8.

Simítás/szűrés
képtérben
Zajos kép
 Zaj:
a képpont-intenzitások nemkívánatos változása

eredeti/zajmentes Gauss-zajjal terhelt só-bors zajjal

kép kép terhelt kép
(az intenzitásváltozás normál (fehér és fekete pontok
eloszlást követ) random előfordulása)
 Zaj

eredeti/zajmentes Gauss-zajjal terhelt só-bors zajjal

kép kép terhelt kép
Simítás
 Átlag-szűrő (Mean Filter)
1
g (i, j ) 
S(i , j )
  f (m, n),
( m , n )S ( i , j )

ahol f a kiindulási kép,

g a szűrt kép,
S(i,j) az (i,j) pont egy környezete,
|S(i,j)| a környezetbe tartozó képpontok száma.

Pl. a 3x3-as környezet esetén:

1 1 1
g (i, j )     f (i  u , j  v)
9 u  1v  1
 1/10 1/10 1/10 A h=f*g konvolvált
Konvolúció kép adott pontjának
1/10 1/5 1/10 számítása:
1·1/10+3·1/10+ 6·1/10+
1/10 1/10 1/10 8·1/10+10·1/5+ 2·1/10+
A g maszk
9·1/10+4·1/10+ 7·1/10=
mérete: 3x3 6
6
1 4 3 5 0 8 2 7 8 1 3 6

8 5 0 1 6 1 3 6 0 8 4 5 9

1 9 2 4 8 10 2 6 1 9 0 3

4 7 8 9 4 7 8 2 5 1 7 2

9 0 2 3 5 6 1 3 0 6 4 8 9
Konvolúció
Átlag-szűrés konvolúcióval

3x3-as környezet

1 1 1
g (i, j )     f (i  u , j  v)
9 u  1v  1
1 1
   f (i  u, j  v)  h(u, v)
u  1v  1

 ( f  h)(i, j ),
ahol :
1 1 1
h  1 1 1
1 konvolúciós
9 maszk
1 1 1
Átlag-szűrés maszkjai
 1D átlag-szűrés az
[1/3,1/3,1/3] maszkkal
 Példa átlag-szűrésre

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 10 20 30 30 30 20 10 0
0 0 0 90 90 90 90 90 0 0 0 0 20 40 60 60 60 40 20 0
0 0 0 90 90 90 90 90 0 0 0 0 30 60 90 90 90 60 30 0
0 0 0 90 90 90 90 90 0 0 0 0 30 50 80 80 90 60 30 0
0 0 0 90 0 90 90 90 0 0 0 0 30 50 80 80 90 60 30 0
0 0 0 90 90 90 90 90 0 0 0 0 20 30 50 50 60 40 20 0
0 0 0 0 0 0 0 0 0 0 0 10 20 30 30 30 30 20 10 0
0 0 90 0 0 0 0 0 0 0 0 10 10 10 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 10 10 10 0 0 0 0 0 0

f g=f*h
1 1 1
h  1 1 1
1
9
1 1 1
 Példa átlag-szűrésre

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 10 20 30 30 30 20 10 0
0 0 0 90 90 90 90 90 0 0 0 0 20 40 60 60 60 40 20 0
0 0 0 90 90 90 90 90 0 0 0 0 30 60 90 90 90 60 30 0
0 0 0 90 90 90 90 90 0 0 0 0 30 50 80 80 90 60 30 0
0 0 0 90 0 90 90 90 0 0 0 0 30 50 80 80 90 60 30 0
0 0 0 90 90 90 90 90 0 0 0 0 20 30 50 50 60 40 20 0
0 0 0 0 0 0 0 0 0 0 0 10 20 30 30 30 30 20 10 0
0 0 90 0 0 0 0 0 0 0 0 10 10 10 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 10 10 10 0 0 0 0 0 0

f g=f*h
• homályosít
• gyengíti az éleket
 Példa átlag-szűrésre

eredeti simított
átlagolás 5x5-ös maszkkal
 Példa átlag-szűrésre

átlagolás átlagolás
eredeti kép
5x5-ös maszkkal 11x11-es maszkkal
Példa átlag-
szűrésre

eredeti 3x3
5x5 9x9
15x15 35x35
Példa átlag-szűrésre
 Az átlag-szűrő hatása és
tulajdonságai

• a képpontok felveszik a környezetük átlagát,

• a szűrt kép intenzitásértékei a kiindulási kép

intenzitástartományában maradnak,
• lineáris operátor (mivel a is konvolúció az),
• haszna: csökkenti a zajt,
• kára: gyengíti az éleket, homályossá teszi a képet.
 Szűrés a környezet súlyozott
átlagával
1 1 1 1 2 1 
1  1  
1 1 1 2 4 2
9  16  
1 1 1 1 2 1 

Átlagolás: a környezetbe eső valamennyi pont intenzitása

egyforma súllyal esik a latba.
Súlyozott átlag: a környezet intenzitásaihoz (általában a
távolsággal arányosan csökkenő) súlyokat rendelünk.

zajszűrő/simító maszkoknál a
maszkelemek összege mindig 1
Az 1D Gauss függvény
1 (  x 2 / 2 2 )
G ( x)  e (  0)
 2

a normális vagy Gauss eloszlás

sűrűségfüggvénye
Az 1D Gauss függvény
 Pascal háromszög
n  n!
k 
  k!(n  k )! n
(n  0,1,  ,
k  0,1, , n  1)

n
 n   2n
 k 
k 0  

k
Pascal háromszög

n
n(n  1)
Tn   k 
k 1 2
A normális és a binominális
eloszlás sűrűségfüggvényei
Galton deszka

Galton Board / bean machine

 2D Gauss függvény

1   (x  y ) 
2 2
G ( x, y )  exp 
2 2
 2σ 2


Szeparálható:

G ( x, y)  G ( x)  G ( y)
2D Gauss függvény
A 2D Gauss függvény
diszkrét közelítése
 A 2D Gauss függvény
diszkrét közelítése

A Pascal-háromszög normált n-edik sora

(vagyis az 1D Gauss görbe diszkrét közelítése):

1  n   n  n   n 
Pn  n
T
 0  1
 
  n  1
 
 n 
 
2 

A 2D Gauss közelítése:

Gn  Pn  Pn
T

nxn-es nx1-es 1xn-es

 A 2D Gauss függvény
diszkrét közelítése
1 1 2 1
4 16  1 2 1
  
16 16
  
2 1 2 1  2 4 2 1  
      2 4 2
4 4 4 4  16 16 16  16  
1 1  
2 1 1
    2 1
4 16 16 16 

n2
 A 2D Gauss függvény
diszkrét közelítése
1  1 4 16 4 1 
16   256  1 4 6 4 1
  
256 256 256 256
  
4  4 16 24 16 4   
    4 16 24 16 4
16   256 256 256 256 256   
6 1 4 6 4 1   16 24 36 24 16  1  
    6 24 36 24 6
16  16 16 16 16 16   256 256 256 256 256  256  
4  4  
4  4 4
16 24 16
    16 24 16
16   256 256 256 256 256   
1  1  
1  1 1 
4 16 4
     4 6 4
16   256 256 256 256 256 

n4
 Gauss szűrés

h  f  G

simított kiindulási Gauss-

kép kép maszk
konvolúció
 Példa Gauss szűrésre

eredeti Lena simított (σ=3)

 Példa Gauss szűrésre

zajos Lena simított (σ=3)

eredeti
Példa Gauss
szűrésre
3x3-as
maszkkal

1 2 1 
1  
2 4 2
16  
1 2 1 
simított
eredeti
Példa Gauss
szűrésre
5x5-ös
maszkkal

1 4 6 4 1 
4 16 24 16 4
1  
6 24 36 24 6
256  
 4 16 24 16 4 
1 4 6 4 1 
simított
 Példa Gauss szűrésre

szűrés szűrés
eredeti kép
5x5-ös maszkkal 11x11-es maszkkal
 Példa Gauss szűrésre

eredeti σ =2 σ =5 σ =10
Módosított környezeti átlagolás

Csak akkor simítunk, ha az adott képpont

intenzitásának a környezeti átlagtól való eltérése
meghalad egy előre választott T küszöbértéket


( f * g )(i, j ), ha ( f * g )(i, j )  f (i, j )  T ,
h(i, j )  

 f (i, j ), különben
 Medián
Az [ a1, a2, …, a2n+1 ] (páratlan elemszámú)
szám-tömb mediánja a nagyság szerint rendezett
tömb középső, (n+1)-dik eleme,
Jelölése: med { a1, a2, … , a2n+1 }

medián
A medián tulajdonságai

min{A} ≤ med{A}≤ max{A}

A medián nem lineáris, vagyis

med{a·A+b·B} ≠ a·med{A} + b·med{B} ,

viszont

med{A+c} = med{A}+c ,
med{c·A} = c·med{A}
 Mediánszűrés

g (i, j)  med f (i  u, j  v) | (u, v)  S 

A mediánszűrés eredményét az S
környezet mérete (és alakja) határozza meg.
 Példa mediánszűrésre

a rendezett
környezet

a medián

egy képpont
3x3-as
környezete
a képpont új intenzitása
Példa 1D mediánszűrésre

A környezet 3-elemű: S={-1,0,1}.

 Példa medián-szűrésre

só-bors zajos medián szűrt

 Példa medián-szűrésre

só-bors zajos medián szűrt

 Példa medián-szűrésre

só-bors zajos medián szűrt

 Átlagolás – medián-szűrés

3x3 3x3
só-bors zajos átlagolás medián szűrt
 Átlagolás – medián-szűrés

só-bors 3x3
zajos medián szűrt

3x3 5x5
átlagolás átlagolás
A medián-szűrés alkalmazása

eredeti medián-szűrt

„eredeti” – „medián-szűrt”
 A medián-szűrés hatása

• Megszünteti az egyedi (és a „kis” kiterjedésű)

kiugrásokat.

• „Jobban” megőrzi az éleket, mint az átlagolás.

• „Nagy” kiterjedésű zajfoltoknál jel-elnyomó.

”Rank” szűrők
 Min-max szűrők

g min ( x, y )  min { f ( x  u, y  v) }
( u ,v )S

g max ( x, y )  max { f ( x  u, y  v) }
( u ,v )S

S: környezet, szerkesztőelem
(structuring element)
Nemlineáris morfológiai operátorok:
– min: erózió (erosion)
– max: dilatáció (dilatation)
Erózió
Dilatáció
Példa erózióra
Példa dilatációra
Példa erózióra
Példa dilatációra
Példa erózióra
 Morfológiai szűrés

Ugyanazon környezettel az alábbi 4-elemű

műveletlánc végrehajtása:

– erózió
– dilatáció
– dilatáció
– erózió
 Példa morfológiai szűrésre

környezet / szerkesztőelem
Példa morfológiai szűrésre
Példa morfológiai szűrésre
Példa morfológiai szűrésre