digitaalinen kuvankäsittely

Digitaalinen kuvankäsittely

4. harjoitus:Suodatus paikkatasossa

Käytännön järjestelyistä Käytä unix-konetta Siirry hakemistoon:

/p/edu/Maa-57.231/Dkk/H7/ Käynnistä MatLab: ensin ”use matlab” -

sitten ”matlab” Jos kyseiseen koneeseen ei ole asennettu

MatLabia, niin ota yhteys johonkin toiseen koneeseen.

Käytännön järjestelyistä MatLab - Image Processing Toolbox -

Demos! Raportit palautetaan huoneen M225

vieressä olevaan laatikkoon DL: kahden viikon päästä Vastailen s-postiin, jos tulee kysymyksiä Palautettakin saa antaa

Ehostaminen

Ehostamisessa kuva muokataan paremman näköiseksi

Signaalista ja sen virheistä ei tarvita ennakkotietoa

Virheitä ei suoranaisesti korjata, kuten entistämisessä tehdään

Suodatus paikkatasossa Kuvaa muokataan paremmaksi tulkintaa varten Kuvan yksityiskohtia voidaan vahvistaa tai hävittää Kuvapikseleille lasketaan uudet arvot vanhan

pikselin ja sen ympäristön avulla Maski määrittää pikselin ympäristön (esim. 3x3 tai

5x5) Vain maskin keskimmäisen pikselin arvo muuttuu Maskilla käydään läpi kaikki kuvan pikselit

Kuvan pehmentäminen ja kohinan poisto Signaalin näytteenotossa tai lähetyksessä

syntyy virheitä (kohina) Näitä virheitä voidaan korjata

pehmentämällä kuvaa Samalla kuva kuitenkin sumenee

Keskiarvosuodatus Lineaarinen suodatus Yksityiskohdat häviävät Kuvan reunat hämärtyvät Käytetään maskia (esim. 3x3) Mitä isompi maski, sitä suurempi vaikutus

Esimerkki: keskiarvosuodatus

Käsiteltävänä olevan pikselin arvoksi annetaan maskin keskiarvo:

(191+118+134+151+138+134+132+157+115) / 9 = 141

Seuraavaksi siirretään maskia seuraavalle pikselille jne...

Kaikki kuvan pikselit käydään läpi

Kuva: Matlab

Mediaanisuodatus

Epälineaarinen suodatus Mediaanisuodatus poistaa tehokkaasti kohinaa

(salt & pepper) Toimii hyvin, jos kohina koostuu pienistä

pisteistä, joiden harmaasävyarvot poikkeavat merkittävästi kuvan oikeiden pikselien arvoista

Ei hämärrä kuvan reunoja

Esimerkki: mediaanisuodatus

Käsiteltävänä olevan pikselin arvoksi valitaan maskin arvojen mediaani

Järjestetään arvot ja valitaan niistä keskimmäinen:

(115, 118, 132, 134, 134, 138, 151, 157, 191)

Kuva: Matlab

Kuvan terävöittäminen

Kuva sumenee esimerkiksi kuvattaessa tai skannattaessa (alipäästösuodatus)

Terävöittämisessä korostetaan kuvan viivoja ja yksityiskohtia

Myös kohina korostuu

Terävöittäminen ensimmäisen derivaatan eli gradientin avulla

Gradienttia voidaan approksimoida käyttäen Sobelin menetelmää

Sobel-maskit:

x: y:

Maskien arvot kerrotaan vastaavilla kuvapikselien arvoilla

Maskin keskellä olevan pikselin uudeksi arvoksi annetaan näiden summa

Sitten siirretään maskia

Terävöittäminen toisen derivaatan eli Laplace-operaattorin avulla

Rotaatioinvariantti

Laplacen-operaattorilla on samat ominaisuudet joka suuntaan

Laplace-maski:

Esimerkki:

Alkuperäinen kuva

Gradienttikuva Laplace-kuva

Saadaan tumma kuva, jossa reunat näkyy kirkkaina

Muiden piirteiden, kuin reunojen tulkinta vaikeaa

Nämä kuvat voidaan yhdistää alkuperäisen kuvan kanssa (High Boost –suodatus)

Unsharp masking -menetelmä Toinen tapa terävöittää kuvaa Ylipäästösuodatettu kuva saadaan myös

vähentämällä alipäästösuodatettu kuva alkuperäisestä kuvasta

Toisin sanoen: Terävöitetty = Alkuperäinen – Alipäästö

Esimerkki: Unsharp masking

Ylipäästösuodatettu Alkuperäinen Alipäästösuodatettu

= -

High-boost suodatus Unsharp masking –menetelmän yleistys Pyritään vähentämään terävöittämisestä

johtuvaa kuvien tummumista Alkuperäistä kuvaa vahvistetaan

kertoimella K:

High-boost = K x Alkuperäinen – Alipäästö= (K-1) x Alkuperäinen + Ylipäästö

High-boost Alkuperäinen Alipäästösuodatettu

= -K x

(K = 1.7)

Esimerkki: High-boost

High-boost Alkuperäinen Ylipäästökuva

= +(K-1) x

(K = 1.7)