii de netezire

FILTRAREA IN DOMENIUL FRECVENTA

Filtrarea imaginilor este necesara pentru a micsora efectele
nedorite cauzate de un sistem de achizitie de rezolutie prea scazuta sau
de un sistem de transmisie de imagini de banda mica.
Scopul operatiilor de filtrare este de a micsora efectele
zgomotelor introduse de camera, valori accidentale ale unor pixeli, valori
lipsa ale unor pixeli, etc. In continuare vor fi discutate tehnici de filtrare
atat in domeniul spatial cat si cel de frecventa

Filtrare trecejos
Tranzitiile abrupte de niveluri de gri, cum sunt zgomotele in anumite
imagini, contribuie la cresterea ponderii frecventelor inalte din cadrul
transformatei Fourier. Rezulta ca inlaturarea acestui efect se poate face
prin atenuarea unor componente de inalta frecventa din transformata unei
imagini date. Exista relatia:
G(u,v) = H(u,v) F(u,v)
unde F(u,v) este transformata imaginii care se doreste sa fie filtrata.
Problema consta in a selecta o functie H(u,v) care furnizeaza G(u,v)
atenuand componentele de frecventa inalta din F(u,v). Transformata
inversa a lui G(u,v) va furniza imaginea filtrata g(x,y). Functia H(u,v) este
functia de transfer a filtrului.

Filtrul ideal trecejos este reprezentat prin relatia:

1 daca D(u,v) D0
H(u,v) =
0 daca D(u,v)>D0

unde D0 este o valoare specificata pozitiva, iar D(u,v) este distanta de la

punctul (u,v) la originea planului de frecventa:
D(u,v) = (u2 + v2)1/2

Filtrul este ideal: toate frecventele din

interiorul unui cerc de raza D0 sunt trecute
fara atenuare, in timp ce toate frecventele in
afara acestui cerc sunt complet atenuate.
Punctul de tranzitie dintre H(u,v)=1 si
H(u,v)=0 se numeste frecventa de taiere(D0).
Acest concept este important pentru
specificarea caracteristicilor filtrelor si de
asemenea
serveste
la
compararea
comportarilor diferitelor filtre.

Reprezentarea 3D a functiei de transfer. Afisarea filtrului sub forma unei

imagini.

Aplicatie.

Imagine 500x500 pixeli si spectrul Fourier. Sunt trasate cercuri de raza 5, 15,
30, 80, 230 care incadreaza 92%, 94.6%, 96.4%, 98% si 99.5% din puterea
imaginii.

Imaginea originala si rezultatul filtrarii cu frecventa de taiere setata la raza 5.

Rezultatele filtrarii cu frecventele de taiere setate la raza 15 si respectiv 30.

Rezultatele filtrarii cu frecventele de taiere setate la raza 80 si respectiv 230.

Filtrul butterworth (cu valori netezite) tip trece jos de ordinul n si cu frecventa
de taiere la distanta D0 de origine este definita de functia de transfer:
H(u,v) = 1/[1+(D(u,v)/D0)2n]
unde D(u,v) este dat de relatia D(u,v) = (u2 + v2)1/2

Fata de filtrul ideal, filtrul butterworth are o functie de transfer ce nu produce o

discontinuitate abrupta intre frecventele ce trec si cele care sunt oprite.

Reprezentarea 3D a functiei de transfer. Afisarea filtrului sub forma unei

imagini. Sectiuni radiale pentru filtre de ordin 1 4.

Filtrul exponential tip trecejos cu frecventa de taiere la distanta D0 de

origine are o functie de transfer data de relatia:
H(u,v) = exp[(D(u,v)/D0)n]
unde D(u,v) = (u2 + v2)1/2, iar n controleaza rata de descrestere a functiei
exponentiale.

Filtrul trapezoidal trecejos reprezinta un compromis intre filtrul trece jos

ideal si un filtru total netezit, fiind dat de relatia:

1
daca D(u,v)<D0
H(u,v) = [D(u,v)D1]/[D0D1]
daca D0 D(u,v) D1
0
daca D(u,v)>D1

unde D(u,v) = (u2 + v2)1/2 , iar D0 si D1 sunt valori specificate, astfel incat
D0<D1. Exista conventia ca frecventa de taiere sa se gaseasca la primul punct
D0 al functiei de transfer.

Filtrare trecesus
Marirea claritatii imaginilor se poate face in domeniul frecventa prin procesul
de filtrare trecesus, care atenueaza componentele de frecventa mica, fara sa
modifice componentele de frecventa mare ale transformatei Fourier.
Filtrul ideal trecesus are functia de transfer:

0 daca D(u,v) D0
H(u,v) =
1 daca D(u,v)>D0

unde D0 este o valoare specificata pozitiva, iar D(u,v) este distanta de la punctul
(u,v) la originea planului de frecventa conform relatiei (D(u,v) = (u2 + v2)1/2 . De
remarcat faptul acest filtru este opusul filtrului ideal trece-jos.

Reprezentarea 3D a functiei de transfer. Afisarea filtrului sub forma unei

imagini.

Aplicatie. Rezultatele filtrarilor trece-sus pentru imaginea de test precedenta cu

D0 = 15, 30 si respectiv 80

Filtrul butterworth trecesus de ordinul n avand localizarea frecventei de

taiare la distanta D0 de origine, este dat de relatia:
H(u,v) = 1/[1+[D0/D(u,v)]2n

Reprezentarea 3D a functiei de transfer. Afisarea filtrului sub forma unei

imagini.

Filtrul exponential trecesus cu frecventa de taiere la distanta D0 fata de

origine are functia de transfer data de relatia:
H(u,v) = exp{[D0/D(u,v)]n }
unde parametrul n controleaza rata de crestere a lui H(u,v) ca o functie de
distanta crescatoare de la origine.

Filtrul trapezoidal trecesus se poate defini prin relatia:

0
daca D(u,v)<D1

H(u,v) = [D(u,v)D1]/[D0D1] daca D1 D(u,v) D0

1
daca D(u,v)>D0

unde D1 si D0 sunt parametrii specificati cu D0>D1. Frecventa de taiere se

presupune ca este la distanta D0 de origine.

FILTRAREA IMAGINILOR IN DOMENIUL SPATIAL

Filtrare liniara
Filtrarea liniara: operator de vecinatate (rezultatul este in functie de valoarea
punctului curent si de valorile unor pixeli vecini). Este liniara pentru ca se verifica
principiul liniaritatii:
L(a1f1 + a2f2) = a1L(f1) + a2L(f2)
unde L este operatorul liniar, f1 si f2 sunt imagini, iar a1 si a2 sunt constante
scalare.
In cadrul operatiei de filtrare liniara valoarea unui pixel g(x,y) in imaginea
filtrata din pozitia (x,y):

g ( x, y )

wk ,l f ( x k , y l )

( k , l )W

=> media ponderata a unor pixeli dintr-o fereastra (vecinatate) W a pixelului

f(x,y) din imaginea initiala.
W se numeste masca sau fereastra de filtrare. Valorile wk,l corespund pozitiilor
(k, l) din fereastra de filtrare si sunt coeficientii filtrului.
O solutie simpla de filtru liniar este medierea cu pixelii vecini.

Medierea cu pixelii vecini

Medierea cu pixelii vecini este o metoda puternica in domeniul spatial pentru
medierea unei imagini. Fiind data o imagine cu N*N pixeli f(x,y), procedura
consta in a genera o imagine filtrata g(x,y) ale carei niveluri de gri in fiecare
punct (x,y) sunt obtinute prin medierea valorilor pixelilor lui f continuti intro
vecinatate a punctului (x,y). Se utilizeaza relatia:
g(x,y) = 1/M f(n,m)
(n,m)S

pentru x,y = 0,1,...,N1. S este setul coordonatelor punctelor apartinand

vecinatatii lui (x,y), iar M este numarul total de puncte definite de coordonatele
din S. De exemplu, setul coordonatelor vecinilor lui (x,y) aflati la distanta unitate
este:
S = { (x,y+1), (x,y1), (x+1,y), (x1,y) }

Pentru o raza data, efectul de neclaritate a imaginii produs de medierea cu

pixelii vecini se poate reduce utilizand o procedura de prag. Astfel, in loc sa se
utilizeze ecuatia precedenta pentru obtinerea lui g(x,y), se va aplica
urmatoarea relatie:

1/M f(m,n) daca | f(x,y)1/M f(m,n) | > T

(m,n)S
(m,n)S

g(x,y) =
f(x,y)
altfel

unde T este o valoarea de prag pozitiva, data. Ideea acestei solutii este sa se
lase nemodificate nivelurile punctelor ale caror diferente fata de vecini nu
depasesc valoarea de prag T.

Un exemplu simplu este media aritmetica a valorilor pixelilor dintr-o vecinatate

3x3, pentru fiecare pixel din imaginea initiala, coeficientii avand valori egale cu
1/9. Masca de filtrare W este: W = {(0, 0), (1, 0), (1, 0), (0, 1), (1, 1), (1,
1), (0, 1), (1, 1), (1, 1)}. In acest caz expresia care calculeaza valoarea
pixelului in imaginea filtrata este:

g ( x, y )

1 1

k 1 l 1 9

f (x k, y l)

Masca de filtrare poate fi reprezentata in forma matriciala:

1 / 9 1 / 9 1 / 9
W 1 / 9 1 / 9 1 / 9
1 / 9 1 / 9 1 / 9
Aceasta masca de filtrare se aplica succesiv fiecarui pixel din imaginea initiala,
valoarea calculata inlocuind pixelul respectiv in imaginea filtrata. O problema
apare la medierea pixelilor de pe cele patru granite ale imaginii. O solutie este
ca valorile acestor pixeli sa ramana nemodificate. O alta solutie este sa se
efectueze medierea si pentru acesti pixeli, copiind pentru fiecare linie sau
coloana de pe margine cate o linie, respectiv coloana suplimentara avand
aceleasi valori cu pixelii de pe linia sau coloana respectiva, eventual avand
anumite valori constante.
In general valorile pixelilor din fereastra de filtrare sunt apropiate de
valoarea pixelului central. Evident ca acest aspect nu este valabil in cazul
contururilor, care astfel prin mediere vor fi estompate. Pentru a rezolva aceasta
problema unele filtre utilizeaza un coeficient (pondere) de valoare mai mare
corespunzator pixelului central.

Aplicatie. Imagine 500x500 pixeli, patratele in partea superioara de

dimensiune 3, 5, 9, 15, 25, 35, 45, 55 pixeli, la distanta 25 pixeli, literele de
dimensiuni 10-24 pixeli, barele de 5x100 pixeli la distanta 20 pixeli, cerculete
de diametru 25 pixeli.

imaginea originala

imaginea mediata cu masca de filtrare 3x3

imaginea mediata cu masca de filtrare 5x5

imaginea mediata cu masca de

filtrare 9x9

imaginea mediata cu masca de filtrare 15x15

imaginea mediata cu masca de

filtrare 35x35

Aplicatie. Se realizeaza o filtrare spatiala prin care obiecte fara interes

se estompeaza in cadrul fondului, obiectele de interes fiind mai usor de
detectat. Marimea ferestei de filtrare determina dimensiunile obiectelor care se
estompeaza. Se aplica apoi o operatie de prag cu o valoare de prag 25% din
intensitatea maxima pentru refacerea obiectelor de interes.

Filtrul median
O alta solutie pentru a conserva contururile dintr-o imagine o reprezinta
filtrul median. Intr-o fereastra de filtrare valoarea pixelului central se determina ca
fiind valoarea mediana a valorilor pixelilor din aceea fereastra. De exemplu,
considerand o fereastra 3x3, valorile pixelilor din fereastra respectiva sunt:

10
15

20

20
20
25

20
20

100

Prin sortarea acestor valori se obtine sirul (10, 15, 20, 20, |20|, 20, 20, 25, 100),
pentru care valoarea mediana este 20 (valoarea marcata in sir). Deci aplicarea
filtrului va furniza in aceasta fereastra pentru pixelul central valoarea 20. In
acest fel se forteaza ca fiecare pixel din imagine sa fie cat mai asemanator cu
vecinii sai, dar in acelasi timp contururile sunt conservate. Evident filtrul median
este neliniar, fiind de fapt o operatie morfologica. Astfel la operatia de erodare
fiecare pixel este inlocuit cu valoarea cea mai mica din fereastra, la operatia de
dilatare, fiecare pixel este inlocuit cu valoarea cea mai mare din fereastra, in
timp ce la filtrarea mediana fiecare pixel este inlocuit cu valoarea mediana din
fereastra.

Aplicatie. Imaginea unui circuit imprimat afectata de zgomot sare-sipiper, filtrata cu filtru de mediere 3x3 (reducere semnificativa a zgomotului, dar
cu blurr) si filtrata cu filtru median (evident rezultate superioare).

Medierea de imagini multiple

Se considera o imagine cu zgomot g(x,y) formata din imaginea originala f(x,y)
si un zgomot suplimentar (x,y):
g(x,y) = f(x,y) + (x,y)
unde se presupune ca pentru fiecare pereche de coordonate (x,y) zgomotul este
aleator cu valoarea medie zero. Obiectivul procedurii care urmeaza este sa se
obtina un rezultat filtrat prin adunarea unui numar de imagini cu zgomot {gi(x,y)}.
Daca zgomotul satisface conditia de mai sus, este foarte simplu de aratat ca
daca o imagine gm(x,y) este formata prin medierea a M imagini diferite
M

gm(x,y) = 1/M gi(x,y)

rezulta ca

i=1

E{gm(x,y)} = f(x,y)
si
2gm(x,y) = 1/M 2(x,y)
unde E{gm(x,y)} este valoarea asteptata a lui gm, iar 2gm(x,y) si 2(x,y) sunt
abaterile patratice pentru gm si respectiv , in punctele de coordonate (x,y).
Deviatia standard in oricare punct din imaginea mediata este data de relatia:
gm(x,y) = 1/

(x,y)

Ecuatiile pentru 2gm(x,y) si gm(x,y) indica faptul ca pe masura ce M creste

variabilitatea valorilor pixelilor scade. Deoarece E{gm(x,y)}=f(x,y) inseamna ca
gm(x,y) se va apropia de f(x,y) pe masura ce numarul de imagini cu zgomot
utilizate in procesul de mediere va creste. In practica, singura dificultate este
obtinerea imaginilor in care sa corespunda exact pixelii.

Aplicatie. Medierea unor imagini din spatiu.

imaginea unei galaxii

imaginea afectata de zgomot aditiv gaussian

medierea a 8 imagini cu zgomot (M=8); medierea a 16 imagini cu zgomot

(M=16)

medierea a 64 imagini cu zgomot (M=64); medierea a 128 imagini cu zgomot

(M=128)

Efectele medierii pot fi mai bine apreciate din imaginile diferenta dintre
imaginea originala si cele patru imagini obtinute prin mediere. Din histograme
se deduce scaderea mediei si deviatiei standard ale imaginilor diferenta pe
masura ce M creste.

MODELUL IMAGINII
Modelul iluminarereflectanta se poate utiliza ca o baza pentru o procedura
din domeniul frecventa utila pentru a imbunatati aparenta unei imagini prin
comprimarea domeniului stralucirii si simultan imbunatatirea contrastului
(filtrare homomorfica). O imagine f(x,y) se poate exprima in termenii
componentelor iluminare si reflectanta prin relatia:
f(x,y) = i(x,y) r(x,y)
Aceasta ecuatie nu se poate utiliza direct pentru a opera separat asupra
componentelor de frecventa ale iluminarii si reflectantei deoarece transformata
Fourier a produsului celor doua functii nu este separabila, deci:
fourier{f(x,y)} fourier{i(x,y)} fourier{r(x,y)}
Se presupune totusi ca:
z(x,y) = ln[f(x,y)] = ln[i(x,y)] + ln[r(x,y)]

Rezulta ca:
fourier{z(x,y)} = fourier{ln[f(x,y)]} =
= fourier{ln[i(x,y)]} + fourier{ln[r(x,y)]}
sau:
Z(u,v) = I(u,v) + R(u,v)
unde I(u,v) si R(u,v) sunt transformatele Fourier pentru ln[i(x,y)] si respectiv,
ln[r(x,y)]. Daca se prelucreaza Z(u,v) utilizand o functie de filtrare H(u,v), care
atenueaza componentele de frecventa joasa si amplifica componentele de
frecventa inalta (figura urmatoare) se obtine:
S(u,v) = H(u,v) Z(u,v) = H(u,v) I(u,v) + H(u,v) R(u,v)
unde S(u,v) este transformata Fourier a rezultatului. In domeniul spatial exista
relatia:
s(x,y) = fourier-1{S(u,v)} = fourier-1{H(u,v)I(u,v)} +
+ fourier-1{H(u,v)R(u,v)}

Daca se noteaza:
i'(x,y) = fourier-1{H(u,v)I(u,v)}
r'(x,y) = fourier-1{H(u,v)R(u,v)}
ecuatia s(x,y) poate fi exprimata sub o alta forma:
s(x,y) = i'(x,y) + r'(x,y)

Deoarece z(x,y) a fost reprezentat considerand logaritmul imaginii originale,

obtinerea imaginii imbunatatite g(x,y) se realizeaza prin operatia inversa:
g(x,y) = exp{s(x,y)} = exp{i'(x,y)} exp{r'(x,y)} = i 0(x,y) r0(x,y)
unde sau facut notatiile:
i0(x,y) = exp{i'(x,y)}
r0(x,y) = exp{r'(x,y)}
reprezentand iluminarea si reflectanta imaginii obtinute.

Solutia de imbunatatire utilizand aceasta metoda este reprezentata in schema

urmatoare:

Aceasta metoda se bazeaza pe o clasa speciala de sisteme denumite sisteme

homomorfice. In aceasta aplicatie particulara cheia abordarii este separarea
componentelor de iluminare si reflectanta comform ecuatiei Z(u,v) = I(u,v) +
R(u,v), dand posibilitatea functiei de filtrare homomorfice sa opereze
independent asupra acestor componente. Componenta iluminare a unei
imagini se caracterizeaza in general printro variatie lenta, in timp ce reflectanta
are variatii bruste, de exemplu la jonctiunea de obiecte diferite. Astfel, cu
iluminarea se asociaza frecventele joase ale transformatei Fourier a
logaritmului unei imagini, iar cu reflectanta frecventele inalte. Desi este o
regula destul de aproximativa, se poate utiliza pentru obtinerea de imbunatatiri
ale unei imagini.

OPERATII DE NETEZIRE
Operatiile de netezire permit eliminarea micilor diferente dintre valorile
pixelilor apartinand unei aceleiasi regiuni, reduc zgomotul si pregatesc
imaginile pentru prelucrari ulterioare, ca de exemplu segmentarea. Algoritmii de
netezire se pot clasifica in:
-algoritmi liniari, utilizabili in domeniul Fourier;
-algoritmi neliniari, neutilizabili in domeniul Fourier.
De asemenea, se disting implementari bazate pe suport rectangular pentru
filtru si implementari bazate pe suport circular.

Filtre liniare
In continuare sunt prezentati cei mai importanti algoritmi liniari de
filtrare de netezire.
Avand in vedere relatia generala pentru filtrarea liniara:

wk ,l f ( x k , y l )

g ( x, y )

( k , l )W

se considera cazul unei imagini complet uniforme, in care toti pixelii au aceeasi
valoare v. Aplicand relatia de mai sus valorile pixelilor nu se mai modifica, deci
nici uniformitatea imaginii nu se modifica. Se obtine:

v
adica:

wk ,l v

( k , l )W

wk , l

( k , l )W

S-a obtinut conditia ca suma coeficientilor mastii de filtrare sa fie egala cu 1

(conditia de normare a nucleelor de filtrare de netezire). In prelucrarile de
imagini se utilizeaza si alte filtre decat cele care realizeaza o medie aritmetica a
pixelilor dintr-o vecinatate patrata.

In continuare sunt prezentate cateva exemple de masti care realizeaza medieri

ponderate:

1/ 16 1/ 16 1/ 16
W1 1/ 16 1/ 2 1/ 16
1/ 16 1/ 16 1/ 16

0 1/ 5 0
W2 1 / 5 1 / 5 1 / 5
0 1 / 5 0

0 1/ 8 0
W3 1 / 8 1 / 4 1 / 8
0 1/ 8 0

1 / 2 1 / 6
W4

1
/
6
1
/
6

Chiar daca nucleul de filtrare poate avea orice forma, in practica se utilizeaza
forme regulate, avand pixelul care se calculeaza in centru. Intr-o astfel de
situatie nucleul W4 poate fi rescris prin completarea cu coeficienti nuli astfel
incat sa rezulte un patrat 3x3:

0
0 0
W4 0 1 / 2 1 / 6
0 1 / 6 1 / 6
Se observa ca toate aceste masti respecta conditia de normare pentru un
nucleu de netezire.

Filtru uniform. Imaginea de iesire se bazeaza pe o mediere locala a filtrului de

intrare, unde toate valorile din interiorul suportului filtrului au aceeasi pondere.
Functia de desfasurare a punctului PSF (point spread function), reprezentand
raspunsul sistemului la un impuls de lumina (imaginea de iesire este convolutia
dintre imaginea de intrare si PSF), precum si functia de transfer pentru cazul
rectangular:

si pentru cazul circular.

Pentru domeniul spatial discret [m,n] valorile filtrului sunt esantioane ale
domeniului continuu. De exemplu, pentru cazul rectangular (J=K=5 filtru
rectangular):

1 1 1 1 1
1 1 1 1 1

1
hrect [ j , k ] 1 1 1 1 1
25

1
1
1
1
1

1 1 1 1 1

iar pentru cazul circular (R=2.5 filtru circular):

0
1
1
1
hcirc [ j , k ]
21
1
0

1
1
1
1
1

1
1
1
1
1

1
1
1
1
1

1
1

1
0

In ambele cazuri filtrul este normalizat astfel incat h[j,k]=1, aceasta

pentru ca daca imaginea de intrare f[x,y] este constanta, atunci si imaginea de
iesire g[x,y] este aceeasi constanta.

Filtru triunghiular. Imaginea de iesire este o mediere locala a filtrului de intrare

unde valorile din interiorul suportului filtrului au ponderi diferite. In general, filtrul
poate fi vazut ca o convolutie de doua filtre uniforme identice fie rectangulare,
fie circulare. Functiile PSF si de transfer pentru cazul suportului rectangular:

si pentru cazul circular.

Exemple pentru cazul suportului rectangular (J=K=5 filtru

piramidal):

1
2
1
3
hrect [ j , k ]
81
2
1

4
6

6
9

4
6

2
3

4
2

6
3

4
2

2
1

si cazul suportului circular (R=2.5 filtru

conic):

0
0
1
1
hcirc [ j , k ]
25
0
0

0 1 0 0
2 2 2 0
2 5 2 1

2 2 2 0
0 1 0 0

Filtru Gaussian. Utilizarea larga a nucleului Gaussian pentru filtrari se

datoreaza unor proprietati (teorema limitei centrale, produsul spatiu-largime de
banda minima), precum si unor aplicatii cum sunt detectare de contur si analiza
spatiului de scalare. Functiile PSF si de transfer pentru spatiul continuu sunt:

Filtrul Gaussian este

separabil:
x2 y2

1 2 2
h ( x , y ) g 2 D ( x, y )
e

2
2
x2
y2
1
2
2
1
2

e
e 2 g1D ( x) g1D ( y )
2
2

Unde este deviatia standard a distributiei Gaussiene.

Exista patru solutii de implementare a filtrului Gaussian:
1) Convolutia utilizand un numar finit (N0) de esantioane Gaussiene ca
nucleu de convolutie (de obicei

g1D [n]

1
e
2

x2
2 2

n N0
n N0

2) Convolutia repetitiva utilizand un filtru uniform ca nucleu al convolutiei:

g1D[n] u[n]*u[n]*u[n]

u[ n]

1
2N0 1
0

n N0
n N0

Implementarea actuala in fiecare dimensiune este de obicei de forma:

c[n]=((a[n]*u[n])*u[n])*u[n]

3) Inmultirea in domeniul frecventa. Deoarece transformarea Fourier a

unei Gaussiene este tot o Gaussiana, este util sa se pregateasca un
filtru H(u,v)=G2D(u,v). Pentru evitarea efectelor de trunchiere in
domeniul frecventa datorate extinderii infinite a Gaussienei este
important sa se aleaga suficient de mare (de exemplu >k/ pentru
K=2 sau 3).

4) Utilizarea unei implementari de filtru recursiv. Un filtru recursiv are

un raspuns infinit la impuls si deci un suport infinit. Filtrul Gaussian separabil
poate fi implementat prin aplicarea urmatorului algoritm in fiecare dimensiune,
unde 0.5:
alege pe baza scopului final al filtrarii;
determina parametrul q;
determina coeficientii filtrului {b0,b1,b2,b3,B};
aplica ecuatia pentru w[n];
aplica ecuatia pentru c [n].
Relatia dintre si q este:

0.9871 0.9633
q
3.97156 4.14554 1 0.26891

2.5
0.5 2.5

Coeficientii filtrului sunt definiti prin relatiile:

b0 1.57825 2.44413q 1.4281q 2 0.422205q 3

b1 2.44413q 2.85619q 2 1.26661q 3
b2 1.4281q 2 1.26661q 3
b3 0.422205q 3
b1 b2 b3
B 1
b0

Ecuatia de diferenta inainte unidimensionala preia o linie sau o coloana de

intrare a[n] si produce un rezultat intermediar de iesire w[n] dat de relatia:
w[n]=Ba[n]+(b1w[n-1]+b2w[n-2]+b3w[n-3])/ b0
pentru n=0 pana la n=N-1. Ecuatia de diferenta inapoi preia rezultatul
intermediar w[n] si produce iesirea c[n] data de relatia:
c [n]=Bw[n]+(b1c[n+1]+b2c[n+2]+b3c[n+3])/ b0
pentru n=N-1 pana la n=0.

Filtru liniar de contrastare. In vederea evidentierii conturului unui obiect

dintr-o imagine prin modificarea valorilor pixelilor apartinand celor doua zone
ale frontierei, se poate utiliza un filtru liniar de contrastare. Acesta are la baza
studiul fiziologiei sistemului vizual uman care realizeaza niste prelucrari de tip
derivativ de ordinul doi ale informatiei. Implementarea discreta a primei derivate
se face prin diferentiere, dupa cele doua directii, orizontala si verticala. De
exemplu pentru derivata dupa directia orizontala se poate folosi una din
formulele:
f (x,y) = f (x,y+1) f (x,y)
f (x,y) = f (x,y) f (x,y1)
f (x,y) = f (x,y+1) f (x,y1)

Pentru implementarea derivatei de ordinul doi bidirectionale (operator

Laplacian) se utilizeaza masti, cum sunt:

W1 1 / 4
0
1/ 4
W2 1 / 2
1 / 4

1/ 4
1
1/ 4
1/ 2
1
1/ 2

0
1 / 4
0

1/ 4
1 / 2
1 / 4

1 / 8 1 / 8 1 / 8
W3 1 / 8
1
1 / 8
1 / 8 1 / 8 1 / 8

Conditia pe care trebuie sa o indeplineasca aceste nuclee este ca valoarea

calculata in interiorul unei regiuni perfect uniforme (de valoare v) sa fie nul.
(derivata unei constante este zero), Rezulta ca:

wk ,l v 0

k ,l W

deci

wk , l

( k , l )W

si reprezinta conditia de normare a unui nucleu de filtrare derivativ (suma

coeficientilor mastii este zero). Nucleele de derivata secunda (operatori
laplacieni) anteriori verifica aceasta conditie.

Alte filtre. Domeniul Fourier permite implementarea unei

serii de filtre de netezire, de obicei de tipul trece-jos. Este de dorit
sa se utilizeze filtre trece-jos cu faza zero, astfel incat sa nu
produca distorsiuni de faza la filtrarea de imagini. Filtre trece-jos:
filtrul Airy si filtrul Exponential Decay.

Filtre neliniare
Au fost dezvoltate o serie de filtre neliniare, care insa nu pot fi aplicate
in domeniul Fourier:
Filtrul median se bazeaza pe deplasarea unei ferestre peste o imagine
(ca pentru o convolutie) si calculeaza pixelul de iesire ca valoarea mediana a
stralucirii pixelilor din interiorul ferestrei. Pentru o fereastra de dimensiune J*K
se ordoneaza crescator cele JK valori de stralucire, iar valoarea mediana este
valoarea cu numarul de ordine (JK+1)/2 (pentru JK impar). Valoarea rezultata
este egala chiar cu valoarea unui pixel din cadrul ferestrei, deci nu este
necesara nici o rotunjire. Complexitatea algoritmului per pixel este
O(JKlog(JK)). Exista si un algoritm mai rapid (Huang), care reduce
complexitatea la O(K), pentru JK.
Filtrul procentaj este o varianta a celui precedent. Pixelul central din
cadrul ferestrei este inlocuit cu valoarea stralucirii p%, unde p% varieaza de la
0% (filtrul minimal) la 100% (filtrul maximal). Filtrul median se obtine pentru
valoarea p=50% si corespunde filtrului de netezire.

Filtrul Kuwahara permite netezirea imaginilor fara sa modifice proeminenta si

pozitia contururilor (este un filtru de conservare a muchiilor). Acest filtru poate fi
implementat pentru o varietate de forme ale ferestrei, dar ca exemplu se va
considera o fereastra patrata de dimensiune J=K=4L+1, unde L este un intreg.
Fereastra este impartita in patru regiuni.

In fiecare din cele patru regiuni se masoara stralucirea medie, mi si varianta si2
(deviatia standard de esantionare). Valoarea de iesire a pixelului central este
valoarea medie a regiunii cu varianta cea mai mica. Complexitatea per pixel a
algoritmului este O(JK).