Digitaalinen kuvank sittely
This presentation is the property of its rightful owner.
Sponsored Links
1 / 23

Digitaalinen kuvankäsittely PowerPoint PPT Presentation


  • 63 Views
  • Uploaded on
  • Presentation posted in: General

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 ”

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.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


Digitaalinen kuvank sittely

Digitaalinen kuvankäsittely

4. harjoitus:

Suodatuspaikkatasossa


K yt nn n j rjestelyist

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.


K yt nn n j rjestelyist1

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

Ehostaminen

  • Ehostamisessa kuva muokataan paremman näköiseksi

  • Signaalista ja sen virheistä ei tarvita ennakkotietoa

  • Virheitä ei suoranaisesti korjata, kuten entistämisessä tehdään


Suodatus paikkatasossa

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 pehment minen ja kohinan poisto

Kuvan pehmentäminen ja kohinan poisto

  • Signaalin näytteenotossa tai lähetyksessä syntyy virheitä (kohina)

  • Näitä virheitä voidaan korjatapehmentämällä kuvaa

  • Samalla kuva kuitenkin sumenee


Keskiarvosuodatus

Keskiarvosuodatus

  • Lineaarinen suodatus

  • Yksityiskohdat häviävät

  • Kuvan reunat hämärtyvät

  • Käytetään maskia (esim. 3x3)

  • Mitä isompi maski, sitä suurempi vaikutus


Esimerkki k eskiarvosuodatus

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


Digitaalinen kuvank sittely

Kuva: Matlab


Mediaanisuodatus

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

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)


Digitaalinen kuvank sittely

Kuva: Matlab


Kuvan ter v itt minen

Kuvan terävöittäminen

  • Kuva sumenee esimerkiksi kuvattaessa tai skannattaessa (alipäästösuodatus)

  • Terävöittämisessä korostetaan kuvan viivoja ja yksityiskohtia

  • Myös kohina korostuu


Ter v itt minen ensimm isen derivaatan eli gradientin avulla

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


Ter v itt minen toisen derivaatan eli laplace operaattorin avulla

Terävöittäminen toisen derivaatan eli Laplace-operaattorin avulla

  • Rotaatioinvariantti

  • Laplacen-operaattorilla on samat ominaisuudet joka suuntaan

  • Laplace-maski:


Esimerkki

Esimerkki:

  • Alkuperäinen kuva


Digitaalinen kuvank sittely

GradienttikuvaLaplace-kuva


Digitaalinen kuvank sittely

  • 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 menetelm

Unsharp masking -menetelmä

  • Toinen tapa terävöittää kuvaa

  • Ylipäästösuodatettu kuva saadaan myös vähentämällä alipäästösuodatettu kuva alkuperäisestä kuvasta

  • Toisin sanoen:

    Terävöitetty = Alkuperäinen – Alipäästö


Esimerkki unsharp masking

Esimerkki: Unsharp masking

-

=

YlipäästösuodatettuAlkuperäinen Alipäästösuodatettu


High boost suodatus

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

Esimerkki: High-boost

-

=

K x

High-boost Alkuperäinen Alipäästösuodatettu

(K = 1.7)


Digitaalinen kuvank sittely

=

(K-1) x

+

High-boost Alkuperäinen Ylipäästökuva

(K = 1.7)


  • Login