Submit Search
Upload
空間濾波 Spatial Filtering
•
Download as PPTX, PDF
•
7 likes
•
15,993 views
Y
YKLee3434
Follow
Image Processing Class #5
Read less
Read more
Education
Report
Share
Report
Share
1 of 43
Download now
Recommended
Image histogram and histogram equalization 影像直方圖與直方圖均化
Image histogram and histogram equalization 影像直方圖與直方圖均化
YKLee3434
Image and image component 影像與影像元件
Image and image component 影像與影像元件
YKLee3434
MIRU2016 チュートリアル
MIRU2016 チュートリアル
Shunsuke Ono
実践QBVH
実践QBVH
Shuichi Hayashi
多チャンネルバイラテラルフィルタの高速化
多チャンネルバイラテラルフィルタの高速化
Norishige Fukushima
20190721 gaussian process
20190721 gaussian process
Yoichi Tokita
(文献紹介)エッジ保存フィルタ:Side Window Filter, Curvature Filter
(文献紹介)エッジ保存フィルタ:Side Window Filter, Curvature Filter
Morpho, Inc.
Usp友の会勉強会、ジャクソン構造図の巻(前編)
Usp友の会勉強会、ジャクソン構造図の巻(前編)
umidori
Recommended
Image histogram and histogram equalization 影像直方圖與直方圖均化
Image histogram and histogram equalization 影像直方圖與直方圖均化
YKLee3434
Image and image component 影像與影像元件
Image and image component 影像與影像元件
YKLee3434
MIRU2016 チュートリアル
MIRU2016 チュートリアル
Shunsuke Ono
実践QBVH
実践QBVH
Shuichi Hayashi
多チャンネルバイラテラルフィルタの高速化
多チャンネルバイラテラルフィルタの高速化
Norishige Fukushima
20190721 gaussian process
20190721 gaussian process
Yoichi Tokita
(文献紹介)エッジ保存フィルタ:Side Window Filter, Curvature Filter
(文献紹介)エッジ保存フィルタ:Side Window Filter, Curvature Filter
Morpho, Inc.
Usp友の会勉強会、ジャクソン構造図の巻(前編)
Usp友の会勉強会、ジャクソン構造図の巻(前編)
umidori
明日使えないすごいビット演算
明日使えないすごいビット演算
京大 マイコンクラブ
動的計画法を極める!
動的計画法を極める!
HCPC: 北海道大学競技プログラミングサークル
確率ロボティクス第二回
確率ロボティクス第二回
Ryuichi Ueda
OpenOpt の線形計画で圧縮センシング
OpenOpt の線形計画で圧縮センシング
Toshihiro Kamishima
point operations in image processing
point operations in image processing
Ramachendran Logarajah
動的計画法入門(An introduction to Dynamic Programming)
動的計画法入門(An introduction to Dynamic Programming)
kakira9618
非負値行列因子分解を用いた被り音の抑圧
非負値行列因子分解を用いた被り音の抑圧
Kitamura Laboratory
Usp友の会勉強会、ジャクソン構造図の巻(後編)
Usp友の会勉強会、ジャクソン構造図の巻(後編)
umidori
AtCoder Beginner Contest 035 解説
AtCoder Beginner Contest 035 解説
AtCoder Inc.
統計的学習の基礎6章前半 #カステラ本
統計的学習の基礎6章前半 #カステラ本
Akifumi Eguchi
ウィナーフィルタと適応フィルタ
ウィナーフィルタと適応フィルタ
Toshihisa Tanaka
[論文紹介] Convolutional Neural Network(CNN)による超解像
[論文紹介] Convolutional Neural Network(CNN)による超解像
Rei Takami
直交領域探索
直交領域探索
okuraofvegetable
Lecture9 camera calibration
Lecture9 camera calibration
zukun
Sparse estimation tutorial 2014
Sparse estimation tutorial 2014
Taiji Suzuki
LCA and RMQ ~簡潔もあるよ!~
LCA and RMQ ~簡潔もあるよ!~
Yuma Inoue
Deep Learning A-Z™: Regression & Classification - Simple Linear Regression - ...
Deep Learning A-Z™: Regression & Classification - Simple Linear Regression - ...
Kirill Eremenko
平面グラフと交通ネットワークのアルゴリズム
平面グラフと交通ネットワークのアルゴリズム
Takuya Akiba
(文献紹介) 画像復元:Plug-and-Play ADMM
(文献紹介) 画像復元:Plug-and-Play ADMM
Morpho, Inc.
今さら聞けないカーネル法とサポートベクターマシン
今さら聞けないカーネル法とサポートベクターマシン
Shinya Shimizu
澳洲圣母大学毕业证制作/加拿大硕士学历代办/购买一个假的中央警察大学硕士学位证书
澳洲圣母大学毕业证制作/加拿大硕士学历代办/购买一个假的中央警察大学硕士学位证书
kathrynalvarez364
educ6506presentationtc3302771-240427173057-06a46de5.pptx
educ6506presentationtc3302771-240427173057-06a46de5.pptx
mekosin001123
More Related Content
What's hot
明日使えないすごいビット演算
明日使えないすごいビット演算
京大 マイコンクラブ
動的計画法を極める!
動的計画法を極める!
HCPC: 北海道大学競技プログラミングサークル
確率ロボティクス第二回
確率ロボティクス第二回
Ryuichi Ueda
OpenOpt の線形計画で圧縮センシング
OpenOpt の線形計画で圧縮センシング
Toshihiro Kamishima
point operations in image processing
point operations in image processing
Ramachendran Logarajah
動的計画法入門(An introduction to Dynamic Programming)
動的計画法入門(An introduction to Dynamic Programming)
kakira9618
非負値行列因子分解を用いた被り音の抑圧
非負値行列因子分解を用いた被り音の抑圧
Kitamura Laboratory
Usp友の会勉強会、ジャクソン構造図の巻(後編)
Usp友の会勉強会、ジャクソン構造図の巻(後編)
umidori
AtCoder Beginner Contest 035 解説
AtCoder Beginner Contest 035 解説
AtCoder Inc.
統計的学習の基礎6章前半 #カステラ本
統計的学習の基礎6章前半 #カステラ本
Akifumi Eguchi
ウィナーフィルタと適応フィルタ
ウィナーフィルタと適応フィルタ
Toshihisa Tanaka
[論文紹介] Convolutional Neural Network(CNN)による超解像
[論文紹介] Convolutional Neural Network(CNN)による超解像
Rei Takami
直交領域探索
直交領域探索
okuraofvegetable
Lecture9 camera calibration
Lecture9 camera calibration
zukun
Sparse estimation tutorial 2014
Sparse estimation tutorial 2014
Taiji Suzuki
LCA and RMQ ~簡潔もあるよ!~
LCA and RMQ ~簡潔もあるよ!~
Yuma Inoue
Deep Learning A-Z™: Regression & Classification - Simple Linear Regression - ...
Deep Learning A-Z™: Regression & Classification - Simple Linear Regression - ...
Kirill Eremenko
平面グラフと交通ネットワークのアルゴリズム
平面グラフと交通ネットワークのアルゴリズム
Takuya Akiba
(文献紹介) 画像復元:Plug-and-Play ADMM
(文献紹介) 画像復元:Plug-and-Play ADMM
Morpho, Inc.
今さら聞けないカーネル法とサポートベクターマシン
今さら聞けないカーネル法とサポートベクターマシン
Shinya Shimizu
What's hot
(20)
明日使えないすごいビット演算
明日使えないすごいビット演算
動的計画法を極める!
動的計画法を極める!
確率ロボティクス第二回
確率ロボティクス第二回
OpenOpt の線形計画で圧縮センシング
OpenOpt の線形計画で圧縮センシング
point operations in image processing
point operations in image processing
動的計画法入門(An introduction to Dynamic Programming)
動的計画法入門(An introduction to Dynamic Programming)
非負値行列因子分解を用いた被り音の抑圧
非負値行列因子分解を用いた被り音の抑圧
Usp友の会勉強会、ジャクソン構造図の巻(後編)
Usp友の会勉強会、ジャクソン構造図の巻(後編)
AtCoder Beginner Contest 035 解説
AtCoder Beginner Contest 035 解説
統計的学習の基礎6章前半 #カステラ本
統計的学習の基礎6章前半 #カステラ本
ウィナーフィルタと適応フィルタ
ウィナーフィルタと適応フィルタ
[論文紹介] Convolutional Neural Network(CNN)による超解像
[論文紹介] Convolutional Neural Network(CNN)による超解像
直交領域探索
直交領域探索
Lecture9 camera calibration
Lecture9 camera calibration
Sparse estimation tutorial 2014
Sparse estimation tutorial 2014
LCA and RMQ ~簡潔もあるよ!~
LCA and RMQ ~簡潔もあるよ!~
Deep Learning A-Z™: Regression & Classification - Simple Linear Regression - ...
Deep Learning A-Z™: Regression & Classification - Simple Linear Regression - ...
平面グラフと交通ネットワークのアルゴリズム
平面グラフと交通ネットワークのアルゴリズム
(文献紹介) 画像復元:Plug-and-Play ADMM
(文献紹介) 画像復元:Plug-and-Play ADMM
今さら聞けないカーネル法とサポートベクターマシン
今さら聞けないカーネル法とサポートベクターマシン
Recently uploaded
澳洲圣母大学毕业证制作/加拿大硕士学历代办/购买一个假的中央警察大学硕士学位证书
澳洲圣母大学毕业证制作/加拿大硕士学历代办/购买一个假的中央警察大学硕士学位证书
kathrynalvarez364
educ6506presentationtc3302771-240427173057-06a46de5.pptx
educ6506presentationtc3302771-240427173057-06a46de5.pptx
mekosin001123
日本九州齿科大学毕业证制作🚩定制本科卒业证书🚩哪里可以购买假美国西南基督复临安息日会大学成绩单
日本九州齿科大学毕业证制作🚩定制本科卒业证书🚩哪里可以购买假美国西南基督复临安息日会大学成绩单
jakepaige317
哪里可以购买日本神奈川县立保健福祉大学学位记/录取通知书可以制作吗/补办马来西亚大学文凭/CIA证书定制
哪里可以购买日本神奈川县立保健福祉大学学位记/录取通知书可以制作吗/补办马来西亚大学文凭/CIA证书定制
kathrynalvarez364
布莱德福德大学毕业证制作/英国本科学历如何认证/购买一个假的香港中文大学专业进修学院硕士学位证书
布莱德福德大学毕业证制作/英国本科学历如何认证/购买一个假的香港中文大学专业进修学院硕士学位证书
kathrynalvarez364
EDUC6506_ClassPresentation_TC330277 (1).pptx
EDUC6506_ClassPresentation_TC330277 (1).pptx
mekosin001123
Recently uploaded
(6)
澳洲圣母大学毕业证制作/加拿大硕士学历代办/购买一个假的中央警察大学硕士学位证书
澳洲圣母大学毕业证制作/加拿大硕士学历代办/购买一个假的中央警察大学硕士学位证书
educ6506presentationtc3302771-240427173057-06a46de5.pptx
educ6506presentationtc3302771-240427173057-06a46de5.pptx
日本九州齿科大学毕业证制作🚩定制本科卒业证书🚩哪里可以购买假美国西南基督复临安息日会大学成绩单
日本九州齿科大学毕业证制作🚩定制本科卒业证书🚩哪里可以购买假美国西南基督复临安息日会大学成绩单
哪里可以购买日本神奈川县立保健福祉大学学位记/录取通知书可以制作吗/补办马来西亚大学文凭/CIA证书定制
哪里可以购买日本神奈川县立保健福祉大学学位记/录取通知书可以制作吗/补办马来西亚大学文凭/CIA证书定制
布莱德福德大学毕业证制作/英国本科学历如何认证/购买一个假的香港中文大学专业进修学院硕士学位证书
布莱德福德大学毕业证制作/英国本科学历如何认证/购买一个假的香港中文大学专业进修学院硕士学位证书
EDUC6506_ClassPresentation_TC330277 (1).pptx
EDUC6506_ClassPresentation_TC330277 (1).pptx
空間濾波 Spatial Filtering
1.
空間濾波 Spatial Filtering
影像處理 Nov. 9, 2014 銘傳資工李遠坤副教授編撰
2.
大綱 1. 空間域與頻率域Spatial
and Frequency Domain 2. 空間濾波的基本原理Basic of Spatial Filtering 3. 平滑空間濾波器Smoothing Spatial Filter 4. 胡椒鹽雜訊與中值濾波器 Pepper-and-salt Noise and Median Filter 5. 銳化空間濾波器Sharping Spatial Filter 2
3.
空間域與頻率域 Spatial and
Frequency Domain 3
4.
空間域上的影像處理 4 空間域之
影像處理 處理前影像處理後影像 • 直接針對空間域上的像素色彩值進行處理,處理結果也 是直接取代原先空間域上的像素色彩值。
5.
空間域上的影像處理(續) • 之前所介紹的直方圖均化、Photoshop
的色階調整、曲線 調整…等都是直接在空間域上進行的影像處理。 • 本單元要介紹的平滑(Smoothing)、銳化(Sharping)及中值 等濾波器,都是屬於空間域上的影像處理。 5
6.
頻率域上的影像處理 6 處理前影像處理後影像
轉換Transformation Inverse Transformation 反轉換 頻率域之 影像處理 • 並不會直接針對空間域的像素色彩值處理,首先,將其 換成頻率域上的係數後再進行處理,最後再轉換回來。
7.
頻率域上的影像處理(續) • 最常見的轉換是傅立葉轉換(Fourier
Transform)。 • 影像壓縮標準JPEG 則是採用 離散餘弦轉換(Discrete Cosine Transform ) 作為轉換工具。 7
8.
空間濾波的基本原理 Basic of
Spatial Filtering 8
9.
空間濾波的基本原理 9 座標原點
(x,y) 影像f(x,y) y x mask • 濾波器(filter) 也稱為遮罩(mask)、 核心(kernel)、模板(template)、 或視窗(window)。 • 濾波器大小會依應用不同而有所 不同。 • 濾波器上每一格都有一個對應的 濾波器係數(coefficient)。
10.
空間濾波的基本原理(續) 10 •
濾波器w 的係數依其位置給予索引 標號,令中心點為푤(0, 0) ,如左圖。 • 濾波器會從上而下,從左而右地處 理影像中的每一個像素。 • 當濾波器中心點푤(0, 0) 落於影像座 標(푥, 푦) 的像素之上,濾波運算會 產生新的像素色彩值푔(푥, 푦)。 w(-1,-1) w(-1,0) w(-1,1) w(0,-1) w(0,0) w(0,1) w(1,-1) w(1,0) w(1,1) f(x-1,y-1) f(x-1,y) f(x-1,y+1) f(x,y-1) f(x,y) f(x,y+1) f(x+1,y-1) f(x+1,y) f(x+1,y+1)
11.
空間濾波的基本原理(續) 11 w(-1,-1)
w(-1,0) w(-1,1) w(0,-1) w(0,0) w(0,1) w(1,-1) w(1,0) w(1,1) f(x-1,y-1) f(x-1,y) f(x-1,y+1) f(x,y-1) f(x,y) f(x,y+1) f(x+1,y-1) f(x+1,y) f(x+1,y+1) 푔 푥, 푦 = 푤 −1, −1 푓 푥 − 1, 푦 − 1 + 푤 −1,0 푓 푥 − 1, 푦 + ⋯ + 푤 0,0 푓 푥, 푦 + ⋯ + 푤 1,0 푓(푥 + 1, 푦) + 푤 1,1 푓(푥 + 1, 푦 + 1)
12.
空間濾波的基本原理(續) 12 w(-1,-1)
w(-1,0) w(-1,1) w(0,-1) w(0,0) w(0,1) w(1,-1) w(1,0) w(1,1) f(x-1,y-1) f(x-1,y) f(x-1,y+1) f(x,y-1) f(x,y) f(x,y+1) f(x+1,y-1) f(x+1,y) f(x+1,y+1) • 假設濾波器大小m*n 均為奇數 푔(푥, 푦) = 푎 푠=−푎 푏 푡=−푏 푤 푠, 푡 푓 푥 + 푠, 푦 + 푡 • 푚 = 2푎 + 1 • 푛 = 2푏 + 1
13.
平滑空間濾波器 Smoothing Spatial
Filter 13
14.
平滑空間濾波器 • 平滑濾波器(Smoothing
filter) 主要用途是模糊化(blurring) 14 和減少雜訊(noise reduction)。 • 模糊化通常在影像中針對較大物件的萃取(object extraction)時,在預處理(preprocessing) 階段,先用平滑 濾波器移除影像中的小細節;或是針對直線或曲線上的 小間隙,用平滑濾波器將小間隙連接起來。 • 減少雜訊除了使用平滑濾波器之外,也可以使用中值濾 波器來完成。
15.
平滑空間濾波器(續) 15 •
平滑濾波器(smoothing filter) 的輸出為遮罩所包含的臨 域中,所有像素的平均值。故有時亦稱為平均濾波器 (averaging filter)。 • 平滑濾波器的效果和頻率域中的低通濾波器是相同的, 因此,也稱為低通濾波器(lowpass filter)。
16.
平滑空間濾波器(續) 16 •
上圖的遮罩將1 9 提出,可降低運算 所需時間。 • 下圖為權重平均(weighted average), 中間係數權重較大,代表中心像素的 色彩值被視為較重要,離中心點越遠 的像素權重較小,表示重要性較低。 所有係數值總和為16,故必須再乘上 1 16 ,達到平均的目的。 1 1 1 1 1 1 1 1 1 1 9 × 1 2 1 2 4 2 1 2 1 1 16 ×
17.
平滑空間濾波器(續) • 大小為푚
× 푛 ( 푚, 푛 均為奇數) 的權重平均濾波器,其表 17 示式為 푔(푥, 푦) = 푎 푠=−푎 푡=−푏 푏 푤 푠, 푡 푓 푥 + 푠, 푦 + 푡 푎 푠=−푎 푡=−푏 푏 푤 푠, 푡 • 注意!在實作時,分母為遮罩中所有係數的總和。因此 可事先計算並儲存為常數。不必於每個像素中重新計算。
18.
中值濾波器與胡椒鹽雜訊 Median Filter
and Pepper-and-salt Noise 18
19.
排序統計濾波器 • 排序統計濾波器(order-statistics
filter) 屬非線性濾波器, 19 其輸出為根據遮罩中所有像素色彩排序後的結果。 • 例如,最大值濾波器(max filter)的輸出為遮罩中所有像 素色彩的最大值, • 最小值濾波器(min filter)的輸出為遮罩中所有像素色彩 的最小值。 • 中值濾波器(median filter)的輸出為遮罩中所有像素色彩 的中位數。
20.
中值濾波器與胡椒鹽雜訊 20 •
中值濾波器常可用來消除脈衝雜訊(impulse noise)。 • 影像中的脈衝雜訊是以白點或黑點的形式出現,就像在 影像中撒上黑胡椒與白鹽一般,所以又稱為胡椒鹽雜訊 (pepper-and-salt noise)。
21.
中值濾波器與胡椒鹽雜訊(續) 21 含6%
隨機胡椒鹽雜訊之影像使用中值濾波器後之影像
22.
中值濾波器與胡椒鹽雜訊(續) 22 含20%
隨機胡椒鹽雜訊之影像使用中值濾波器後之影像
23.
銳化空間濾波器 Sharping Spatial
Filter 23
24.
銳化空間濾波器 24 •
銳化濾波器(sharping filter) 的目的是強化影像細節,並 凸顯其色彩強度的變化。
25.
微積分與影像處理 25 •
我們已經知道平滑濾波是將鄰域中的所有像素的色彩值 取平均而達成,而平均其實是與積分相關。 푓푎푣푔 = 1 푏 − 푎 푏 푓 푥 푑푥 푎 • 將函數積分所得到的面積,除以積分範圍就可以得到此 段函數的平均值。 • 合理的推論: 銳化濾波可以由微分來達成。
26.
微積分與影像處理(續) 26 •
定義域為實數的函數푓(푥) ,其一階導函數(微分) 的定 義如下: 푓′ 푥 = lim ℎ→0 푓 푥 + ℎ − 푓(푥) ℎ • 其意義為當輸入的自變數變化一點點時(由푥 變成푥 + ℎ ),觀察函數值的變化(由푓(푥) 變化成푓(푥 + ℎ) ),換 句話說, 就是函數푓(푥) 在푥 的變化率。
27.
微積分與影像處理(續) 27 •
若是將影像的某一列視為一個函數,函數值即為像素色 彩值,自變數為水平座標,因此其定義域為正整數。 • 由相鄰兩個像素其位置的座標至少差1,因此此函數是 屬於離散函數(discrete function) 的一種。 • 離散函數푓(푥) 的導函數(差分) 的定義和連續函數的微 分非常類似,只是自變數的變化最小為1,由푥 變成 푥 + 1。因此,求導函數不再需要用到極限的概念,只 要相鄰兩個值相減即可。
28.
差分: 一階與二階導函數 28
• 離散函數푓(푥) 的一階導函數(差分)定義如下: 푓′ 푥 = 푑푓(푥) 푑푥 = 푓 푥 + 1 − 푓(푥) • 同理,二階導函數可由一階導函數推導出 푑2푓(푥) 푑푥2 = 푓′ 푥 + 1 − 푓′ 푥 = 푓 푥 + 2 − 푓 푥 + 1 − 푓 푥 + 1 − 푓 푥 푓′′ 푥 = = 푓 푥 + 2 − 2푓 푥 + 1 + 푓(푥)
29.
差分: 一階與二階導函數 29
• 所導出的二階導函數 푓′′ 푥 = 푑2푓 푑푥2 = 푓 푥 + 2 − 2푓 푥 + 1 + 푓(푥) • 由於中心點並沒有位於푥 ,因此,將二階導函數重新定 義為 푓′′ 푥 = 푑2푓 푑푥2 = 푓 푥 + 1 − 2푓 푥 + 푓(푥 − 1)
30.
範例討論 • 左圖紅色箭頭所指的影像列,將其色彩值用函數的圖形表
30 示法畫出,即如右圖所示。
31.
範例討論(續) 7654321 0
下斜坡 孤立點 細線 平坦段 步階 5 5 4 3 2 Image 1 0 0 0 6 0 0 0 0 1 3 1 0 0 0 0 7 7 7 7 strip 31 First Derivative -1 -1 -1 -1 -1 0 0 6 -6 0 0 0 1 2 -2 -1 0 0 0 7 0 0 0 Second Derivative -1 0 0 0 0 1 0 6 -12 6 0 0 1 1 -4 1 1 0 0 7 -7 0 0 0 重新定義之 二階導數-1 0 0 0 0 1 0 6 -12 6 0 0 1 1 -4 1 1 0 0 7 -7 0 0 • 影像色階已經簡化成八個灰階值。
32.
範例討論(續) • 下斜坡:除了兩邊,還跨了4
個像素,影像的邊緣(edge) 通常類似這種慢慢變化的情況。 一階導數:共有5 個像素不為零。 二階導數:只在起點和終點,2 個像素不為零。 推論:一階導數產生較寬的邊緣,二階導數產生的邊緣 較細緻。 32
33.
範例討論(續) 33 •
孤立點:只有一個像素,像是雜訊點。 一階導數:反應在2 個像素,一正一負(跨零)。 二階導數:反應在3 個像素上,且比一階導數強烈。 推論:二階導數在色階的改變,反應要比一階導數強烈。
34.
範例討論(續) 34 •
細線:也是一種影像細節,有三個像素。 一階導數:反應在4 個像素,二正二負(跨零)。 二階導數:反應在5 個像素上,正中間雖然為負的,但 反應最大,也比一階導數要強列。 推論:二階導數反應比一階導數多且強列。
35.
範例討論(續) 35 •
步階:也是一種影像細節,有三個像素。 一階導數:反應在1 個像素。 二階導數:反應在2 個像素上,一正一負(跨零)。 推論:兩個導數的反應強列度相同。
36.
範例討論(續) 36 •
結論: 一階導數產生的邊緣(edge) 較厚。 二階導數對孤立點和細直線有較強的反應。 一階導數對步階有強的反應。 二階導數對步階有強的雙反應。 二階導數在增強影像細節的應用上,通常會比一階導數要 更合適些。
37.
銳化空間濾波器設計 37 •
運用二階導函數來設計銳化濾波器最有名的就是拉普拉 斯(Laplacian) 運算子。因為影像푓(푥, 푦) 為二維雙變數函 數,故使用偏微分的符號為其定義 훻2푓(푥, 푦) = 휕2푓(푥, 푦) 휕푥2 + 휕2푓(푥, 푦) 휕푦2 휕2푓(푥, 푦) 휕푥2 = 푓 푥 − 1, 푦 − 2푓 푥, 푦 + 푓(푥 + 1, 푦) 휕2푓(푥, 푦) 휕푦2 = 푓 푥, 푦 − 1 − 2푓 푥, 푦 + 푓(푥, 푦 + 1)
38.
銳化空間濾波器設計 38 •
拉普拉斯(Laplacian) 運算子: 훻2푓(푥, 푦) = 휕2푓(푥, 푦) 휕푥2 + 휕2푓(푥, 푦) 휕푦2 = 푓 푥 + 1, 푦 − 2푓 푥, 푦 + 푓(푥 − 1, 푦) + 푓 푥, 푦 + 1 − 2푓 푥, 푦 + 푓 푥, 푦 − 1 = 푓 푥 + 1, 푦 + 푓 푥 − 1, 푦 + 푓 푥, 푦 + 1 + 푓 푥, 푦 − 1 −4푓 푥, 푦
39.
銳化空間濾波器設計 39 •
將拉普拉斯運算子훻2푓 用遮罩的 方式實作: 훻2푓 푥, 푦 = 푓 푥 + 1, 푦 + 푓 푥 − 1, 푦 + 푓 푥, 푦 + 1 + 푓 푥, 푦 − 1 − 4푓 푥, 푦 • 此運算子分別考慮了푥 與푦 方向 的變化細節,並將其加總。 0 1 0 1 -4 1 0 1 0 f(x-1,y-1) f(x-1,y) f(x-1,y+1) f(x,y-1) f(x,y) f(x,y+1) f(x+1,y-1) f(x+1,y) f(x+1,y+1)
40.
銳化空間濾波器設計 40 •
若將對角線的細節變化也考慮進 來,遮罩將會如左圖的方式實作。 • 利用拉普拉斯運算子來設計銳化 濾波器的公式為 1 1 1 1 -8 1 1 1 1 f(x-1,y-1) f(x-1,y) f(x-1,y+1) 푔 푥, 푦 = 푓 푥, 푦 − 훻2푓(푥, 푦) f(x,y-1) f(x,y) f(x,y+1) f(x+1,y-1) f(x+1,y) f(x+1,y+1)
41.
銳化空間濾波器設計 41 •
將銳化濾波器的公式簡化 푔 푥, 푦 = 푓 푥, 푦 − 훻2푓 푥, 푦 = 푓 푥, 푦 − [푓 푥 + 1, 푦 + 푓 푥 − 1, 푦 + 푓 푥, 푦 + 1 + 푓 푥, 푦 − 1 − 4푓 푥, 푦 ] = 5푓 푥, 푦 − 푓 푥 + 1, 푦 − 푓 푥 − 1, 푦 − 푓 푥, 푦 + 1 − 푓 푥, 푦 − 1
42.
銳化空間濾波器設計 42 •
簡化後的銳化濾波器的遮罩如下: 0 -1 0 -1 5 -1 0 -1 0 -1 -1 -1 -1 9 -1 -1 -1 -1
43.
銳化空間濾波器設計 43 •
使用銳化濾波器遮罩푔 푥, 푦 = 푓 푥, 푦 − 훻2푓(푥, 푦) 得到的月球北極影像(the North Pole of the Moon)。
Editor's Notes
課程: 影像處理 單元: 空間濾波器 Spatial Filtering 銘傳資工 李遠坤 副教授 編撰
本單元大綱共有 5 項
T 是 Transformation 的意義。
T 是 Transformation 的意義。
詳見微積分課本 p. 4-41
Download now