Professional Documents
Culture Documents
5obrada Digitalne Slike2
5obrada Digitalne Slike2
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
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)
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
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
p0 p1 p2 .. p8 1 1 1
I ' (u, v ) I ' (u, v ) I (u i, v j )
9 9 j 1i 1
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
filter
1 1 1
h 1 / 9 1 1 1
1 1 1
Gauss
-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
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
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
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
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
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:
niskopropusni visokopropusni
FT maske
maska
High pass -
visokopropusni
Low pass -
niskopropusni
Blokiraju
određeni pojas
frekvencija
Odstranjivane
periodičnog
šuma
Band pass filteri
originalna
Oštri rubovi filtera izglađeni
Filteri-sažetak
Filtriranje Filteri
Izoštravaju
Prostorna domena Frekvencijs Izglađujući ći
ka
Susjedni operatori domena Niskopropusni Visokopro
pusni