Εργαστήριο Ψηφιακής Επεξεργασίας Εικόνας Εργαστηριακή Άσκηση 3η: Ανίχνευση Ακμών & Ανάλυση Εικόνων

Θέματα 3ης Εργαστηριακής Άσκησης Εφαρμογή διδιάστατων μητρώων συνέλιξης για ανιχνευση ακμών. Εντοπισμός πρωτεύοντων γεωμετρικών σχημάτων με τεχνικές ανάλυσης εικόνων.

Σχετική κίνηση αντικειμένου και κάμερας Κακή εστίαση του φακού Ανομοιογένειες της ατμόσφαιρας Μη γραμμικός μετασχηματισμός καταγραφής της εικόνας

Μέθοδοι βελτίωσης ποιότητας εικόνων (image enhancement) Τεχνικές επεξεργασίας σημείου Μετασχηματισμός γκρί επιπέδου Μετατροπή ιστογράμματος Τεχνικές τοπικής επεξεργασίας Εξομάλυνση εικόνας Όξυνση εικόνας Ανίχνευση ακμών

Γραμμικά 2-Δ φίλτρα Γραμμικός συνδυασμός τιμών γειτονικών pixels: Μητρώο συνέλιξης:

Στοιχειώδη 2-Δ γραμμικά φίλτρα Στοιχειώδες βαθυπερατό (LP) φίλτρο: Στοιχειώδες υψιπερατό (HP) φίλτρο:

Απόκριση συχνότητας ιδανικών 2-Δ φίλτρων Ιδανικό βαθυπερατό (LP) φίλτρο Ιδανικό υψιπερατό (HP) φίλτρο

Μέθοδοι σχεδίασης 2-Δ γραμμικών FIR φίλτρων Δειγματοληψία στο χώρο της συχνότητας (frequency sampling) Σχεδίαση με χρήση παραθύρων (windowing) Μετασχηματισμός συχνότητας (frequency transformation)

Δειγματοληψία στο χώρο της συχνότητας (frequency sampling) Δειγματοληψία της επιθυμητής απόκρισης συχνότητας σε διακριτά σημεία του καρτεσιανού επιπέδου Υπολογισμός του μητρώου συνέλιξης με αντίστροφο μετασχηματισμό Fourier Ανεπιθύμητες διακυμάνσεις παρουσιάζονται στην πραγματική απόκριση συχνότητας

Σχεδίαση με χρήση παραθύρων (windowing) Υπολογισμός του μητρώου συνέλιξης με αντίστροφο μετασχηματισμό Fourier της επιθυμητής απόκρισης συχνότητας Πολλαπλασιασμός του μητρώου συνέλιξης με 2-Δ “παράθυρο” που προκύπτει από μονοδιάστατο. Π.χ. παράθυρο Hamming: Σημαντική μείωση των διακυμάνσεων στην πραγματική απόκριση συχνότητας

Μετασχηματισμός συχνότητας (frequency transformation) Σχεδίαση μονοδιάστατου FIR φίλτρου (π.χ. Parks-McClellan) Υπολογισμός 2-Δ μητρώου συνέλιξης από το 1-Δ φίλτρο μέσω πίνακα μετασχηματισμού Υλοποίηση φίλτρων με κυκλικά συμμετρική απόκριση συχνότητας

Αποκατάσταση εικόνας (image restoration) Αφαίρεση παραμορφώσεων, παρεμβολών, τυχαίου θορύβου, θολώματος ή έλλειψης καλού contrast Μοντέλο παραμόρφωσης εικόνας: όπου f είναι η αρχική εικόνα, h γραμμικό φίλτρο και n προσθετικός θόρυβος

Φίλτρο Wiener Εφαρμογή γραμμικού φίλτρου p(m,n): Το φίλτρο προκύπτει από ελαχιστοποίηση MSE μεταξύ f και d: Πολύ καλά αποτελέσματα για χαμηλούς σηματοθορυβικούς λόγους Προϋποθέτει τη γνώση των φασμάτων ισχύος Sff, Srr και του μηχανισμού παραμόρφωσης H

Προσαρμοζόμενο Φίλτρο Wiener Εφαρμογή χωρικά μεταβαλλόμενου φίλτρου σε περίπτωση προσθετικού θορύβου: Εκτίμηση των παραπάνω ποσοτήτων mf, σf, σr από την εικόνα g

Προσαρμοζόμενο Φίλτρο Wiener (συνέχεια) Γραμμικό FIR φίλτρο: Ακραίες περιπτώσεις:

Φίλτρο ενδιάμεσης τιμής (Median Filter) Εφαρμογή σε παράθυρο (π.χ. 3x3) Ταξινόμηση των Α0,…,Α8 και αντικατάσταση του x(m,n) με την εδιάμεση τιμή Α4 Καλύτερη διατήρηση των ακμών (μη γραμμικό φίλτρο Ιδανικό για θόρυβο “salt & pepper”

Ορισμός SNR Έστω x(m,n) το διδιάστατο σήμα της εικόνας και x’(m,n) η ανακατασκευή του Ο σηματοθορυβικός λόγος SNR σε db ορίζεται ως: