PRIMJENA WIENEROVOG FILTERA U OBRADI SLIKE

SEMINARSKI RAD

PREDMET: PREPOZNAVANJE OBLIKA I OBRADA SLIKE

Mentor:Studenti:

Midi Majda

Doc. dr Samir Omanovi

Raidagi Amra
Ak: 2015/2016

Mujki Faris

Sarajevo, Decembar, 2015

UVOD

Problem ?
Jedan od glavnih problema u obradi signala predstavlja izdvajanje
poeljnog signala iz zaumljenog.
Rjeenje ?
Linerna metoda oporavka slike, koja je degradirana kroz neke
digitalne procese akvizicije, koristei Wienerov filter.
Wienerov filter (po Norber Wieneru, koji je prvi predloio metodu
1942 godine) je jedan od najranijih i najpoznatijih pristupa u
linearnoj restauraciji slike.
Winerov filter radi u frekvencijskom domenu nastojei da
minimizira djelovanja uma. Slika ne bude u potpunosti
oporavljena, ali Wienerov filter nam daje dobru aproksimaciju
originalne slike.

MODEL DEGRADACIJE

Model
degradacije nam definira kako, operator H i dodatni um ,

koji su prisutni u akvizicionom ureaju, utiu na ulaznu sliku , i

f
ije djelovanje
rezultira degradiranom slikom um najee
nastaje u procesu akvizicije ili prenosa slike.
Cilj ?
Oporavak aproksimacije originalne slike f (x,y), koristei saznanja
o komponentana koja su definirana modelom degradacije.

OSOBINE H OPERATORA

Kod
akvizicije slike, operator H je impulsna prenosna
funkcija(IPF). Ova funkcija opisuje kako e sistem slike reagovati
na impulsni ulaz, tj. odziv sistema na impulsnu funkciju. Ako je H
linearni operator, za njega vrijede sljedee tri bitne osobine:

Aditivnost:

Homogenost:

Invarijantan po poziciji:

FORMIRANJE SLIKA

Diskretna
slika moe biti predstavljena kao niz uzoraka uzetih sa

impulsnom funkcijom.

Matematska
formulacija idealnog procesa uzorkovanja (bez uma),

koristei impulsnu funkciju (Dirakovu delta funkciju ), postaje

integral:
,
,

Kako su integrali limesi suma, osobina aditivnosti operatora H moe biti

primjenjena na integral, dajui nam:
,
Kako ne zavisi od x i y, te primjenom relacije , impulsni odziv od H.
,
Integral nam govori da moemo oporaviti vrijednost ako znamo
operator . Primjenjujui osobinu invarijacije pozicije, integral
konvolucijei dodavajui um imamo:
(1)

FORMIRANJE DISKRETNE SLIKE

Ova
manipulacija moe biti bre procesirana uz pomo Fourierove
transformacije (FT , ili njene diskretne verzije DFT). Diskretna
formulacija jednaine (1) postaje:
,
koja bi u matrinom zapisu izgledala:
, (2)

gdje su i vektor kolone i je cirkulana matrica.

OPORAVAK SLIKE UZ OGRANIENJA

Koristimo
aproksimaciju datu jednainom (2):

Koristei najmanju kvadratnu greku, moemo formulirati problem

minimiziranja funkcijegdje je linearni operator, uz ogranienje .
Koristei metod Lagrangeovog multiplikatora, moramo minimizirati
izraz i formirati Lagrangeovu jednainu:
f

Rjeenje:

(3)

WIENEROV FILTER

Filter
radi u frekventnom domenu, zadatom DFT-om slike. Slika u

ovom domenu je predstavljena matricom, sa korelacijom izmeu

njenih piksela, definiranom kao:
Ako korelacija izmeu dva piksela zavisi samo od njihove
udaljenosti, nezavisno od njihove pozicije, i (matrice korelacije od
i ) su cirkularne matrice i mogu biti dijagonilizirane pomou

i - DFT od i
Pretpostavka je da um i slika nisu u korelaciji, da jedno ili drugo
imaju prosjenu vrijednost nula. Ove korelacije su spektralna
gustoa od i oznaene su kao i .

Zamjenjujui

Uvaavajui , te uvoenjem operacije * koja predstavlja .

nn
Ako su matrice
A,B

R
regularne matrice tada je i AB regularna
f
matrica i vrijedi (AB) 1 = B1A1 .
Kroz par matematikih operacija izraz postaje:

Iz matrine forme, moemo se vratiti nazad na funkcije sa izrazom:

f

EKSPERIMENTI U MATLAB-U
Koritene

funkcije:

Naredbu 'imread' koristimo kako bi uitali sliku i pretvorili ju u tip podataka

double:
I = im2double(imread('siroko.jpg'));
Da bi simulirali operator H (koji vri zamagljivanje slike), biramo neki 2-D filter
preko funkcije 'fspecial'. U svrhu degradiranja ulazne slike su konvoluirane
'motion' filterom, omoguenim MATLAB-om.
H = fspecial('motion', LEN, THETA),
gdje pomou LEN varijable definiemo linearno pomjeranje piksela, a THETA
predstavalja ugao kojim zakreemo piksele u smjeru obrnutom od kretanja
kazaljke na satu.

blurred = imfilter(I, H, 'conv', 'circular'),

Ovim predstavljamo sliku na izlazu iz H operatora.
Dodatni um je simuliran koristei Gausov um, takoer omoguen
standardnom devijacijom .

MATLAB-om, sa

blurred_noisy = imnoise(blurred, 'gaussian', noise_mean, noise_var);

Osim Gausa u MATLAB-u moemo koristiti i sljedee: 'localvar', 'poisson', 'salt &
pepper' i 'speckle' um.
Dalje estimiramo um, tako da mu smanjimo udio, te procesom dekonvolucije slike,
imamo popravljenu sliku, koja tei originalnoj.

Wienerovo filtriranje, odnosno dekonvolucija, je implementirana funkcijom 'deconvwnr'

iz MATLAB-ovog Image Processing Toolbox-a, koja ima tri mogue sintakse.

wnr3 = deconvwnr(blurred_noisy, H, estimated_nsr);

Pretpostavlja se da je poznat energetski odnos uma i signala, bilo kao konstanta ili
kao vektor. Ova sintaksa je koritena da se implementira parametarski Wienerov filter,
u ijem sluaju je NSPR skalarni ulaz.

EKSPERIMENT 1 SLIKA BEZ UMA

EKSPERIMENT 2- SLIKA SA UMOM

EKSPERIMENT 3- PRIMJENA WIENEROVOG

FILTERA KROZ RAZLIUTE TIPOVE SLIKA

ZAKLJUAK
- Cilj Wienerovog filtera predstavlja izdvajanje slabije
korisnog signala iz dolaznog signala koji pored
korisnog signala sadri jaki um i interferirajue
signale.
- Wienerov filtar pripada klasi optimalnih linearnih
filtera. On ostvaruje optimalni odnos izmeu
inverznog filtriranja i uklanjanja uma.
- Kod Wienerovog filtera, frekvencije kojima
dominira um su priguene i zbog toga je ovaj filter
bolji od inverznog filtera, jer se sa njim moe dobiti
mnogo bolja oporavljena slika.

DODATAK-KOD U MATLAB-U
%uitavanje slike
I = im2double(imread('siroko.jpg'));
imshow(I);
title('Original Image (courtesy of MIT)');
%proces zamagljivanja slike
LEN = 31;
THETA = 45;
PSF = fspecial('motion', LEN, THETA);
blurred = imfilter(I, PSF, 'conv', 'circular');
%dodavanje uma
noise_mean = 0.2;
noise_var = 0.0002;
blurred_noisy = imnoise(blurred, 'gaussian', noise_mean, noise_var);
figure, imshow(blurred_noisy)
title('Simulate Blur and Noise');
%proces estimacije i dekonvolucije
estimated_nsr = noise_var / var(I(:));
wnr3 = deconvwnr(blurred_noisy, PSF, estimated_nsr);
figure, imshow(wnr3)
title('Restoration of Blurred, Noisy Image Using Estimated NSR');

PITANJA

1. Kakvoj klasi filtera pripada Wienerov filter ?

2. ta predstavlja model degradacije ?

3. ta je cilj Wienerovog filtera?

4. Koji je filter bolji: inverzni ili Wienerov filter i zato?

5. Kojom funkcijom iz MATLAB-ovog Image Processing

Toolbox-a je implementirano Wienerovo filtriranje odnosno
dekonvolucija, i navedite jednu od sintaksi ?