UNIVERZITET U TUZLI

FAKULTET ELEKTROTEHNIKE

SEMINARSKI RAD
TEMA:WIENEROV FILTER

Predmetni profesor: Student:

Dr.sc. Amira Šerifović-Trbalić Selihana Tukić

TUZLA, DECEMBAR , 2018.GODINA

Sažetak
U ovom seminarskom radu ćemo objasniti korištenje Wienerovog filtera na restaurirane slike
u programskom jeziku Matlab .
Prvo ćemo generisati bluranu verziju date slike primjenom horizontalnog uniformnog
kretanja. Zatim ćemo primijeniti Wienerov filter na bluranoj slici.
Također ćemo primijeniti Wienerov filter na već datoj bluranoj slici, te ćemo uporediti
dobijenit rezultat sa originalnom slikom.
Nakon toga ćemo originalnoj slici dodati Gausov šum i primijeniti ponovo Wienerov filter, te
ćemo razmatrati novonastali rezultat.

1
 I KORAK
Za analizu Wienerovog filtera generisali smo bluranu verziju building.jpg primjenom
horizontalnog uniformnog kretanja.

Matlab kod:
I=im2double(imread('building.jpg')); %Ucitavanje slike
figure
imshow(I);%Prikazivanje slike
title('Originalna slika');

Matlab kod:

%Simuliranje zamucenja pokreta

LEN=21;
THETA=11;
PSF=fspecial('motion',LEN,THETA);
blurred=imfilter(I,PSF,'conv','circular');
figure
imshow(blurred);
title('Blurana slika primjenom horizontalnog uniformnog kretanja')

U ovom kodu smo simulirali zamagljenu sliku koju možemo dobiti, npr. kretanjem kamere.
Koristili smo funkciju širenja tačaka, PSF, koja odgovara lienarnom kretanju od 21
piksela(LEN=21), pod uglom od 11 stepeni(THETA=11).
Da bismo simulirali zamućenje sliku smo filtrirali pomoću imfilter.

2
Matlab kod:
%Restauracija blurane slike pomocu Wienerovog filtera
wnr1=deconvwnr(blurred,PSF,0);
figure
imshow(wnr1);
title('Restaurirana slika');
Najjednostavnija sintaksa za deconvwnr je (A, PSF, NSR).
Gdje je A zamagljena slika, PSF funkcija raspršivanja tačaka, a NSR omjer šum-snaga i
signal-snaga. Zamagljena slika nema šum, pa smo koristili 0 za NSR.

3
Da bismo izvršili restauraciju slike pomoću Wienerovog filtera koristili smo funkciju
deconvwnr. Originalna slika ima veličinu 34,3 kb, blurana slika ima veličinu 25,5 kb, a
restaurirana slika pomoću Wienerovog filtera ima veličinu 34,5 kb.
Ovim možemo zaključiti da je Wienerov filter jako dobar za vraćanje kvalitete slike, te
smanjuje njenu veličinu.

II KORAK
Na bluranu sliku building_blur.jpg sa sigma=3.0 piksela i šumom 0.3 primijenili smo
Wienerov filter.

Matlab kod:
%Primjena Wienerovog filtera na bluranu sliku narusenu sumom
t=imread('building_blur.jpg'); %Ucitvanaje blurane slike
figure
imshow(t); %Prikaz blurane slike
title('Data blurana slika');

Učitali smo i prikazali bluranu sliku.

Zatim smo primjenili Wienerov filter na bluranu sliku.

Matlab kod:
uniform_quantization_var = (1/256)^2 / 12;
signal_var = var(im2double(t(:)));
wnr2 = deconvwnr(blurred, PSF, ...
uniform_quantization_var / signal_var);
figure
imshow(wnr2) %Prikaz rezultujuce slike
title('Restaurirana blurana slika, kvantizirana slika - procijenjeni NSR');

U ovom slučaju zamijenili smo šum-snage u signal-snage.

4
Veličina blurane slike je 56,5 kb, a veličina restaurirane slike je 37,9 kb. I u ovom slučaju
možemo vidjeti poboljšanu verziju blurane slike primjenom Wienerovog filtera, kako u
kvaliteti tako i u veličini.

5
 III KORAK
U ovom koraku ćemo originalnoj slici dodati Gausov šum te na takvu sliku primijeniti
Wienerov filter.

Matlab kod:
%Dodavanje Gausovog suma
I=imread('building.jpg');%Ucitavanje originalne slike
J=imnoise(I,'gaussian',0.025);%Dodaje se Gausov sum sa varijansom 0.025
figure
imshow(J);%Prikaz rezultujuce slike
title('Slika sa Gausovim sumom');

Dodali smo šum pomoću funkcije imonise( ). Funkcija imonise() se koristi za dodavanje salt
and pepper šuma i Gausovog šuma ulaznoj slici. Količina šuma na prisutnoj slici je određena
stepenom gustine i varijansom, respektivno.

Matlab kod:
%Ponovna primjena Wienerovog filtera na sliku J
K = wiener2(J,[5 5]);%Uklanjanje suma koristenjem wiener2 funkcije
figure
imshow(K);
title('Slika sa koje je sum uklonjen Wienerovim filterom');

Primjenili smo ponovo Wienerov filter na sliku kojoj je bio dodat Gausov šum. Za ovu
simulaciju koristili smo predefinisanu funkciju wiener2. Funkcija wiener2 zathtjeva više
računanja od linearnog filtriranja, a najčešće se koristi kada je šum konastantan(bijel), kao što
je slučaj sa Gausovim šumom.

6
Slika sa šumom ima veličinu 79,6 kb, a slika sa koje je šum uklonjen Wienerovim filterom je
veličine 39,2 kb. U ovom slučaju Wienerov filter je otklonio šum, ali slika se nije dovoljno
restaurirala da bude kao originalna.

7
Zaključak
Najbolje poznato poboljšanje inverznog filtriranja je Wienerov filter. Wienerov filter nastoji
da nađe estimaciju koja minimizira funkciju statičke greške.
Filter je razvio američki matematičar Norbert Wiener 1940-ih godina, a svoju široku primjenu
filter je zadržao sve do danas.
Glavna karakteristika Wienerovog filtera je da minimizira srednju kvadratnu pogrešku.
Ovim primjerima smo pokazali kako na više načina koristiti Wienerov filter za debluriranje
slika.
Wienerov filter može biti koristan kada su funkcija rasprostiranja tačaka (PSF) i šum
unaprijed poznati ili procijenjeni.