Upload
igor-hut
View
107
Download
16
Embed Size (px)
DESCRIPTION
Obrada slike u frekvencijskom domenu.
Citation preview
OBRADA DIGITALNE SLIKE
predavanje 3
Mainski fakultet Univerziteta u BeograduModul za Biomedicinsko inenjerstvoObrada signala 2014/2015
OBRADA SIGNALA U FREKVENCIJSKOM DOMENU
Kad je u pitanju obrada slike uglavnom nas interesuje 2-D prostorna distribucija (funkcije) osvetljenosti ili boja
2-D kartezijanski prostor, odn. ravan x,y(duinske) koordinate piksela
Slino kao i u sluaju 1-D signala Furijeovatransformacija preslikava problem u apstraktni frekvencijski prostor
OBRADA SIGNALA U FREKVENCIJSKOM DOMENU
emu ova muka? Moe drastino olakati reavanje
odreenih tekih problema. Naroito sluaj sa operacijama filtriranja,
kod kojih se prelaskom u frekvencijskidomen pomou Furijeove transformacijepreciznije moe opisati postupak filtriranja.
OBRADA SIGNALA U FREKVENCIJSKOM DOMENU
Alternativa linearnom prostornomfiltriranju -> u sluaju velikih filtera mnogoefikasnija od linearnog filtriranja.
Furijeova transformacija nam omoguavada izolujemo i obraujemo odreenefrekvencije slike i da primenimoniskopropusne i visokopropusne filtre savelikim stepenom preciznosti.
OBRADA SIGNALA U FREKVENCIJSKOM DOMENU
Frekvencijski prostor- kljuni koncepti
Optosti radi priamo o signalima generalno.
1. Harmonijski sadraj (analiza) signala
Svaki periodian signal, bio on funkcija vremena, prostornih koordinata ili nekih drugih promenljivih moe biti predstavljen kao linearna kombinacija (teinska suma) osnovnih harmonika.
Frekvencijski prostor- kljuni koncepti
2. Predstava signala u frekv. domenu je potpuna alternativa
Teinski koeficijenti -> Furijeov spektar
Spektar se generalno protee u beskonanost -> svakisignal se moe reprodukovati sa eljenom tanou
Furijeov spektar predstavlja potpunu alternativnu reprezentaciju originalnog signala.
Frekvencijski prostor- kljuni koncepti
3. Kod obrade slike u frekvencijskom domenuinteresuje nas odnos harmonijskog sadrajaulaznog i izlaznog signala
Frekvencijski prostor- kljuni koncepti
4. Prostorni i frekvencijski domen su u recipronom odnosu
5. Furijeov razvoj i Furijeova transformacija imaju isti ciljFurijeov razvoj prevodi periodinu funkciju u sumu harmonika diskretnih vrednosti frekvencija, Furijeova transformacija prevodi neperiodini signal u harmonijsku funkciju kontinualno promenljive frekvencije.
FREKVENCIJE, NISKOPROPUSNI I VISOKOPROPUSNI FILTERI
U kontekstu monohromatske slike frekvencija predstavlja promenu vrednosti sive sa rastojanjem.
Visoko-frekventne komponente se karakteriuvelikim promenama vrednosti sive na malim rastojanjima. Primer ovih komponenti su ivice i um.
Nisko-frekventne komponente su delovi slikeokarakterisani malim promenama u vrednostima sive. To mogu biti pozadina, tekstura koe, itd.
Furijeova transformacija
2D FT
Diskretna FT
Furijeova transformacija 2D slike
translacija
Osobine Furijeove transformacije
1. SEPARABILNOST
2. LINEARNOST (LINEARNA SUPERPOZICIJA)
3. TRANSLACIJA (IFT) ->transliranje originalne slike za (x0,y0) ne menja spektar amplitude, samo spektar faze
4. PERIODINOST ILI SIMETRIJA:
- DFT i IDFT su periodine sa periodom N
- ako je f(x,y) realna, amplitudski spektar je simetrian
1. ROTACIJA -> ako se slika rotira, FT se rotira u istoj meri
2. KONVOLUCIJA -> konvolucija u prostornom domenu odgovara mnoenju u frekvencijeskom domenu
Filtriranje slike u frekvenijskomdomenu
Ako elimo da obavimo filtriranje u prostornom domenu:
U skladu sa konvolucionom teoremom moemo da izvrimo Furijeovu transformaciju kernela (maske) i slike, to nam omoguava da obavimo postupak u frekvencijskom domenu -> mnoenje:
Da bismo dobili eljenu sliku:
Filtriranje slike u frekvenijskomdomenu
Obrati panju: Kernel filtra mora imati iste dimenzije kao i slika zero
padding (potrebno gotovo uvek) Vri se mnoenje taku-po-taku (kompleksni brojevi u
optem sluaju
Prednosti filtriranja u frekvencijskomdomenu
Broj raunskih operacija (BRO) za FFT: O(MNlogMN)
Gde je MN broj piksela slike
FFT dominantno utie na ukupan BRO potreban za filtriranje u frekv. domenu
Uporedimo ovo sa konvolucijom u prostornom domenu: O( (mn)(MN) )
Dijagram promene BRO sa promenom mn, za fiksnu veliinu slike MN.
Za vee kernele, tj. kada je mn >> log(MN), filtriranje u frekv. domenumoe biti znaajno bre.
Filtriranje slike u frekvencijskomdomenu - MATLAB
Dopuniti matricu filtera nulama (zero-padding) tako da ima iste dimenzije kao i slika koja se filtrira
Ovo moete uiniti na sledei nain: h(size(f,1), size(f,2)) = 0;
Gde size(f) daje dimenzije slike (#rows, #cols).
Matlab proiruje filter i dopunjuje ga nulama.
IFFT (ifft2) bi trebalo da vrati sliku sa realnim vrednostima - Za svaki sluaj real(ifft2(slika u frekv. domenu))da se reimo malih imaginarnih vrednosti.
Primer
Funkcije koje su od znaaja u Matlabu su:
fft2 DFT matrice
ifft2 inverzna DFT matrice
fftshift 'iftuje' transformaciju kao na slici:
MATLAB Primer 1
Nisko-propusni filtri
Box filtar
h(x) h(u) f*h
Idealni nisko-propusni filtar
h(x) h(u) f*h
Idealni nisko-propusni filtar u 2D
Obratite panju na ringing efekatu blizini otrih ivica.
MATLAB Primer 2
Formirajte sliku kruga u centru - H Mnoenje u frekv. domenu
G = H .* F
ifft2(G) Obratite panju na ringing (improfile)
MATLAB Primer 2
Uklanjanje uma, smoothing
n-red filtra, k0 cut-off freq
Gauss filtar
Gauss filter ima istu formu u prostornom i frekv. domenu Nema ringing efekta, ali ne priguuje najbolje visoke
frekvencije
Definicija:
D(u,v) je rastojanje od (0,0) do (u,v)
D0 je frekvencija (cutoff) odsecanja
n je red filtra
Osobine:
Prednosti: Smanjen ringing efekat uz mogunost preciznog postavljanja frekvencije odsecanja
Sami birate odnos preciznosti odsecanja i veliine ringing -a
Butterworth nisko-propusni filtar
D0 je radijus na kome amplituda pada na 0,5
Za veliko n, H(u,v) se pribliava idealnom nisko-propusnom filtru
Visokopropusni filtri
Filtri propusnici opsega
Band passBand rejectNotch filtar
KRAJ.