Chương 5: Các phương pháp lọc không gian

Chia sẻ: Trung Trung | Ngày: | Loại File: PPT | Số trang:54

0
93
lượt xem
30
download

Chương 5: Các phương pháp lọc không gian

Mô tả tài liệu
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Lọc không gian thông thường được thực hiện để khử nhiễu hoặc thực hiện một số kiểu nâng cao chất lượng ảnh.

Chủ đề:
Lưu

Nội dung Text: Chương 5: Các phương pháp lọc không gian

  1. BỘ MÔN KHOA HỌC MÁY TÍNH NHẬP MÔN XỬ LÝ ẢNH Chương 5: Các phương pháp lọc không gian Biên soạn: Dr Ngo Huu Phuc
  2. Nội dung Lọc không gian thông thường được thực hiện để khử nhiễu hoặc thực hiện một số kiểu nâng cao chất lượng ảnh. Các thao tác này được gọi là lọc không gian để phân biệt chúng với lọc tần số. Có ba kiểu lọc được trình bày ở đây là: – Lọc trung bình (lọc tuyến tính). – Lọc trung vị (lọc phi tuyến). – Lọc nâng cao. Tham khảo bài giảng của ĐH Vanderbilt 2
  3. Lọc trung bình q Các bộ lọc trung bình thao tác trên các nhóm pixel địa phương. q Các pixel này được gọi là vùng láng giềng và thay thế pixel trung tâm bởi trung bình của các pixel trong cùng láng giềng đó. Tham khảo bài giảng của ĐH Vanderbilt 3
  4. Ví dụ về bộ lọc trung bình Việc thay thế này được thực hiện bằng một mặt nạ cuộn chẳng hạn như mặt nạ 3x3 sau đây: 1 / 9 1 / 9 1 / 9 1 / 9 1 / 9 1 / 9   1 / 9 1 / 9 1 / 9   Chú ý: các hệ số trong mặt nạ này có tổng bằng 1, nên độ sáng ảnh giữ nguyên, và các hệ số đều dương nên nó có khuynh hướng làm nhoè ảnh. Tham khảo bài giảng của ĐH Vanderbilt 4
  5. Các bộ lọc trung bình. Các bộ lọc trung bình có chức năng tìm một số dạng trung bình bên trong cửa sổ NxN. Bộ lọc cơ bản nhất trong số này là bộ lọc trung bình số học, tìm trung bình số học của các giá trị pixel trong cửa sổ, như sau: 1 Arithmetic Mean = 2 N ∑ I (r , c) ( r ,c )∈W trong đó N2 = số pixel trong cửa sổ W cấp NxN Tham khảo bài giảng của ĐH Vanderbilt 5
  6. Nhận xét về bộ lọc trung bình. q Bộ lọc trung bình số học làm mịn các sai khác địa phương bên trong ảnh, do đó nó bản chất là một bộ lọc thông thấp. q Nó có thể được thực hiện với một mặt nạ cuộn trong đó tất cả các hệ số đều bằng 1/N2. Bộ lọc này sẽ có khuynh hướng làm nhoè ảnh trong khi làm giảm bớt hiệu ứng của nhiễu. q Có thể thấy rằng kích thước mặt nạ càng lớn, thì hiệu ứng nhoè càng rõ rệt. q Kiểu bộ lọc này làm việc tốt nhất với các loại nhiễu Gauss và nhiễu phân bố đều. Chú ý: Hiệu ứng nhoè, làm giảm các chi tiết của ảnh, là không mong muốn, và có các bộ lọc trung bình khác đã được thiết kế để cực tiểu hoá các mất mát thông tin chi tiết này Tham khảo bài giảng của ĐH Vanderbilt 6
  7. Bộ lọc đối điều hoà (contra-harmonic mean filter) ộ lọc này làm việc tốt cho các ảnh chứa q B nhiễu trắng HOẶC đen, phụ thuộc vào bậc của bộ lọc R: ∑ I (r , c) R +1 ( r , c )∈W Contra - Harmonic Mean = ∑ I (r , c) R ( r ,c )∈W trong đó W là cửa sổ N x N đang xem xét. Với các giá trị R âm, nó khử được nhiễu đen, trong khi với các giá trị R dương nó khử được nhiễu trắng. Tham khảo bài giảng của ĐH Vanderbilt 7
  8. Bước lặp trung bình hình học q Bộ lọc này làm việc tốt nhất với nhiễu Gauss và duy trì được thông tin chi tiết tốt hơn bộ lọc trung bình số học. q Nó được định nghĩa bởi tích của các giá trị pixel bên trong cửa sổ, rồi lấy mũ 1/N2: 1 Geometric Mean = ∏ [ I (r , c)] N 2 ( r ,c )∈W Tham khảo bài giảng của ĐH Vanderbilt 8
  9. Bộ lọc trung bình điều hoà q Bộ lọc này bị lỗi đối với nhiễu đen nhưng lại làm việc tốt hơn đối với nhiễu trắng. q Bộ lọc được định nghĩa như sau: N2 Harmonic Mean = 1 ∑ ( r ,c )∈W I (r , c) Bộ lọc này cũng làm việc được với nhiễu Gauss, duy trì được thông tin chi tiết tốt hơn bộ lọc trung bình số học Tham khảo bài giảng của ĐH Vanderbilt 9
  10. Bộ lọc trung bình Yp q Bộ lọc này được định nghĩa như sau: 1  I (r , c)  p p Yp Mean =  ∑ 2  ( r ,c )∈W N  Bộ lọc này khử được nhiễu muối khi P < 0 và khử được nhiễu hạt tiêu khi P > 0 Tham khảo bài giảng của ĐH Vanderbilt 10
  11. Lọc phi tuyến q Phương pháp này trả lại giá trị của pixel trung vị trong các pixel láng giềng. q Đây là phương pháp không tuyến tính, không có công thức tính trước. Phương pháp này còn được gọi là phương pháp phi tuyến. q Trong một số tài liệu còn gọi là lọc hình thái học. q Về hình thái, phương pháp này gần giống với phương pháp làm mờ ảnh (lọc trung bình). q Khác với phương pháp lọc trung bình, phương pháp lọc trung vị (lọc phi tuyến) thường được dùng trước khi lấy biên. original median filtered Tham khảo bài giảng của ĐH Vanderbilt 11
  12. Lọc phi tuyến: định nghĩa tổng quát med { I , Z } ( p ) = median { I ( q ) } q∈supp( Z + p ) Có thể thực hiện như sau: 1. Gọi I là 1 band mầu của ảnh. 2. Gọi Z là vùng chứa các láng giềng. 3. Với mỗi pixel trong ảnh, p = (r,c), trong ảnh… 4. … chọn n pixel trong tập các láng giềng Z của p, 5. … sắp xếp n pixel trong lân cận của p, theo giá trị, thành danh sách L( j) với j = 1,…,n. 6. Giá trị kết quả tại vị trí p là L(m), với m =  n/2 +1. Tham khảo bài giảng của ĐH Vanderbilt 12
  13. Lọc phi tuyến: định nghĩa tổng quát 131 sorted intensity 133 values from 133 neighborhood 136 of p. 140 143 p 147 152 median 154 assigned to 157 pixel loc p in 160 output image. 162 163 164 165 171 Tham khảo bài giảng của ĐH Vanderbilt 13
  14. Phân tích nhiễu trong lấy cạnh H ( n − 32.5) + 0 . 25  0. 25 for n ≤ 32 =  1. 25 for n ≥ 33 H ( n − 32.5) + u ( n ) where u ( n ) = unif ( − 0. 25 , 0. 25 ) Tham khảo bài giảng của ĐH Vanderbilt 14
  15. Lọc trung bình trong phân tích cạnh 1D 1 4 h( n ) = ∑ h( n + k ) 9 k = −4 Tham khảo bài giảng của ĐH Vanderbilt 15
  16. Lọc trung bình trong phân tích cạnh 1D J(32-4:32+4)= 0.1920 0.3416 0.0464 mean 0.0177 0.3062 0.5910 1.3043 1.0079 1.0082 J(33-4:33+4)= 1.0950 0.3416 0.0464 0.0177 mean 0.3062 0.7134 1.3043 1.0079 1.0082 1.0950 1.2935 Tham khảo bài giảng của ĐH Vanderbilt 16
  17. Lọc trung vị trong phân tích cạnh 1D h( n ) = med { h( n + k ) } k = −4 4 Tham khảo bài giảng của ĐH Vanderbilt 17
  18. Lọc trung vị trong phân tích J(32-4:32+4)= cạnh 1D sorted 0.1920 0.0177 0.3416 0.0464 0.0464 0.1920 0.0177 0.3062 median 0.3062 0.3416 1.3043 1.0079 1.0079 1.0082 1.0082 1.0950 sorted J(33-4:33+4)= 1.0950 1.3043 0.0177 0.3416 0.0464 0.0464 0.3062 0.0177 0.3416 0.3062 1.0079 1.3043 median 1.0082 1.0079 1.0950 1.0082 1.2935 1.0950 1.3043 1.2935 Tham khảo bài giảng của ĐH Vanderbilt 18
  19. So sánh giữa lọc trung vị và trung bình Theme an it rpr s r s   di fle   e e ve   t  t p dg   t e  han he hes e e ebe t rt t   median bl rngfle . uri  it r blurred noisy step Tham khảo bài giảng của ĐH Vanderbilt 19
  20. So sánh giữa lọc trung vị và trung bình Theme an it rpr s r s   di fle   e e ve   t  t p dg   t e  han he hes e e ebe t rt t   blurred bl rngfle . uri  it r median step Tham khảo bài giảng của ĐH Vanderbilt 20

CÓ THỂ BẠN MUỐN DOWNLOAD

Đồng bộ tài khoản