1 / 23

Digitaalinen kuvankäsittely

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 ”

talon
Download Presentation

Digitaalinen kuvankäsittely

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Digitaalinen kuvankäsittely 4. harjoitus: Suodatuspaikkatasossa

  2. 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.

  3. 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

  4. Ehostaminen • Ehostamisessa kuva muokataan paremman näköiseksi • Signaalista ja sen virheistä ei tarvita ennakkotietoa • Virheitä ei suoranaisesti korjata, kuten entistämisessä tehdään

  5. 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

  6. Kuvan pehmentäminen ja kohinan poisto • Signaalin näytteenotossa tai lähetyksessä syntyy virheitä (kohina) • Näitä virheitä voidaan korjatapehmentämällä kuvaa • Samalla kuva kuitenkin sumenee

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

  8. Esimerkki: keskiarvosuodatus • Käsiteltävänä olevan pikselin arvoksi annetaan maskinkeskiarvo: • (191+118+134+151+138+134+132+157+115) / 9 = 141 • Seuraavaksi siirretään maskia seuraavalle pikselille jne... • Kaikki kuvan pikselit käydään läpi

  9. Kuva: Matlab

  10. 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

  11. 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)

  12. Kuva: Matlab

  13. Kuvan terävöittäminen • Kuva sumenee esimerkiksi kuvattaessa tai skannattaessa (alipäästösuodatus) • Terävöittämisessä korostetaan kuvan viivoja ja yksityiskohtia • Myös kohina korostuu

  14. Terävöittäminen ensimmäisen derivaatan eli gradientin avulla • Gradienttia voidaan approksimoida käyttäen Sobelinmenetelmää • Sobel-maskit: x: y: • Maskien arvot kerrotaan vastaavilla kuvapikselien arvoilla • Maskin keskellä olevan pikselin uudeksi arvoksi annetaan näiden summa • Sitten siirretään maskia

  15. Terävöittäminen toisen derivaatan eli Laplace-operaattorin avulla • Rotaatioinvariantti • Laplacen-operaattorilla on samat ominaisuudet joka suuntaan • Laplace-maski:

  16. Esimerkki: • Alkuperäinen kuva

  17. Gradienttikuva Laplace-kuva

  18. Saadaan tumma kuva, jossa reunat näkyy kirkkaina • Muiden piirteiden, kuin reunojen tulkinta vaikeaa • Nämä kuvat voidaan yhdistää alkuperäisen kuvan kanssa (High Boost –suodatus)

  19. Unsharp masking -menetelmä • Toinen tapa terävöittää kuvaa • Ylipäästösuodatettu kuva saadaan myös vähentämällä alipäästösuodatettu kuva alkuperäisestä kuvasta • Toisin sanoen: Terävöitetty = Alkuperäinen – Alipäästö

  20. Esimerkki: Unsharp masking - = Ylipäästösuodatettu Alkuperäinen Alipäästösuodatettu

  21. 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

  22. Esimerkki: High-boost - = K x High-boost Alkuperäinen Alipäästösuodatettu (K = 1.7)

  23. = (K-1) x + High-boost Alkuperäinen Ylipäästökuva (K = 1.7)

More Related