digitaalinen kuvankäsittely
DESCRIPTION
Digitaalinen kuvankäsittely. 4. harjoitus: S uodatus paikkatasossa. Käytännön järjestelyistä. K äytä unix-konetta Siirry hakemistoon: / p/edu/Maa-57.231/Dkk/H7/ Käynnistä MatLab: ensin ” use matlab ” - sitten ” matlab ” - PowerPoint PPT PresentationTRANSCRIPT
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)