1

 Uvod – općenito o poboljšanju slike

 Fourier-ova transformacija (osnove)
 Filtriranje slike (linearno, korjenom i

homomorfno)
 Konvolucija i konvolucijske maske

2
 Obrada slike pri kojoj je dobiveni rezultat
prikladniji (bolji) od orginala za određenu
specifičnu svrhu
 Npr. Prepoznavanje osoba, uočavanje

grešaka...
 Prostorna i frekvencijska domena
 Prednost filtriranja u frekv. domeni je niža

računska složenost (relativno!)

 Za razumjevanje ovog područja potrebno je

osnovno znanje o Fourierovoj transformaciji

3
 naglasak na osnovama i značaju kod digitalne
obrade slike
 proizvoljnu periodičnu funkciju možemo

zapisati kao zbroj sinusoida različitih

amplituda i frekvencija (koje je lakše
analizirati jer su svojstva sinusoida dobro
poznata)- Fourierov red
 Funkcije koje nisu periodične (ali čija površina

ispod krivulje je konačna)-Fourierova

transformacija

4
5
 Rekonstruiranje početne funkcije bez gubitka informacija-najvažnija
karakteristika

 FT kontinuirane funkcije s jednom varijablom f(x) dana je

jednadžbom:

6
Inverzna FT:

Te dvije jednadžbe zajedno tvore Fourierov transformacijski par.

7
Diskretna Fourierova transformacija funkcije f(x)
dana je jednadžbom:

Inverzna DFT:

8
F(u) se može izraziti i u polarnim koordinatama:

gdje je spektar FT-a

i fazni kut.

U svrhu poboljšanja digitalnih slika, najviše se radi sa svojstvima

spektra.

Također radi se i sa spektralnom gustoćom koja je definirana kao

kvadrat Fourierovog spektra.

9
M=1024
A=1
K=8

M=1024
A=1
K=16

10
Analogno DFT se proširuje na 2 dimenzije. DFT funkcije (slike)
f(x,y) veličine MxN dana je jednadžbom:

I njezin inverz:

11
Fourierov spektar, fazni kut i spektralna gustoća definiraju se kao i kod
1-D:

12
Vrijednost DFT pri (u,v)=(0,0) je

što je srednja vrijednost f(x,y) – ako je f(x,y) slika, vrijednost DFT-a

u ishodištu jednaka je srednjem “gray level-u” slike.

13
14
 Postupak se sastoji od slijedećih koraka:
1. Pomnožiti ulaznu funkciju (sliku) sa
(-1)^x+y.
2. Izračunati F(u,v), DFT slike iz točke 1.
3. Pomnožiti F(u,v) sa funkcijom filtera H(u,v).
4. Izračunati inverznu DFT rezultata iz 3.
5. Izdvojiti realni član rezultata iz 4.
6. Pomnožiti rezultat iz 5 sa (-1)^x+y

15
 Filter – ne propušta određene frekvencije, dok
ostale ostaju nepromjenjene
 Filtriranje se izvodi pomoću slijedećeg izraza:

 Filtrirana slika se dobija inverzom FT-a od

G(u,v):

16
17
 niske frekvencije u FT – opći(prosječni) “grey
level” glatkih površina
 visoke frekvencije u FT – detalji, nagli

prijelazi (rubovi, šum...)

 nisko propusni filter – propušta niske frekv.,

a “reže”(attenuate) visoke frekv.-smoothing

filteri
 visoko propusni filter – propušta visoke

frekv., a “reže” niske frekv.-sharpening filteri

18
19
 Idealni NP filter
 Butterworth-ov NP filter
 Gauss-ov NP filter

20
 Najjednostavniji NP filter
 “odrezuje” sve visokofrekvencijske

komponente koje imaju veću udaljenost od D 0

od ishodišta (centrirane) transformacije

Udaljenost točke od ishodišta

21
Cutoff frequency

22
 Total image power:

 Krug radijusa r sa ishodištem u sredini

frekvencijskog kvadrata zatvara α posto
“snage”(power):

23
24
25
 Prijenosna funkcija BNPF n-tog reda sa cutoff
frekvencijom na udaljenosti D od ishodišta:
0

26
27
 Prijenosna funkcija:

28
29
 S obzirom da su rubovi i ostale nagle promjene
gray level-a povezane sa visokofrekvencijskim
komponentama, izoštravanje slike izvodi se sa VP
filterima.
 Funkcija im je suprotna on NP filtera pa
prijenosnu funkc. pišemo:

 Biti će prikazani idealni, Butterworth-ov i Gauss-

ov VP filter

30
31
32
 Slika f(x) može se izraziti kao umnožak
osvijetljenja i reflektancije:

 Osvijetljenje ima NF a reflektancija VF

karakter
 Smanjenjem intenziteta smanjuje se

dinamički opseg slike a povećanjem

reflektancije povećava se kontrast

33
 Problem: osvjetljenje i reflektancija su u formi
produkta-”nemoguće” nezavisno filtriranje
obje funkcije
 Rješenje: logaritmiranjem f(x,y) osvjetljenje i

reflektancija pojavljuju se u formi zbroja, te

se mogu nezavisno linearno filtrirati

34
 Nakon filtriranja antilogaritmiranjem se
rekonstruira originalna slika

 Na taj način vrši se povećanje kontrasta

35
• Obratiti pažnju na detalje u unutrašnjosti.

36
 Ako su v(k,l) DFT koeficjenti neke slike:

 Kod filtriranja operacijom korjena nova se

vrijednost dobiva kao:

37
 Vađenje korjena naglašava visoke frekvencije
relativno u odnosu na niske frekvencije
 Filtriranje korjenom (engl. Alpha rooting) se

koristi za naglašavanje viših frekvencija u slici

38
 Svi frekvencijski filteri se teoretski mogu
implementirati i u vremenskoj domeni, jer je
množenje u frekvencijskoj domeni ekvivalentno
konvoluciji u vremenskoj domeni. Vrijedi
konvolucijski teorem:

G(u, v) = H(u, v)F(u, v) ⇔ g(x, y) = h(x, y) ∗ f (x, y)

39
 Dvodimenzionalna diskretna konvolucija je
dana s:

 Filtriranje je računski manje zahtjevno u

vremenskom području ako se radi o malim
konvolucijskim maskama, te se u takvim
slučajevima uglavnom provodi sa prostornim
konvolucijskim maskama.

40
 Za cilj prevođenja frekvencijskih filtera u
konvolucijske maske može se postaviti da se
dobije aproksimacija s najmanjom kvadratnom
greškom.
 U općem slučaju su članovi kompleksni, ali ako je
frekvencijski filter realan i simetričan, onda će i
konvolucijska maska biti takva.
 Ako se ne može odrediti dovoljno dobra maska
za aproksimaciju filtera ili ako aproksimacija
filtera rezultira velikom konvolucijskom maskom,
provodi se filtriranje u frekvencijskom području.

41
42