Primjena računala u slikovnim tehnikama

Obrada medicinskih
digitalnih slika -2. dio
Filtriranje
Dr. sc. Iva Mrčela
KBC Sestre milosrdnice iva.mrcela@kbcsm.hr
Prisjetimo se s prethodnih predavanja
 Prostorna i frekvencijska domena
 Prostorna frekvencija slike –
promjena intenziteta u prostoru
 Fourierov transformat: matematička
transformacija (operacija) kojom
prelazimo iz prikaza slike u
prostornoj u frekvencijsku domenu

 Prikaz slike pomoću histograma:

Broj piksela
 Operatori obrade digitalne slike
 Točkasti operatori: vrijednost piksela
u izlaznoj slici ovisi samo o
vrijednosti piksela na istom mjestu
ulazne slike
 Geometrijski operatori Intenzitet
 Translacija, rotacija, interpolacija
Teme današnjeg predavanja
 Filtriranje
 Filtriranje u prostornoj domeni – susjedni operatori
 Primjeri filtera
 Usrednjujući, Gauss, Laplace
 Medijan filter
 Konvolucija
 Filtriranje u frekvencijskoj domeni
 Niskopropusno filtriranje

 Visokopropusno filtriranje
Filtriranje
Filtriranje u prostornoj domeni
Filtriranje u frekvencijskoj domeni
Što je filtar?
 Filtar je funkcija koja modificira ulazni signal (sliku)
 Jedan od najčeščih načina za poboljšavanje
kvalitete slike
 Filtriranjem najčešće želimo iz slike odstraniti ili
smanjiti neku karakteristiku (npr. šum), ponekad i
povećati ili istaknuti (kontrast)
 Općenito, za razliku od točkastih operatora filtri
koriste više od jedne vrijednosti piksela pri
računanju novih pikselskih vrijednosti slike
Filtriranje
 Filtriranje se može provoditi
u direktnom prostoru, odnosno prostornoj domeni
 Ili u frekvencijskoj domeni, odnosno prethodnim
prevođenjnem slike u frekvencijski prostor pomoću FT
 Način na koji se proces filtriranja provodi u
različitim domenama je fundamentalno različit u
smislu manipulacije slikovnih podataka
Filtriranje u prostornoj domeni
 Složenija operacija od točkastih operatora –
potrebna zato jer se jednostavnim točkastim
operatorima ne može postići npr:
 Izglađivanje (smoothing)
 Izoštravanje (sharpening)

 Filteri mogu biti

 Linearni

 nelinearni
Susjedni operatori
 Filtriranje u prostornoj domeni je operacija koja za
računanje vrijednosti nekog piksela u izlaznoj slici
uzima u obzir
 Vrijednost piksela na istom mjestu u ulaznoj slici i
 Vrijednost susjednih piksela na ulaznoj slici -> susjedni
operator
 Koliko ulaznih piksela se uzima u obzir definira
veličinu filtera odnosno filterske jezgre
Susjedni operatori

Točkasti operatori Susjedni operatori

Input -ulazna slika

Output - izlazna, obrađena slika

I(u,v) I’(u,v) I(u,v) I’(u,v)

https://www.cis.rit.edu/class/simg712-01/notes/16-Local_Operations.pdf
Filterska jezgra - kernel
 Filtar u prostornoj domeni se može isto prikazati
pomoću matrice intenziteta – filterska jezgra ili
kako se često naziva: kernel
 Veličina te matrice označava susjedne piksele koje
uzimamo u obzir pri računanju 5x5 jezgra
3x3 jezgra
p1 p2 p3

p4 p0 p6

p7 p8 p9
Primjeri
 Jezgra oblika
0 0 0
Nema promjene na filtriranoj slici
0 1 0

0 0 0

0 0 0

0 0 1 Pomak piksela za jedno mjesto

0 0 0
Izglađivanje i izoštravanje
 glatka – razmazana slika– upućuje na spore promjene
intenziteta u slici
 Slike izglađujemo (eng. Smoothing) radi uklanjanja
šuma na slikama
 Šum se primjećuje u obliku zrnatosti, „snijega na slikama”
 Preizglađene slike gube na vidljivosti detalja

 slike izgledaju oštro na mjestima u slici gdje se

intenzitet naglo mijenja - velika razlika susjednih
piksela
 Izoštravanjem dobivamo na vidljivosti detalja ali
pojačavamo šum
 Izglađujući filtar - usrednjavanje
 Najjednostavniji način -
 račun srednjih vrijednosti susjednih piksela
 Svaki piksel u izlaznoj slici zamijenimo srednjom vrijednošću najbližih
susjeda (p0= I(u,v))

p0  p1  p2  ..  p8 1 1 1
I ' (u, v )  I ' (u, v )   I (u  i, v  j )
9 9 j 1i 1

 Zapisano u matričnom obliku:

 Matrica filtera – 1 1 1 1 1 1
H (i , j )  1 1 1
filterska jezgra: 1
1 1 1
9 
1/9 *
1 1 1 1 1 1
Primjer izglađujućeg filtera -
usrednjavanjem

R.Bourne Fundamentals of Digital Image Processing in Medicine

Primjer

filter

1 1 1
h  1 / 9 1 1 1
 
1 1 1

Isti filter ali

5 x 5 jezgra-
rezultantna
ulazna slika slika postaje
preizglađena
p6
 Utjecaj veličine filterske jezgre
1 1 1 1 1
Usrednjavajući filtar 1 1 1 1 1
1 1 1 1 1 1 1 1
1 1 1
1 1 1 1 1
1 1 1
1 1 1 1 1

Ulazna slika 3 x 3 jezgra 5 x 5 jezgra

Oblik i težinski koeficijenti
 Filteri ne moraju biti nužno kvadratnog oblika
 Kružni oblik filtera bi imao u svim smjerovima ista
svojstva (PSF)
 Filteri mogu biti linearni i nelinearni- da li se
rezultantni pikseli računaju iz izvorišnih piksela
pomoću linearnog ili nelinearnog izraza.
 Težinski koeficijenti- mogu davati različite težine
pojedinim pikselima – obično središnji pikseli imaju
veću težinu
 Linearna kombinacija- suma s različitim težinama
pridjeljenim pojedinim pikselima
Djelovanje linearnog filtera
1 1
I ' ( u, v )   I (u  i, v  j )  H (i, j )
j  1i  1

Množenje s različitim težinama, pa

zbrajanje kako bi se dobila konačna
vrijednost izlaznog piksela

Burger&Burge: Principles of digital image processing

 Numerički primjer izglađujućeg filtera

Ulazna slika Filterska jezgra

2 1 1 1 0
1 2 1
1 5 10 4 0
2 8 10 7 1 2 4 2
0 5 9 5 1 1 2 1
1 2 1 0 2

Piksel čiju vrijednost računamo u izlaznoj slici:

= 1/16 (1x5+2x10+1x4+2x8+4x10+2x7+1x5+2x9+1x5)=8

Normalizacija, zato da nove

pikselske vrijednosti ne bi bile izvan 5 6 4
danog opsega intenziteta – računa 6 8 6
se kao 1/(suma svih elemenata 4 6 4
filterske jezgre)
 Gaussov filter - razmazivanje
 Izglađujući (smoothing) filtar koji za razliku od usrednjavajućeg ima
težinske faktore s naglaskom na središnji član
 Naziva se još Gaussov filtar razmazivanja, eng. Gaussian blur filter
 Slijedi Gaussovu normalnu raspodjelu kojom opisujemo i šum na
slikama
5x5
3x3

3D prikaz Gaussove funkcije

Gaussov filtar- veličina jezgre

Ulazna slika 3 x 3 jezgra 5 x 5 jezgra

R.Bourne Fundamentals of Digital Image Processing in Medicine

 Usporedba
Usrednjujući
– bolje
uklanjanje
šuma veći
gubitak na
detaljima

Gauss

R.Bourne Fundamentals of Digital Image Processing in Medicine

Izoštravajući filteri
 Isticanje razlika među pikselima u slici
 Nagle promjene intenziteta između bliskih piksela
 Isticanje rubova – Sobelovi filteri
 U jezgri uvijek imaju i negativne vrijednosti
 Primjer je Laplace-ov filtar
-1 -1 -1
-1 8 -1
-1 -1 -1
Primjeri izoštravajućih filtera

-1 -1 -1
-1 8 -1
-1 -1 -1

-1 -1 -1
-1 9 -1
-1 -1 -1
Primjeri…

0 -1 0
-1 5 -1
0 -1 0

 Još neki primjeri su filteri derivacije

Izoštravajući filteri

 1  1  1  0 1 0 
h   1 9  1 h   1 5  1
   
 1  1  1  0  1 0 

original filtrirana
Filteri za isticanje rubova

horizontalni

vertikalni
 Primjer
 Online
aplikacija
 Web
stranica na
kojoj
možete
kreirati
vlastiti
filter i
vidjeti kako
djeluje na
sliku

http://matlabtricks.com/post-5/3x3-convolution-kernels-with-online-demo
Problem s rubovima slika prilikom
filtriranja
 Vrijednost izlaznog piksela nakon filtriranja
može se izračunati samo ako se filterska
jezgra primjeni na sve susjedne piksele –
problem nastaje na rubovima slika
 Posljedica bi bila da je svaka filtrirana slika
manja po dimenzijama
 Razne metode rješavanja ovog problema:

 Metoda 1 :
 neobrađeni pikseli na rubu se postave na neku konstantnuvrijednost-
(npr. ”crno”), time se smanjuje veličina slike.
 Metoda 2 :
 neobrađeni pikseli na rubu se postave na originalne nefiltrirane
piksele-razlika se uočava između filtrirane i neobrađene slike
Postupak s rubovima slika...
 Metoda 3: dodavanje piksela izvan graničnog
područja originalne slike (eng. padding)
 Njihove vrijednosti mogu biti postavljen ena
različite načine
 Pikseli izvan slike imaju KONSTANTNU vrijednost
– crno ili sivo- to može proizvesti snažne artefakte
na rubu slike-posebice kad se rabe veliki filteri.
 Granični pikseli se protežu izvan granica slike –
mogući su samo mali artefakti
 Slika se zrcali na svakoj od 4 granice
 Slika se periodički ponavlja u horizontalnom i
vertikalnom smjeru
 Različiti linearni filteri
izglađivanje izoštravanje
Usrednjujući („box”) filter Gauss-ov filter Laplaceov filter

Burger&Burge: Principles of digital image processing

Neoštro maskiranje
 Eng. Unsharp masking
 Postupak koji kombinira i susjedne i točkaste operatore
obrade slike
 Ulazna slika se prvo izgladi izglađujućim filterom radi
uklanjanja šuma na slici
 Dobivena slika naziva se „neoštra maska” unsharp mask
 Zatim se izglađena slika oduzme od originalne i množi
određenim faktorom kako bi se odredio nivo
intenziteta piksela
 Ova slika se dodaje početnoj te na kraju dobivamo
sliku istaknutih detalja i smanjenog šuma
Primjer
a) Ulazna slika
b) Ulazna slika filtrirana
Gaussovim filterom
c) slika dobivena
oduzimanjem b-a
d) Konačna slika
dobivena zbrajanjem
c+a

R.Bourne Fundamentals of Digital Image Processing in Medicine

Nelinearni filteri
 Izlazni pikseli ne dobivaju se kao jednostavna težinska
suma – linearna kombinacija ulaznih susjednih piksela
već pomoću neke nelinearne funkcije
 Primjeri su:
 Filter minimuma
 Vrijednost izlaznog piksela se zamjenjuje najmanjom vrijednosti
susjednih piksela – uzrokuje širenje tamnijih područja slike
 Filter maksimuma
 Vrijednost izlaznog piksela se zamjenjuje najvećom vrijednosti
susjednih piksela – uzrokuje širenje svijetlih područja
 Medijan filter
Medijan filter
 Jedan od vrlo često korištenih filtera zbog svog svojstva da
istovremeno smanjuje šum i ističe detalje
 Nelinearna funkcija u ovom slučaju je medijan
 U skupu nekih vrijednosti medijan je ona vrijednost koja se
po svom iznosu nalazi u sredini svih vrijednosti – to nije
srednja vrijednost!
 Kada to primjenimo na filtriranje postaje očigledno zašto
ovaj filter daje bolje rezulatate
 Ako u slici imamo piksele koji svojim intenzitetom jako
odudaraju od ostalih i primjenimo izglađujući filtar
(usrednjavajući) onda nam vrijednost tog piksela značajno utječe
na vrijednost na izlazu, a istovremeno dobivamo neželjeno
razmazivanje slike
 Primjenom vrijednosti susjednih piksela koja je u sredini a ne
srednje vrijednosti, dobivamo intenzitet izlaznog piksela na
kojeg njegova početna vrijednost nije imala tako veliki utjecaj
 Medijan filter - računanje
 na svakom pikselskom mjestu, izlaznom pikselu pridjeli
se vrijednost medijana piksela iz matrice n x n susjednih
piksela iz ulazne slike gdje je n generalno neparni broj.
Medijan filter - račun

R.Bourne Fundamentals of Digital Image Processing in Medicine

Primjer filtriranja medijan filterom
 Salt & pepper + median filter
39

originalna filtrirana (medijan filter)

U originalnoj slici zamijenjeno je na slučajan način 2,5% svih

piksela s potpuno crnim pikselima i isto toliko s potpuno bijelim
pikselima – umjetno stvoreni šum (salt & pepper) koji se
učinkovito uklanja pomoću MEDIJAN filtera
Djelovanje filtera i konvolucija
 Način na koji računamo pikselske vrijednosti
izlazne slike nakon što djelujemo linearnim
filterom, filterskom jezgrom odnosno kernelom na
ulaznu sliku zapravo odgovara matematičkoj
operaciji konvolucije
 Filtersku jezgru, odnosno kernel, nazivamo još i
konvolucijskom jezgrom
 Nelinearni filteri ne mogu se opisati matematičkom
operacijom konvolucije
Konvolucija
 Matematička operacija između dvije funkcije –
konvolucija - je linearna funkcija
 U obradi digitalne slike zapravo konvolucijom
opisujemo način množenja i zbrajanja elemenata
matrice intenziteta dviju slika koji možemo zamisliti
kao “prebrisavanje” originalne slike filterskom
(konvolucijskom jezgrom)

Matematička operacija
konvolucije (korelacije)
Filtriranje u prostornoj domeni i
konvolucija
 Filtriranje u prostornoj domeni zapravo je
matematička operacija konvolucije između dvije
funkcije (ulazne slike I filterske jezgre (kernela)
 Strogo matematički gledano pri računanju
konvolucije jezgra se mora rotirati, inače imamo
operaciju korelacije, ali
 Kernel ili filterska jezgra je najčešće simetričnog
oblika, npr. Gaussov, pa tu rotaciju možemo
zanemariti 1 2 1
2 4 2
1 2 1
Konvolucija..
 Do sad smo pokazali kako dobivamo vrijednost
jednog piksela u izlaznoj slici naklon filtriranja, no
kako dobiti potpuno filtriranu sliku, sve vrijednosti.
 “prebrisavanje”
Konvolucija u frekvencijskoj domeni
 Matematika se pojednostavljuje i svodi se na množenje
Fourierovih transformata dvaju funkcija
 Matematička relacija za jednu dimenziju
 Fourierov transformat konvolucije dvije funkcije je jednak
umnošku Fourierovih transformata tih funkcija
 Teorem o konvoluciji
 Isto vrijedi i u dvije dimenzije - slike

FT  f  x   g  x    F    G  
FT 1
 F    G     f  x   g  x 
Veza s prostornim frekvencijama slike
 Niskopropusni filteri
 Propuštaju niske prostorne frekvencije, a blokiraju visoke
 Slika ima maje istaknute detalje koji su povezani s visokim
frekvencijama
 Izglađujući filteri
 U prostornoj domeni to su:
 Usrednjujući
 Gaussov
 Visokopropusni filteri
 Propuštaju visoke a blokiraju niske prostorne frekvencije
 Izoštravanje
 Bolja vidljivost detalja
 Isticanje rubova I razlika u intenzitetu piksela
Primjeri filtera u obje domene
Primjeri konvolucijskih jezgri filtera u prostornoj domeni i
njihovih Fourierovih transformata u frekvencijskoj domeni

R.Bourne Fundamentals of Digital Image Processing in Medicine

Prisjetimo se …
 U frekvencijski prostor slike prelazimo pomoću
Fourierovog transformata
ωy

ωx 0 ωx

ωy
Filtriranje u frekvencijskoj domeni
 Često se jednostavno naziva i digitalno filtriranje
 Pripada u klasu globalnih operatora zato jer
istovremeno djelujemo na sve piksele u slici
 Svodi se na množenje originalne slike sa slikom
filtera odnosno maske
 Prednosti filtriranja u prostornoj domeni
 Odabiranje točno određenih frekvencija, odnosno
frekvencijskog raspona koji želimo propustiti, pojačati
ili blokirati
 Brzina računanja
Množenje FT slike i filtera

FT ulazne slike Filterska maska Umnožak a i b

R.Bourne Fundamentals of Digital Image Processing in Medicine

Postupak filtriranja u frekvencijskoj
domeni

Originalna FT
FT originalne
slika slike

Filtrirana
FT-1 Filter
slika
Originalna slika-pluća+2d sinus Fourierov transformat

FT-1

Nakon filtriranja
Filtriranje
 visokopropusni filteri
 Eng. high pass filteri
 Izuzimanje (blokiranje) svih frekvencija manjih od neke
granične (cutoff) frekvencije
 Niskopropusni filteri
 eng. low pass filteri
 Blokiranje frekvencija većih od neke granične

 Mogu se raditi različite kombinacije filtera s

manjim ili većim težinama na područje između
dvaju graničnih frekvencija
 Primjer – high pass

Izuzimanje
niskih
frekvencija –
otklanja
zamućenje i
ističe rubove
R.Bourne Fundamentals of Digital Image Processing in Medicine
Idelani filteri i artefakti
 Ovakvi jednostavni filteri koji imaju profil
Uzrokuju kružne artefakte u filtriranim slikama koje
potječu iz FT transformata takvih filterskih maski

Povećani
detalj
filtrirane slike
Filteri…
 Radi izbjegavanja nastanka ovih artefakata rade se
filteri koji nemaju oštrih rubova
 Filteri se opisuju svojim prijenosnim funkcijama –
profilima koji se proširuju na dvije dimenzije
 Primjer su Butterworth filteri različitih graničnih
frekvencija – mogu biti i viskoko i niskopropusni
 Profili:

Prijenosna (Transfer) funkcija

opisuje propuštanje
Granična frekvencija (postavlja se na
50% propusnosti

R.Bourne Fundamentals of Digital Image Processing in Medicine

Butterworth filteri

niskopropusni visokopropusni

R.Bourne Fundamentals of Digital Image Processing in Medicine

Butterworth

FT maske
maska

High pass -
visokopropusni

Low pass -
niskopropusni

R.Bourne Fundamentals of Digital Image Processing in Medicine

 Band stop filteri

Blokiraju
određeni pojas
frekvencija
Odstranjivane
periodičnog
šuma
Band pass filteri

Pojas frekvencija koje

propušta

originalna
Oštri rubovi filtera izglađeni
Filteri-sažetak

Filtriranje Filteri

Izoštravaju
Prostorna domena Frekvencijs Izglađujući ći
ka
Susjedni operatori domena Niskopropusni Visokopro
pusni

Linearni filteri Nelinearni filteri Linearni filteri Usrednjavajući Gaussov Laplaceov