Processamento De Imagem Em Movimento Médio

Filtro médio, ou categoria de filtro médio. Processamento de sinais e imagens digitais (DSP e DIP). Abstrato. O artigo é um guia prático para o filtro médio, ou a compreensão e implementação média do filtro. O artigo contém teoria, código-fonte C, instruções de programação e aplicação de amostra. 1. Introdução ao filtro médio, ou filtro médio do filtro médio. Ou o filtro médio é um filtro de janela de classe linear, que suaviza o sinal (imagem). O filtro funciona como de baixa passagem. A idéia básica por trás do filtro é que qualquer elemento do sinal (imagem) tenha uma média em sua vizinhança. Para entender como isso é feito na prática, comecemos com a idéia da janela. 2. Filtrar a janela ou a máscara. Imagine, você deve ler uma carta e o que vê no texto restrito por furo em um gabarito especial como este. Então, o resultado da leitura é som t. Ok, deixe-nos ler a carta de novo, mas com a ajuda de outro estêncil: Agora, o resultado da leitura t é o som 240. Vamos fazer a terceira tentativa: Agora você está lendo a letra t como som 952. O que acontece aqui Para dizer isso Em linguagem matemática, você está fazendo um elemento de operação (leitura) sobre (letra t). E o resultado (som) depende da vizinhança do elemento (letras próximas a t). E esse estêncil, que ajuda a retirar a vizinhança do elemento, é janela Sim, a janela é apenas um estêncil ou padrão, por meio do qual você está selecionando a vizinhança do elemento 0151 um conjunto de elementos em torno do dado 0151 para ajudá-lo a tomar uma decisão. Outro nome para janela de filtro é máscara 0151 máscara é um estêncil, que esconde elementos que não estamos prestando atenção. No nosso exemplo, o elemento em que estamos operando posiciona-se no lado esquerdo da janela, na prática, no entanto, sua posição habitual é o centro da janela. Deixe-nos ver alguns exemplos de janelas. Em uma dimensão. FIG. 4. Janela ou máscara de tamanho 5 em 1D. Em duas dimensões. FIG. 5. Janela ou máscara de tamanho 3x3 em 2D. Em três dimensões. Pense em construir. E agora mdash sobre o quarto nesse edifício. A sala é como janela 3D, que corta algum subespaço de todo o espaço do edifício. Você pode encontrar a janela 3D em volume (voxel) processamento de imagem. 3. Compreendendo o filtro médio Agora, deixe-nos ver, como ldquota uma média entre os elementos vizinhança. A fórmula é simples 0151 resumir elementos e dividir a soma pelo número de elementos. Por exemplo, vamos calcular uma média para o caso, representada na fig. 7. FIG. 7. Tomando uma média. E isso é tudo. Sim, acabamos de filtrar o sinal 1D por meio do filtro Vamos fazer um currículo e anotar instruções passo a passo para o processamento pelo filtro médio. Filtro médio ou algoritmo de filtro médio: Coloque uma janela sobre o elemento Faça uma média de 0151 resumindo elementos e divida a soma pelo número de elementos. Agora, quando temos o algoritmo, é hora de escrever algum código mdash, vamos até a programação. 4. 1D programação de filtro médio Nesta seção desenvolvemos 1D filtro médio com janela de tamanho 5. Deixe-nos ter sinal 1D de comprimento N como entrada. O primeiro passo é a janela colocando 0151, fazemos isso mudando o índice do elemento principal: Preste atenção, que estamos começando com o terceiro elemento e terminando com os últimos, mas dois. O problema é que não podemos começar com o primeiro elemento, porque neste caso, a parte esquerda da janela do filtro está vazia. Vamos discutir a seguir, como resolver esse problema. O segundo passo é tomar a média, ok: agora, digamos o algoritmo como função: O elemento de tipo pode ser definido como: 5. Bordas de tratamento Para todos os filtros de janela, há algum problema. Isso é um tratamento de borda. Se você colocar a janela sobre o primeiro (último) elemento, a parte esquerda (direita) da janela estará vazia. Para preencher a lacuna, o sinal deve ser estendido. Para o filtro médio, há uma boa idéia para estender o sinal ou a imagem simetricamente, assim: então, antes de passar o sinal para a nossa função de filtro média, o sinal deve ser estendido. Deixe-nos escrever o invólucro, o que faz todos os preparativos. Como você pode ver, nosso código leva em consideração alguns problemas práticos. Antes de tudo, verificamos os nossos parâmetros de entrada. O sinal 0151 não deve ser NULL e o comprimento do sinal deve ser positivo: o segundo passo 0151 verificamos o caso N1. Este caso é especial, porque para construir a extensão precisamos de pelo menos dois elementos. Para o sinal de 1 elemento, o resultado é o próprio sinal. Além disso, preste atenção, nosso filtro médio funciona no local, se o resultado do parâmetro de saída for NULL. Agora, alocemos a memória para a extensão do sinal. E verifique a alocação de memória. Filtro de Meio Nomes comuns: Filtragem média, Suavização, média, filtragem de caixa Descrição breve A filtragem média é um método de alisamento simples, intuitivo e fácil de implementar, ou seja, reduzindo a quantidade de variação de intensidade entre um pixel e o próximo . Muitas vezes, é usado para reduzir o ruído nas imagens. Como funciona A idéia de filtragem média é simplesmente substituir cada valor de pixel em uma imagem com o valor médio (médio) de seus vizinhos, inclusive em si. Isso tem o efeito de eliminar valores de pixels que não são representativos de seus arredores. A filtragem média geralmente é pensada como um filtro de convolução. Como outras circunvoluções, ela é baseada em um kernel. Que representa a forma e o tamanho da vizinhança a ser amostrada ao calcular a média. Muitas vezes, é usado um kernel quadrado de 32153, como mostrado na Figura 1, embora os grãos maiores (por exemplo 52155 quadrados) possam ser usados ​​para um alisamento mais severo. (Observe que um kernel pequeno pode ser aplicado mais de uma vez para produzir um efeito semelhante, mas não idêntico, como uma única passagem com um kernel grande). Figura 1 324a3 kernel de média usado frequentemente na filtração média. Computação da convolução direta de uma imagem com Este kernel realiza o processo de filtragem médio. Diretrizes para uso A filtragem média é mais comumente usada como um método simples para reduzir o ruído em uma imagem. Nós ilustramos o filtro usando o original corrompido por ruído gaussiano com uma média de zero e um desvio padrão () de 8. mostra o efeito de aplicar um filtro médio 32153. Observe que o ruído é menos aparente, mas a imagem foi suavizada. Se aumentarmos o tamanho do filtro médio para 52155, obtemos uma imagem com menos ruído e menor detalhe de alta freqüência, como mostrado em A mesma imagem mais severamente corrompida por ruído gaussiano (com uma média de zero e um de 13) é mostrada In é o resultado da filtragem média com um kernel 32153. Uma tarefa ainda mais desafiadora é fornecida por mostrar o efeito de suavizar a imagem ruidosa com um filtro médio 32153. Uma vez que os valores de pixel do ruído de disparo são muitas vezes muito diferentes dos valores circundantes, eles tendem a distorcer significativamente a média de pixels calculada pelo filtro médio. Usando um filtro 52155, em vez disso, este resultado não é uma melhoria significativa na redução de ruído e, além disso, a imagem agora está muito desfocada. Estes exemplos ilustram os dois principais problemas com a filtragem média, que são: Um único pixel com um valor muito não representativo pode afetar significativamente o valor médio de todos os pixels em sua vizinhança. Quando a vizinhança do filtro se aproxima de uma borda, o filtro irá interpolar novos valores para pixels na borda e, desse modo, irá desfocar essa borda. Isso pode ser um problema se forem necessárias bordas afiadas na saída. Ambos os problemas são abordados pelo filtro mediano. O que geralmente é um filtro melhor para reduzir o ruído do que o filtro médio, mas leva mais tempo para calcular. Em geral, o filtro médio atua como um filtro de freqüência de passagem baixa e, portanto, reduz os derivados de intensidade espacial presentes na imagem. Nós já vimos esse efeito como um abrandamento das características faciais no exemplo acima. Agora, considere a imagem que representa uma cena que contém uma gama mais ampla de diferentes freqüências espaciais. Depois de suavizar uma vez com um filtro médio 32153, obtemos Observe que a baixa informação de freqüência espacial em segundo plano não foi significativamente afetada pela filtragem, mas as bordas (uma vez crisp) do primeiro plano foram suavizadas. Depois de filtrar com um filtro 72157, obtemos uma ilustração ainda mais dramática desse fenômeno. Compare esse resultado com o obtido passando um filtro 32153 sobre a imagem original três vezes em Variantes Comuns. As variações no filtro de suavização médio discutido aqui incluem Threshold Averaging em que O alisamento é aplicado sujeito à condição de que o valor do pixel central seja alterado somente se a diferença entre seu valor original e o valor médio for maior do que um limite predefinido. Isso tem o efeito de que o ruído seja suavizado com uma perda menos dramática no detalhe da imagem. Outros filtros de convolução que não calculam a média de um bairro também são freqüentemente usados ​​para suavizar. Um dos mais comuns é o filtro de alisamento gaussiano. Experiência interativa Você pode experimentar de forma interativa com este operador clicando aqui. O filtro médio é calculado usando uma convolução. Você consegue pensar em quaisquer maneiras pelas quais as propriedades especiais do kernel de filtro médio podem ser usadas para acelerar a convolução. Qual é a complexidade computacional dessa convolução mais rápida Use um detector de borda na imagem e anote a força da saída. Em seguida, aplique um filtro médio 32153 para a imagem original e execute novamente o detector de borda. Comente sobre a diferença. O que acontece se um filtro 52155 ou 72157 for usado Aplicando um filtro médio 32153 duas vezes não produz o mesmo resultado que a aplicação de um filtro médio 52155 uma vez. No entanto, um kernel de convolução 52155 pode ser construído, o que é equivalente. O que esse kernel parece ser um kernel de convolução 72157 que tenha um efeito equivalente a três passagens com um filtro médio 32153. Como você acha que o filtro médio enfrentaria o ruído gaussiano que não era simétrico em torno de zero. Tente alguns exemplos. Referências R. Boyle e R. Thomas Computer Vision: um primeiro curso. Blackwell Scientific Publications, 1988, pp. 32 - 34. E. Davies Visão da máquina: teoria, algoritmos e praticidades. Academic Press, 1990, cap. 3. D. Vernon Machine Vision. Prentice-Hall, 1991, cap. 4. Informações locais Informações específicas sobre este operador podem ser encontradas aqui. Um conselho mais geral sobre a instalação HIPR local está disponível na seção introdutória de Informações locais.