230 likes | 430 Views
SVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA ZAVOD ZA ELEKTRONIČKE SUSTAVE I OBRADBU INFORMACIJA PROJEKT iz kolegija Slučajni procesi u sustavima. Dvodimenzionalni Wienerov filtar. Sudionici projekta: Andro Bačan Marko Butorac Mirko Poljak Zoran Tiganj. Uvod.
E N D
SVEUČILIŠTE U ZAGREBU FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA ZAVOD ZA ELEKTRONIČKE SUSTAVE I OBRADBU INFORMACIJA PROJEKT iz kolegija Slučajni procesi u sustavima
Dvodimenzionalni Wienerov filtar Sudionici projekta: Andro Bačan Marko Butorac Mirko Poljak Zoran Tiganj
Uvod • U stvarnim situacijama željeni signal nije dostupan ili direktno vidljiv, može biti izobličen i uz dodane različite šumove • Takav degradirani signal potrebno je "provući" kroz sustav koji ima svojstvo da uklanja šum i na izlazu daje originalni signal • Da bismo odredili takav sustav predstoji nam postupak optimizacije
Uvod II • Kriterij optimalnosti je najčešće minimalizacija odstupanja realnog od željenog idealnog sustava • Sustav koji izdvaja slučajni signal, u našem slučaju dvodimenzionalni signal – sliku, iz aditivnog šuma je 2D Wienerov filtar • Wienerov filtar je sustav s optimalno određenom prijenosnom funkcijom u cilju obnavljanja originalnog signala iz degradiranog
Slika kao 2D signal • Prostorno otipkana (diskretna) slika funkcija je dviju varijabli – koordinata pojedinog piksela. • Može se izraziti funkcijom • Naravno, slika u sivoj skali će biti jednostavnija za obradu
Teorija Wienerovog filtra • Neka je degradirana slika opisana izrazom • pri čemu je x(n1,n2) originalna slika i n(n1,n2) šum • Pretpostavke: originalna slika i šum su nekorelirani, a šum je sa srednjom vrijednošću nula
Teorija Wienerovog filtra II • Estimacija je izlazni signal iz Wienerovog filtra ako je na ulazu degradirani signal • Dakle, estimacija je konvolucija impulsnog odziva filtra i degradiranog signala • Impulsni odziv Wienerovog filtra je takav da minimizira srednju kvadratnu pogrešku
Teorija Wienerovog filtra III • Pogreška se može minimizirati upotrebom pravila ortogonalnosti • Pogrešku e(n1, n2) minimiziramo zahtjevom da bude nekorelirana s bilo kojom slučajnom varijablom • Primjena pravila ortogonalnosti
Teorija Wienerovog filtra IV • Slijedi
Teorija Wienerovog filtra V • Izraz sređujemo koristeći definiciju kroskorelacijske funkcije • Dobijemo
Teorija Wienerovog filtra VI • Ako su signali stacionarni, vrijedi: • iz čega slijedi
Teorija Wienerovog filtra VII • Pod početnom pretpostavkom da su originalni signal i šum nekorelirani, te da je srednja vrijednost šuma nula, dobijamo: • Iz čega slijedi prijenosna funkcija 2D WF
Ograničenja Wienerovog filtra • Wienerov filtar je optimalno izveden filtar • Ipak, uspjeh obnavljanja slike ovisi o točnosti ocjene spektra snage slike • Spektar snage procijenjen iz jedincatog uzorka daleko je od pravog spektra snage • Wienerov filtar više neće biti optimalan, upravo zbog nedostatka informacija
Implementacija – općeniti postupak • Pretpostavke: • dostupna je samo degradirana slika • šum je bijeli, srednje vrijednosti nula • 1. korak – ukloniti srednju vrijednost • 2. korak – procjena spektara • spektar šuma je matrica čiji su elementi jednaki
Implementacija – općeniti postupak II • 2. korak – procjena spektara • spektar originalne slike moramo procijeniti iz degradirane • 3. korak – prijenosna funkcija WF
Implementacija – općeniti postupak III • 4. korak – dobivanje estimacije • 5. korak – vraćanje srednje vrijednosti
Poboljšane metode obnavljanja • Iterativni Wienerov filtar • obnovljena slika se vraća na ulaz filtra i ponovno se filtrira n puta • obnovljena slika će poslužiti za bolju procjenu spektra snage originalne slike • IWF uklanja šum, ali i više zamućuje sliku • treba odabrati optimalan broj iteracija
Poboljšane metode obnavljanja II • Adaptivni Wienerov filtar • uzima u obzir da je slika nehomogeno slučajno polje • umjesto pretpostavljanja, vrše se procjene spektara i to lokalno • najvažnije je dobro postaviti stohastički model slike • idealno: različit model za svaki piksel (gotovo nemogući proračuni) • daje dobre rezultate
Implementacija u MATLAB-u • Implementacija običnog Wienerovog filtra • Implementacija iterativnog Wienerovog filtra
Rezultati – Klasični WF degradirana slika obnovljena slika
Rezultati – Iterativni WF degradirana slika 5. iteracija originalna slika
Zaključak • Iako je optimalno izveden, uspjeh Wienerovog filtra u obnavljanju slike ovisi o točnosti procjene spektra snage slike i šuma • Spektar snage originalne slike procijenjen je iz degradirane • Nismo očekivali vrlo dobre rezultate, ali WF ipak donekle uklanja šum • uz obavezno zamućenje slike! • Slika je nehomogeno slučajno polje i u idealnom bi slučaju trebalo postavili zasebni model za svaki piksel pojedinačno
Literatura [1] S. Lončarić, D. Seršić: Slučajni procesi u sustavima, Predavanja, FER Zagreb, 2005. [2] J. Zou: A study of Wiener filter and its extensions with experiments, DIVP project report [3] S. Lončarić: Digitalna obrada slike, Predavanja, FER Zagreb 2004.