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
Esimerkki: High-boost = K x High-boost Alkuperäinen Alipäästösuodatettu (K = 1.7)
= (K-1) x + High-boost Alkuperäinen Ylipäästökuva (K = 1.7)