TEHNICI DE RESTAURARE

PARTEA A III-A
FILTRARE ÎN DOMENIUL
FOURIER
I. Modelul de degradare liniar, independent de poziție

În domeniul spațial

 Modelul de degradare liniar independent de poziție este exprimat prin

 convoluția dintre operatorul h și imaginea originală f
 adăugarea componentei zgomot aditiv 𝜂 , cu rezultat imaginea
observată g.

 Fie f funcție imagine de dimensiune 𝑁 × 𝑀. Pentru 1 ≤ 𝑥 ≤ 𝑁, 1 ≤ 𝑦 ≤ 𝑀,

modelul de degradare este exprimat prin relația

𝑔 𝑥, 𝑦 = ℎ ⊗ 𝑓 𝑥, 𝑦 + 𝜂 𝑥, 𝑦

 Informațiile legate de componenta zgomot 𝜂 sunt strict de natură statistică.

În domeniul frecvențelor

Pe baza teoremei de convoluție rezultă

𝑔ො 𝑛, 𝑚 = ℎ෠ 𝑛, 𝑚 ⋅ 𝑓መ 𝑛, 𝑚 + 𝜂ො 𝑛, 𝑚

unde 1 ≤ 𝑛 ≤ 𝑁, 1 ≤ 𝑚 ≤ 𝑀 și 𝑔, ෠ 𝑓መ și respetiv 𝜂ො desemnează reprezentările

ො ℎ,
Fourier ale funcțiilor g, h, f și 𝜂.

 În cazul modelului liniar și invariant la translații, deoarece procesul de

degradare este modelat în termenii convoluție, tehnicile de restaurare
trebuie proiectate astfel încât să permită inversarea modelului de
degradare.

 Restaurarea este numită și deconvoluție, iar filtrele utilizate pentru

restaurare se mai numesc și filtre de deconvoluție și sunt construite în
domeniul de frecvențe.
 II. Exprimarea filtrării spațiale cu o mască dată prin
intermediul filtrării Fourier
 Funcția h din domeniul spațial are o mască de filtrare 𝑛 × 𝑚, n și m impare,
𝑛 ≪ 𝑁, 𝑚 ≪ 𝑀.
 Presupunem h simetrică pară sau impară, cu centrul de simetrie dat de
centrul măștii.

Algoritmul de filtrare în domeniul Fourier pentru h corespunzătoare unei

ferestre de filtrare 𝑛 × 𝑚 din domeniul spațial

 Pas 1. Calculează 𝑓𝑝 , de dimensiune 𝑃 × 𝑄 prin adăugarea de n-1 linii și m-

1 coloane nule, 𝑃 = 𝑁 + 𝑛 − 1, 𝑄 = 𝑀 + 𝑚 − 1.

 Pas 2. Centrează 𝑓𝑝 și obține 𝑓𝑝𝑐 .

 Pas 3. Calculează 𝑓መ𝑝𝑐 = 𝑇𝐹𝐷 𝑓𝑝𝑐 .

 Pas 4. Calculează ℎ𝑝 , 𝑃 × 𝑄, prin adăugarea de linii și coloane nule în
matricea h astfel încât h să se regăsească în centrul matricei ℎ𝑝 .

 Pas 5. Centrează ℎ𝑝 și obține ℎ𝑝𝑐 .

 Pas 6. Calculează ℎ෠ 𝑝𝑐 = 𝑇𝐹𝐷 ℎ𝑝𝑐 . Aplică transformarea ℎ෠ 𝑝 𝑛, 𝑚 =

−1 𝑚+𝑛 ∙ ℎ෠ 𝑝𝑐 𝑛, 𝑚 .

 Pas7. Calculează matricea G,

0 ≤ 𝑛 ≤ 𝑃 − 1 și 0 ≤ 𝑚 ≤ 𝑄 − 1, 𝐺 𝑛, 𝑚 = ℎ෠ 𝑝 𝑛, 𝑚 ∙ 𝑓መ𝑝𝑐 𝑛, 𝑚 .

 Pas 8. Calculează 𝑔𝑝 , o variantă extinsă a imaginii procesate: pentru 0 ≤

𝑥 ≤ 𝑃 − 1 și 0 ≤ 𝑦 ≤ 𝑄 − 1,
𝑔𝑝 𝑥, 𝑦 = 𝑅𝑒𝑎𝑙 𝑇𝐹𝐷𝐼 𝐺 𝑛, 𝑚 ∙ −1 𝑥+𝑦

 Pas 9. Calculează imaginea rezultat g de dimensiune 𝑁 × 𝑀 prin eliminarea

liniilor și coloanelor suplimentare din 𝑔𝑝 , similar filtrării spațiale.
III. Estimarea funcției de degradare
 A. Unul din primele modele considerate a fost cel inspirat din turbulențele
atmosferice. În varianta centrată, masca de degradare în domeniul
frecvențelor este definită prin
5
𝑁 2 𝑀 2 6
ℎ෠ 𝑛, 𝑚 = 𝑒𝑥𝑝 −𝑘 𝑛− + 𝑚−
2 2

 B. Voalarea rezultată în urma mișcării senzorului la momentul achiziției

imaginilor (termen referit prin motion blur) în caz continuu

 Fie f o funcție imagine care este achiziționată cu un senzor care induce un

efect de voalare datorat mișcării în plan (determinat de sistemul de axe OX
și OY)

 𝑥0 𝑡 și 𝑦0 𝑡 componentele care definesc procesul de mișcare pe fiecare

dintre cele două axe (ca funcții de variabila timp).
 B1. În ipoteza mișcării liniare uniforme, independentă de poziție și
exclusiv pe x (mișcare la nivel de linie, deci pe verticală), rezultă

𝑎∙𝑡
𝑥0 𝑡 = , 𝑦0 𝑡 = 0
𝑇
și masca de degradare în domeniul frecvențelor este definită prin

𝑇 ∙ 𝑠𝑖𝑛 𝜋 ∙ 𝑛 ∙ 𝑎
ℎ෠ 𝑛, 𝑚 = 𝑒𝑥𝑝 −𝜋 ∙ 𝑖 ∙ 𝑛 ∙ 𝑎
𝜋∙𝑛∙𝑎

 B2. În ipoteza mișcării liniare uniforme, independentă de poziție și

exclusiv pe y (mișcare la nivel de coloană, deci pe orizontală) rezultă

𝑏∙𝑡
𝑦0 𝑡 = , 𝑥0 𝑡 = 0
𝑇
și masca de degradare în domeniul frecvențelor este dată de

𝑇 ∙ 𝑠𝑖𝑛 𝜋 ∙ 𝑚 ∙ 𝑏
ℎ෠ 𝑛, 𝑚 = 𝑒𝑥𝑝 −𝜋 ∙ 𝑖 ∙ 𝑚 ∙ 𝑏
𝜋∙𝑚∙𝑏
 B3. În ipoteza în care ambele componente mișcare sunt prezente în
imagine (liniare, uniforme și independente de poziție)

𝑎∙𝑡 𝑏∙𝑡
𝑥0 𝑡 = , 𝑦0 𝑡 =
𝑇 𝑇

este obținut filtrul de degradare în domeniul Fourier exprimat prin

𝑇 ∙ 𝑠𝑖𝑛 𝜋 ∙ 𝑛 ∙ 𝑎 + 𝑚 ∙ 𝑏
ℎ෠ 𝑛, 𝑚 = 𝑒𝑥𝑝 −𝜋 ∙ 𝑖 ∙ 𝑛 ∙ 𝑎 + 𝑚 ∙ 𝑏
𝜋∙ 𝑛∙𝑎+𝑚∙𝑏
 C. Voalarea rezultată în urma mișcării senzorului la momentul achiziției
imaginilor în caz discret

 C1. Mișcarea liniară și independentă de poziție pe axa OX este

exprimată în domeniul spațial prin

1 𝑖𝑇 −1
𝑔 𝑥, 𝑦 = 𝑖 σ𝑘=0 𝑓 𝑥 − 𝑘, 𝑦 𝑥 = 0,1, ⋯ , 𝑁 − 1 𝑦 = 0,1, ⋯ , 𝑀 − 1
𝑇

unde 𝑖 𝑇 este numărul de pixeli ai căror luminozitate a fost înregistrată

de aceeași celulă a senzorului.

În domeniul frecvențelor, masca de degradare corespunzătoare este:

𝑛 ∙ 𝑖𝑇
1 𝑠𝑖𝑛 𝜋 ∙ 𝑛 ∙ 𝑖𝑇 − 1
෠
ℎ 𝑛, 𝑚 = ∙ 𝑁
𝑖𝑇 𝑛 ∙ 𝑒𝑥𝑝 −𝜋 ∙ 𝑖 ∙ 𝑁
,𝑛 > 0
𝑠𝑖𝑛 𝜋 ∙ 𝑁

ℎ෠ 0, 𝑚 = 1, 𝑚 = 0,1, ⋯ , 𝑀 − 1
  C2. Mișcarea liniară și independentă de poziție pe OY este
caracterizată în domeniul spațial de masca

𝑖𝑇 −1
1
𝑔 𝑥, 𝑦 = ෍ 𝑓 𝑥, 𝑦 − 𝑘 𝑥 = 0,1, ⋯ , 𝑁 − 1 𝑦 = 0,1, ⋯ , 𝑀 − 1
𝑖𝑇
𝑘=0

și filtrul Fourier corespunzător perturbării pe OY este dat prin

𝑚 ∙ 𝑖𝑇
1 𝑠𝑖𝑛 𝜋 ∙ 𝑚 ∙ 𝑖𝑇 − 1
ℎ෠ 𝑛, 𝑚 = ∙ 𝑀 ∙ 𝑒𝑥𝑝 −𝜋 ∙ 𝑖 ∙
𝑖𝑇 𝑚 𝑀
𝑠𝑖𝑛 𝜋 ∙ 𝑀

ℎ෠ 𝑛, 0 = 1, 𝑛 = 0,1, ⋯ , 𝑁 − 1
 EXEMPLE
 D. Imaginile voalate sunt reprezentate prin intermediul convoluţiei dintre
imaginile iniţiale şi diferite măşti de voalare. Exemple :
1
×
𝑠𝑢𝑚𝑎 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑒𝑙𝑜𝑟 𝑓𝑖𝑙𝑡𝑟𝑢𝑙𝑢𝑖
 EXEMPLE
IV. Filtrul invers

 Filtrul invers este utilizat pentru modelul de degradare care nu include

componenta zgomot, exprimat prin

𝑔 = ℎ⊗𝑓

 Fie f şi g imagini de dimensiune 𝑁 × 𝑀.

 Prin aplicarea transformatelor Fourier funcţiilor g, h şi f obținem

𝑔ො 𝑛, 𝑚 = ℎ෠ 𝑛, 𝑚 ⋅ 𝑓መ 𝑛, 𝑚
1 ≤ 𝑛 ≤ 𝑁, 1 ≤ 𝑚 ≤ 𝑀
 Rezultă,
1
𝑓መ 𝑛, 𝑚 = 𝑔ො 𝑛, 𝑚 ∙ , 1 ≤ 𝑛 ≤ 𝑁, 1 ≤ 𝑚 ≤ 𝑀
ℎ෠ 𝑛, 𝑚

unde 𝑛, 𝑚 sunt coordonatele punctului curent, fie acesta notat cu 𝑥, 𝑦 , în

domeniul frecvenţelor, 1 ≤ 𝑥 ≤ 𝑁, 1 ≤ 𝑦 ≤ 𝑀.
 Teoretic, imaginea neperturbată f este calculată prin aplicarea
transformatei Fourier inverse,

1
𝑓 𝑥, 𝑦 = 𝑇𝐹𝐷𝐼 𝑔ො 𝑛, 𝑚 ∙
ℎ෠ 𝑛, 𝑚

unde TFDI este operatorul transformată Fourier inversă.

 Filtrul de restaurare utilizat este filtrul invers dat de relația

1
෡ 𝑛,𝑚
ℎ

unde inversarea este efectuată punct cu punct şi nu la nivel de matrice.

 În practică, intervin probleme în cazul în care există puncte 𝑛, 𝑚 în
domeniul de frecvenţe pentru care ℎ෠ 𝑛, 𝑚 = 0 ( ℎ෠ 𝑛, 𝑚 < 𝜀).

 Dacă ℎ෠ 𝑛, 𝑚 = 0( ℎ෠ 𝑛, 𝑚 < 𝜀) şi g nu este perturbată cu zgomot, atunci

𝑔ො 𝑛, 𝑚 = 0 (( 𝑔ො 𝑛, 𝑚 < 𝜀)) şi, în plus, relația care definește filtrul nu poate
fi aplicată.

 Variante de tratare a situație în care ℎ෠ 𝑛, 𝑚 = 0:

 Dacă există 𝑛, 𝑚 cu ℎ ෠ 𝑛, 𝑚 = 0 ( ℎ෠ 𝑛, 𝑚 < 𝜀), atunci setează
𝑓መ 𝑛, 𝑚 = 𝑔ො 𝑛, 𝑚 .
 Dacă 𝑔ො 𝑛, 𝑚 are spectrul în afara unui interval dat, atunci 𝑓መ 𝑛, 𝑚 este
setat pe 0.

 O altă problemă: obținerea imaginii g la momentul achiziției este cu

pierdere de informație (datorată, în primul rând, restricționării la un
număr dat de niveluri de gri), deci nu este reflectată exact forma
transformatei Fourier a imaginii captate și, de asemenea, relația de
reconstucție este inefectivă).
 EXEMPLE DE APLICARE A FILTRULUI INVERS
Perturbare motion blur în domeniul continuu, pe x

Perturbare motion blur în domeniul continuu, pe y

 În modelul general de degradare

𝑔ො 𝑛, 𝑚 = ℎ෠ 𝑛, 𝑚 ⋅ 𝑓መ 𝑛, 𝑚 + 𝜂ො 𝑛, 𝑚

aplicarea filtrului invers este realizată prin

𝑔ො 𝑛, 𝑚 𝜂ො 𝑛, 𝑚
𝑓ሚ 𝑥, 𝑦 = 𝑇𝐹𝐷𝐼 −
ℎ෠ 𝑛, 𝑚 ℎ෠ 𝑛, 𝑚

 Chiar dacă funcția de degradare este cunoscută, imaginea perturbată nu

poate fi restaurată (nu poate fi calculată reprezentarea Fourier a acesteia),
deoarece reprezentarea în frecvențe a zgomotului nu este cunoscută. În
𝑔ො 𝑛,𝑚
concluzie poate fi aplicată doar varianta 𝑓ሚ 𝑥, 𝑦 = 𝑇𝐹𝐷𝐼 .
ℎ෠ 𝑛,𝑚

 ෡ are valori nule sau foarte mici, raportul

Dacă funcția de degradare 𝒉
ෝ 𝒏,𝒎
𝜼 ෨
෡ 𝒏,𝒎 poate domina aproximarea 𝒇 a imaginii originale – situație
𝒉
întâlnită în practică.
 EXEMPLE DE APLICARE A FILTRULUI INVERS PENTRU O IMAGINE
CARE ÎNGLOBEAZĂ ȘI COMPONENTA ZGOMOT – EVIDENT,
ZGOMOTUL NU ESTE ELIMINAT

 VARIANTE ALTERNATIVE PENTRU TRATAREA SITUAȚIEI

GENERALE – FILTRUL WIENER ȘI FILTRUL GEOMETRIC
III. Filtrul Wiener
 Filtrul Wiener este construit pe baza modelului statistic de minimizare a
erorii medii pătratice a imaginii restaurate faţă de imaginea originală.

 Modelul de degradare este cel general:

𝑔 𝑥, 𝑦 = ℎ ⊗ 𝑓 𝑥, 𝑦 + 𝜂 𝑥, 𝑦
1 ≤ 𝑥 ≤ 𝑁, 1 ≤ 𝑦 ≤ 𝑀

 Filtrul Wiener - 𝑅𝑊 operatorul definit prin:

pentru 1 ≤ 𝑥 ≤ 𝑁, 1 ≤ 𝑦 ≤ 𝑀
𝑢, 𝑣 corespondentul lui 𝑥, 𝑦 în frecvenţe

ℎ෠ 𝑢, 𝑣
𝑅𝑊 𝑢, 𝑣 =
2 𝑆𝜂 𝑢, 𝑣
෠
ℎ 𝑢, 𝑣 +
𝑆𝑓 𝑢, 𝑣
unde
 ℎ෠ 𝑢, 𝑣 este conjugata transformatei ℎ෠ 𝑢, 𝑣 ;
 𝑆𝜂 𝑢, 𝑣 este puterea spectrală a componentei zgomot, calculată în 𝑢, 𝑣 ;

 𝑆𝑓 𝑢, 𝑣 este puterea spectrală a imaginii originale, calculată în 𝑢, 𝑣 .

 Imaginea restaurată este o estimare de eroare medie pătratică minimă a

imaginii originale f, calculată prin
pentru 1 ≤ 𝑥 ≤ 𝑁, 1 ≤ 𝑦 ≤ 𝑀
𝑢, 𝑣 corespondentul lui 𝑥, 𝑦 în frecvenţe
𝑓ሙ 𝑥, 𝑦 = 𝑇𝐹𝐷𝐼 𝑅𝑊 𝑢, 𝑣 ∙ 𝑔ො 𝑢, 𝑣
 Observaţii
 1. Dacă 𝑆𝜂 𝑢, 𝑣 = 0, relaţia defineşte filtrul invers,

ℎ෠ 𝑢, 𝑣 ℎ෠ 𝑢, 𝑣 1
𝑅𝑊 𝑢, 𝑣 = = =
ℎ෠ 𝑢, 𝑣
2 ෠ ෠
ℎ 𝑢, 𝑣 ∙ ℎ 𝑢, 𝑣 ℎ෠ 𝑢, 𝑣

pentru orice 𝑢, 𝑣 din domeniul Fourier.

 Observaţii
 2. În practică, deoarece imaginea iniţială nu este cunoscută, 𝑆𝑓 𝑢, 𝑣 nu
poate fi calculată. Filtrul Wiener 𝑅𝑊 este definit prin

ℎ෠ 𝑢, 𝑣
𝑅𝑊 𝑢, 𝑣 = 2
ℎ෠ 𝑢, 𝑣 +𝐾

 3. Modalitatea cea mai utilizată pentrul selectarea lui K astfel încât să

fie direct proporţional cu frecvenţa este:

෡ 𝒖, 𝒗
𝒉
𝑹𝑾 𝒖, 𝒗 = 𝟐
෡ 𝒖, 𝒗
𝒉 ෝ 𝒖, 𝒗
+𝜸∙ 𝒑 𝟐

unde 𝜸 este factor de ajustare şi p este un criteriu dat. Alegerea cea mai
des utilizată a criteriului p este filtrul Laplace cu masca 𝒑 =
𝟎 −𝟏 𝟎
−𝟏 𝟒 −𝟏
𝟎 −𝟏 𝟎
 În figura a este prezentată o imagine degradată motion blur în caz continuu
𝑇∙𝑠𝑖𝑛 𝜋∙𝑚∙𝑏
cu 𝑎 = 0, 𝑏 = 0.0015 și funcția ℎ෠ 𝑛, 𝑚 = 𝑒𝑥𝑝 −𝜋 ∙ 𝑖 ∙ 𝑚 ∙ 𝑏 și
𝜋∙𝑚∙𝑏
aditiv cu zgomot distribuit 𝑁 0, 𝜎 2, 𝜎 = 15 (componenta de degradare
zgomot este dominantă). În figura b este prezentată imaginea restaurată
prin aplicarea filtrului Wiener cu 𝛾 = 0.8. În procesul de restaurare a fost
aplicată scalarea pe {0,1,…,255}.
 În figura a este prezentată o imagine degradată motion blur în caz continuu
𝑇∙𝑠𝑖𝑛 𝜋∙𝑚∙𝑏
cu 𝑎 = 0, 𝑏 = 0.0015 și funcția ℎ෠ 𝑛, 𝑚 = 𝑒𝑥𝑝 −𝜋 ∙ 𝑖 ∙ 𝑚 ∙ 𝑏 și
𝜋∙𝑚∙𝑏
aditiv cu zgomot distribuit 𝑁0, 𝜎 2 , 𝜎 = 5 (componenta de degradare de tip
mișcare este dominantă). În figura b este prezentată imaginea restaurată
prin aplicarea filtrului Wiener cu 𝛾 = 0.03. În procesul de restaurare a fost
aplicată scalarea pe {0,1,…,255}.
 În figura a este prezentată o imagine degradată motion blur în caz discret cu
𝑚∙𝑖𝑇
1 𝑠𝑖𝑛 𝜋∙ 𝑚∙ 𝑖𝑇 −1
𝑖𝑇 = 9 și funcția ℎ෠ 𝑛, 𝑚 = ∙ 𝑀
𝑚 ∙ 𝑒𝑥𝑝 −𝜋 ∙ 𝑖 ∙ 𝑚 > 0,
𝑖𝑇 𝑠𝑖𝑛 𝜋∙ 𝑀
𝑀
ℎ෠ 𝑛, 0 = 1, 𝑛 = 0, ⋯ , 𝑁 − 1 și aditiv cu zgomot distribuit 𝑁 0, 𝜎 2 , 𝜎 = 10
(ambele componente de degradare induc o perturbație severă). În figura b
este prezentată imaginea restaurată prin aplicarea filtrului Wiener, 𝛾 = 0.1.
 În figura a este prezentată o imagine degradată motion blur în caz discret cu
𝑚∙𝑖𝑇
1 𝑠𝑖𝑛 𝜋∙ 𝑚∙ 𝑖𝑇 −1
𝑖 𝑇 = 11 și funcția ℎ෠ 𝑛, 𝑚 = ∙ 𝑀
𝑚 ∙ 𝑒𝑥𝑝 −𝜋 ∙ 𝑖 ∙ 𝑚 > 0, ℎ෠ 𝑛, 0 =
𝑖𝑇 𝑠𝑖𝑛 𝜋∙ 𝑀
𝑀
1, 𝑛 = 0, ⋯ , 𝑁 − 1 și aditiv cu zgomot distribuit 𝑁 0, 𝜎 2 , 𝜎 = 5 (componenta de
degradare de tip motion blur este dominantă). În figura b este prezentată
imaginea restaurată prin aplicarea filtrului Wiener cu 𝛾 = 0.05.
IV. Filtrul geometric
 Filtrul generic medie geometrică este definit prin,
𝛼 1−𝛼
ℎ෠ 𝑢, 𝑣 ℎ෠ 𝑢, 𝑣
𝑅𝐺𝑀 𝑢, 𝑣 = 2
ℎ෠ 𝑢, 𝑣 2 𝑆𝜂 𝑢, 𝑣
ℎ෠ 𝑢, 𝑣 + 𝛾 ∙
𝑆𝑓 𝑢, 𝑣

unde 𝛼 şi 𝛾 sunt constante reale pozitive. Similar filtrului Wiener, poate fi

2 𝑆𝜂 𝑢,𝑣
utilizată 𝑝Ƹ 𝑢, 𝑣 în locul 𝑆𝑓 𝑢,𝑣

 Procesul de restaurare este definit prin: pentru 1 ≤ 𝑥 ≤ 𝑁, 1 ≤ 𝑦 ≤ 𝑀, 𝑢, 𝑣

corespondentul punctului 𝑥, 𝑦 în domeniul de frecvenţe,
𝑓ሙ 𝑥, 𝑦 = 𝑇𝐹𝐷𝐼 𝑅𝐺𝑀 𝑢, 𝑣 ∙ 𝑔ො 𝑢, 𝑣

1
 Dacă 𝛼 = 2, atunci este obţinută media geometrică dintre filtrul invers şi
filtrul Wiener.
 Cele mai frecvent utilizate alegeri ale parametrilor 𝛼 şi 𝛾 sunt,
1
 1. 𝛼 = 2 şi 𝛾 = 1 - filtrul egalizare a puterii spectrale;
 2. 𝛼 = 0- filtrul parametric Wiener
 În figura a este prezentată o imagine degradată motion blur în caz continuu
𝑇∙𝑠𝑖𝑛 𝜋∙𝑚∙𝑏
cu 𝑎 = 0, 𝑏 = 0.0015 și funcția ℎ෠ 𝑛, 𝑚 = 𝑒𝑥𝑝 −𝜋 ∙ 𝑖 ∙ 𝑚 ∙ 𝑏 și
𝜋∙𝑚∙𝑏
2
aditiv cu zgomot distribuit 𝑁 0, 𝜎 , 𝜎 = 15 (componenta de degradare
zgomot este dominantă). În figura b este prezentată imaginea restaurată
1
prin aplicarea filtrului geometric cu 𝛾 = 0.7, 𝛼 = 2. În procesul de restaurare
a fost aplicată scalarea pe {0,1,…,255}.