You are on page 1of 13

Seminarski rad

Primjena Wienerovog filtera u obradi slike


-PREPOZNAVANJE OBLIKA I OBRADA SLIKE-

1
1.UVOD
2
Jedan od glavnih problema u obradi signala predstavlja izdvajanje poeljnog signala iz zaumljenog
signala.Izdvajanje korisnog signala od uma ima iroku primjenu u obradi govora,obradi

U ovom seminarskom radu e biti objanjena metoda oporavka slike,koja je degradiranakroz neke
digitalne procese akvizicije,koristei Wienerov filter.

Ureaji za snimanje slika nisu savreni i u njima mogu biti prisutni razliiti vidovi uma.Winerov filter
radi u frekvencijskom domenu nastojei da minimizira djelovanja uma kada je slika dekonvoluirana.

Slika moda ne bude u potpusnosti oporavljena,kako emo i opisati dalje u radu,ali Wienerov filter
nam daje dobru aproksimaciju originalne slike.Prvo u radu emo opisati model kojim bi degradirali
image sampling to obtain an equation which models the degradation treated by the lter.

U nastavku je dat mali saetak procesa formiranja slike da bi se upoznali sa pocesom formiranja
diskretne funkcije,koja je koritena kako bi se komponentne slike modelirale u matrice.Ove matrice
imaju specijalne osobine,koje omoguuju kreiranje Wienerovog filtera.

etrdesetih godina prolog stoljea Norber Wiener konstruirao je prvi filtar koji e dati
optimalnu procjenu eljenog iz zaumljenog signala .

2.1.MODEL DEGRADACIJE

Model degradacije nam pokazuje kako operator H i dodatni um n( x , y) utiu na ulaznu sliku

f ( x , y ), ije djelovanje rezultira degradiranom slikom g( x , y ). Cilj koritenja Wienerovog

f
filtra jeste oporavak aproksimacije originalne slike (x,y),koristei saznanja o komponentana koja su
definirana modelom degradacije.Na slici 1 je prikazan jednostavan dijagram koji predstavlja model
degradacije.

3
Slika 1.Originalna slika f ( x , y ) je modificirana putem operatora H i dodatnog uma n( x , y) ,

te kao rezultat se dobije degradirana slika g( x , y ). Nakon toga je g( x , y ) transformirana

f
putem Wienerovog filtera i kao rezultat se dobila funkcija (x,y),koja je aproksimacija originalne
slike.

Dijagram opisuju sljedee relacije,koje e biti koritene kako bi se opisale veze izmeu komponenata
u tekstu:

g ( x , y )=H [ f ( x , y ) ] +n ( x , y ) , f ( x , y )=W [g (x , y )] (1)

U iduem poglavlju opisat emo linearni model degradacije koji je invarijantan po poziciji.Ovaj model
je osnova za razumijevanje rada Wienerovog filtera.

2.2.OSOBINE H OPERATORA

Kod akvzicije 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: H [f 1(x , y )+f 2( x , y)]=H [ f 1(x , y )]+ H [f 2( x , y )];

Additivnost kae da primjenom operatora na sumu funkcija se je isto kao suma prmjena operatora na
funkcije.

Homogenost: H [kf 1(x , y )]=kH [f 1( x , y )];

Homogenost kae da primjena operatora na proizvod konstante i funkcije je ista kao i proizvod
konstante i primjene operatrora na funkciju.

Invarijantan po poziciji: H [f ( x , y )]=g(x , y ); , -skalari

Invarijantan po poziciji znai da rezultat primjene operatora na funkciju zavisi samo od vrijednosti
take ne od pozicije take u funkciji.

2.3.FORMIRANJE SLIKA

Diskretna slika f (x , y ) moe biti predstavljena kao niz uzoraka uzetih sa impulsnom funkcijom

s ( x , y ) . Na slici 2. je prikazan proces uzorkovanja i koristi se da potakne proces formiranja

fukcije slike(parametri uzorkovanja,kao to je period uzorkovanja nam nisu relevantni u naoj


diskusiji).

4
a)Vremenski domen b)Frekventni domen

Slika2.1D uzorkovanje signala koristei impulsnu funkciju.(a) f(x) predstavlja originalan signal,
s (x) je impulsna funkcija,koja uzorkuje signal sa frekvencijom 1/x.h(x) je impulsna prenosna

funkcija(IPF).(b)Sline funkcije su predstavljene u frekvencijskom domenu.Koritimo znak * kako bi


oznaili operator konvolucije.

Matematska formulacija idealnog procesa uzorkovanja(sa umom),koristei impulsnu


funkciju(Dirakovu delta funkciju [4]),postaje integral

f ( , ) ( x , y ) dd (3)

Bez uma,moemo definisati g(x,y) stapanjem relacija 1 i 3

5
[ ]

g ( x , y )=H [ f ( x , y ) ]=H f ( , ) ( x , y ) dd (4)

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

g ( x , y )= H [ f ( , ) ( x , y ) ]dd (5)

Kako f(,) ne zavisi od x i y,sa osobinom homogenosti na operator H dobijemo slejdee



g ( x , y )= f ( , ) H [ ( x , y ) ]dd (6)

Relacija h(x,,y,) = H[(x,y )] je impulsni odziv H(IPF-impulsna prenosna funkcija).Sada


moemo izraz napisat kao


g ( x , y )= f ( , ) h(x , , y , ) dd (7)

Koji je Fredholm integral ,ovaj integral znai da moemo oporaviti vrijednost f(,) ako znamo
operator H.Primjenjujui osobinu invarijacije pozicije imamo H[(x,,y,)] = h(x,y ) i intgral
kovolucije

g ( x , y )= f ( , ) h( x , y ) dd (8)

Dodavajui um relaciji imamo



g ( x , y )= f ( , ) h(x , y ) dd +n ( x , y ) (9)

Sa ovim integralom moemo simulirati prisustvo uma i primjeniti alate linearnih sistema kako bi
rijeili probeme oporavka slike.Sljedei odjeljak opisuje kako transformirati ovaj integral u diskretnu
fomulaciju i primjeniti ove alate.

2.3.FOMIRANJE DISKRETNE SLIKE

6
Fromiranje diskretne slike je potrebno kako bi se moglo manipulisati slikom preko raunara. Ova
manipulacija moe biti bre procesirana sa Fourierovom transformacijom (FT,ili njenom diskretnom
verzijom DFT). Fourierova transformacija,koja se koristi kako bi se opisala veza konvolucije i
korelacije izmeu vremenskog i frekventnog domena slike, koritena je za rad sa periodinim
signalima. Kako bi koristili ovaj alat za rad sa slikama, moramo sliku posmatrati kao periodinu
funkciju.

Da bismo koristili ovaj alat pri radu sa slikama, moramo proiriti tumaenje slike na
periodinu funkciju replicirajui ju.
U ovoj formulaciji, g( x , y ) (i njegove komponente) su proirene na periodiku funkciju
g e(x , y) , sa periodom M N ; gdje je M > A + B1 i N >C+ D1 (da bi se

izbjegla preklapanja), i gdje je AxC veliine f (x, y) i BxD veliine h(x , y).

Onda, diskretna formulacija jednaine 9 postaje:

M1 N1
ge ( x , y )= f e ( m , n ) he ( xm , yn ) +n e(x , y)
m=0 n=0

koja je u matrinom zapisu


g=Hf +n ,

gdje su g i f vektor kolone MN 1 i H je MN MN cirkularna matrica,


gdje je svaki red matrice pomjeren za jedan element u desno u odnosu na njemu predhodni
red.

Na cilj je da procjenimo f zadanim g i malo poznavajui n i H . Ovo znai,

rijeiti jednainu 11. Iako je jednostavan, rjeavanje ovog sistema moe ukljuivati onoliko
elemenata koliko ima i veliina slike, to zahtjeva veliku raunarski rad. Zbog osobine
cirkularne matrice, ovaj rad moe biti uveliko smanjen dijagonalizacijom H . Gonzales i

Woods [3] pokazuju da elementi D , iz dijagonalizacije H=VD V 1 , su Diskretna

Fourierova Transformacija produene funkcije he (x , y ) .

2.4 Oporavak slike uz ogranienja

7
f g
Sve do sada vidjeli smo da, za oporavak slike , mi moramo znati ,
H i n . Meutim, dobivanje tanih vrijednosti od n u praksi je veoma

teko. Prema tome, mi koristi aproksimaciju datu jednainom 11:


n=gHf

Meutim, mi nemamo f , tako da, pretpostavljajui veoma nizak

f g=H
doprinos uma, ideja je nai neko koje aproksimira
.Koristei
najmanju kvadratnu greku, moemo formulirati problemminimiziranja
2
funkcije Q gdje je Q linearni operator, uz ogranienje
n 2=gH 2 Koristei metod Lagrangeovog multiplikatora [6],
moramo minimizirati izraz

J ( ) Q2 + (gH2 n2) ,

gdje je Lagrangeov multiplikator. Rjeavajui ovaj sistem imamo

f 1 1

(
H T H + QT Q
) HT g .

Ova formulacija za oporavak slike sa ogranienjima je osnova za izgradnju


Wienerovoog filtera.

3 Wienerov filter
Sve teme razmatrane do sada ine osnove za objanjenje rada
Wienerovog filtera. Filter radi u frekventnom domenu, zadatom DFT-om
slike. Slika u ovom domenu je predstavljena matricom, sa korelacijom
izmeu njenih piksela, definiranom kao

8
Ri=E { iiT } ,

gdje je i neka slika (funkcija) i E predstavlja oekivanufunkciju.


Rf Rn f n .
Zatim, i se koriste da prikau matrice korelacije od i
Ako je korelacija izmeu dva piksela zavisi samo od njihove udaljenosti,
Rf Rn
nezavisno od njihove pozicije, i su cirkularne matrice i mogu biti

dijagonilizirane pomou V

Rf =VA V 1

Rn=VB V 1

A B Rf Rn H . Ove korelacije su
i su DFT od i , kako je D DFT od
spektralna gustoa od
f e ( x , y)in e ( x , y) i oznaene su kao Sf ( u , v ) i S n (u , v ) .

T 1
Definirajui Q Q=R f R n i zamjenjujui Q u jednaini 14 nam daje

f 1 1
(H T H + R f 1 R n) H T g .

Manipulacijom jednaine sa prethodnim rezultatima, ona postaje

f 1 1
(VDDV + V A B V ) VDV 1 g ,
1 1
1

to moe biti reducirano na

1
1
V 1=( DD+ A1 B) DV 1 g .

Iz matrine forme, sa nekim manipulacijama, moemo se vratiti nazad na


funkcije sa izrazom

9
1 S (u , v)
H (u , v )2 + [ n ]
S f (u , v )
F H (u , v ) 2

1
G ( u , v ) .
H ( u , v)
( u , v )=

Sa =1 ova jednaina radi kao Wienerov filter. Ako se vrijednost

promjeni, onda jednaina predstavlja Parametarski Wienerov filter. Kada


nema uma, S n (u , v )=0 Wienerov filter je ekvivalentan idealnom

inverznom filteru. Ako je poznato S n (u , v ) i Sf ( u , v ) ili neke njihove

estimacije, jednaina se moe pojednostaviti sa konstantom K

H (u , v ) 2+ K
H (u , v ) 2
F
1
G (u , v ) .
H (u , v)
(u , v )

4 Eksperimenti

Implementirali smo Wienerov filter za izvoenje naih testova, koristei


MATLAB . Da bi simulirali operator H, ulazne slike su konvoluirane
Gausovim filterom, omoguenim MATLAB-OM sa standardnom devijacijom
=4 . Dodatni um je simuliran koristei Gausov um, takoer omoguen

MATLAB-om, sa standardnom devijacijom =0.0000001 . Inverzni filter [3]


je koriten za uporedbu rezultata.

Prvi eksperiment ukljuuje sliku bez uma. Slika 3 prikazuje rezultate


dekonvolucije za oba filtera.

10
Slika 3: Wienerov filter primjenjen na sliku bez uma. (a) Originalna slika.
(b) Slika zamagljena H operatorom. (c) Slika dekonvoluirana inverznim
filterom. (d) Slika dekonvoluirana Wienerovim filterom.

Imajte na umu da oporavljene slike se ine identinim vizuelno, i zapravo


jesu. Kad je n(x , y) , Wienerov filter je ekvivalentan inverznom filteru

2 1 0
H (u , v) + [ ]
Sf (u , v )
F H (u , v )2

1 G(u , v )
G ( u , v )= .
H (u , v) H (u , v )
( u , v )=

Kada proces dekonvolucije ukljuuje slike izobliene umom, inverzni filter


nije u mogunosti da povrati prepoznatljivu sliku.Wiener primljenjuje
kompenzacioni faktor, koji smanjuje udio uma i daje bolju aproksimaciju
originalne slike, kao to je prikazano na slici 4 i slici 5.

Slika 4: Wienerov filter primjenjen na sliku sa umom. (a) Originalna slika.


(b) Slika zamuena za H operator. (c) Slika nakon inverznog filtera. (d)
Slika nakon Wienerovog filtera.

11
Moemo vidjeti da, u procesu oporavka slike, mali dodatni um moe
dramatino promijeniti rezultate. Ovo se javlja zato to su frekvencije slike

sa malim koeficijentima su za red amplitude manji od uma.

Kada je restauracija izvedena, koeficijenti ovih frekvencija su uveani


dejstvom uma. Da bi razjasnili ta se deava dekonvolucijom u prisutnosti
uma, prikazaemo hipotetiki numeriki primjer

Pretpostavljajui
F ( u , v )=105 , H (u , v )=103 , N ( u , v ) =106 .

Jednainom 1 imamo

G ( u , v )=105 103 +106 106 .

Ako primjenimo inverzni filter

G(u , v )
F ( u , v )= ,
H (u , v )

Rezultat je sto puta vei od originalne vrijednosti od F(u , v):

6
10
F ( u , v )= 3
=103 .
10

Sa umom koji poveava doprinos visokih frekvencija,oporavljenaslika


moe biti veoma razliita od originalne. U Wienerovom filteru, frekvencije
kojima dominira um su priguene i moe se dobiti prihvatljiva oporavljena
slika.

12
5 Zakljuak

U radu je obraen uticaj ureaja za snimanje slike na sliku i pokazano je kako uz pomo
linearne algebre moemo modelirati filer,koji bi oporavio sliku, te nam dao prihvatljivu
aproksimaciju originalne slike. Prezentirano je izvoenje Wienerovog filtera, njegova
implementacija u praksi,te dobijeni rezultati primjene ovog filtera na sliku sa i bez uma.
Cilj Wienerovog filtera predstavlja izdvajanje slabije korisnog signala iz dolaznog signala koji
pored korisnog signala sadri jaki um i interferirajue signale.
Wienerov filter 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.

13