Lataa esitys
Esittely latautuu. Ole hyvä ja odota
1
Digitaalinen kuvankäsittely
4. harjoitus: Suodatus paikkatasossa
2
Käytännön järjestelyistä
Käytä unix-konetta Siirry hakemistoon: /p/edu/Maa /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 korjata pehmentämällä 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 maskin keskiarvo: ( ) / 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 Sobelin menetelmää 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)
Samankaltaiset esitykset
© 2024 SlidePlayer.fi Inc.
All rights reserved.