Professional Documents
Culture Documents
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
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) ,
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
Additivnost kae da primjenom operatora na sumu funkcija se je isto kao suma prmjena operatora na
funkcije.
Homogenost kae da primjena operatora na proizvod konstante i funkcije je ista kao i proizvod
konstante i primjene operatrora na funkciju.
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
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
f ( , ) ( x , y ) dd (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)
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)
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.
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).
M1 N1
ge ( x , y )= f e ( m , n ) he ( xm , yn ) +n e(x , y)
m=0 n=0
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
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
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) ,
f 1 1
(
H T H + QT Q
) HT g .
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 } ,
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 .
f 1 1
(VDDV + V A B V ) VDV 1 g ,
1 1
1
1
1
V 1=( DD+ A1 B) DV 1 g .
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 )=
H (u , v ) 2+ K
H (u , v ) 2
F
1
G (u , v ) .
H (u , v)
(u , v )
4 Eksperimenti
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.
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 )=
11
Moemo vidjeti da, u procesu oporavka slike, mali dodatni um moe
dramatino promijeniti rezultate. Ovo se javlja zato to su frekvencije slike
Pretpostavljajui
F ( u , v )=105 , H (u , v )=103 , N ( u , v ) =106 .
Jednainom 1 imamo
G(u , v )
F ( u , v )= ,
H (u , v )
6
10
F ( u , v )= 3
=103 .
10
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