Die Bildfilterung kann in Abhängigkeit von den Effekten in zwei Gruppen unterteilt werden: Tiefpaßfilter (Glättung) Die Tiefpaßfilterung (aka Glättung) wird verwendet, um ein hochfrequentes Rauschen aus einem digitalen Bild zu entfernen. Die Tiefpassfilter verwenden üblicherweise einen sich bewegenden Fensteroperator, der jeweils ein Pixel des Bildes beeinflusst, wobei sein Wert durch eine Funktion einer lokalen Region (Fenster) von Pixeln geändert wird. Der Bediener bewegt sich über das Bild, um alle Pixel im Bild zu beeinflussen. Hochpassfilter (Edge Detection, Sharpening) Ein Hochpassfilter kann verwendet werden, um ein Bild schärfer zu machen. Diese Filter unterstreichen feine Details im Bild - das Gegenteil des Tiefpaßfilters. Die Hochpaßfilterung arbeitet genauso wie eine Tiefpaßfilterung, die nur einen anderen Faltungskernel verwendet. Beim Filtern eines Bildes wird jedes Pixel durch seine Nachbarn beeinflusst, und der Nettoeffekt der Filterung bewegt Informationen um das Bild herum. In diesem Kapitel verwenden Sie dieses Bild: bogotobogo-Site-Suche: bogotobogo-Site-Suche: Mittlere Filterung ist einfach zu implementieren. Es wird als ein Verfahren zum Glätten von Bildern verwendet, wodurch der Betrag der Intensitätsveränderung zwischen einem Pixel und dem nächsten reduziert wird, wodurch das Rauschen in Bildern reduziert wird. Die Idee der mittleren Filterung ist einfach, jeden Pixelwert in einem Bild durch den mittleren (durchschnittlichen) Wert seiner Nachbarn, einschließlich sich selbst, zu ersetzen. Dies hat die Wirkung, Pixelwerte zu eliminieren, die für ihre Umgebung nicht repräsentativ sind. Eine mittlere Filterung wird üblicherweise als ein Faltungsfilter angesehen. Wie andere Windungen basiert es auf einem Kern, der die Form und Größe der Nachbarschaft repräsentiert, die bei der Berechnung des Mittelwerts abgetastet werden soll. Häufig wird ein 3-fach quadratischer Kernel verwendet, wie unten gezeigt: Der mf ist der mittlere Filter: Der Filter2 () ist definiert als: Y filter2 (h, X) filtert die Daten in X mit dem zweidimensionalen FIR-Filter in der Matrix h. Es berechnet das Ergebnis, Y, unter Verwendung der zweidimensionalen Korrelation und gibt den zentralen Teil der Korrelation zurück, der die gleiche Größe wie X hat. Er gibt den durch den Formparameter festgelegten Teil von Y zurück. Shape ist ein String mit einem dieser Werte: full. Gibt die vollständige zweidimensionale Korrelation zurück. In diesem Fall ist Y größer als X. gleich. (Default) Gibt den zentralen Teil der Korrelation zurück. In diesem Fall ist Y gleich groß wie X. gültig. Gibt nur die Teile der Korrelation zurück, die ohne nullgepolsterte Kanten berechnet werden. In diesem Fall ist Y kleiner als X. Nun wollen wir den im vorherigen Abschnitt definierten Kernel mit filter2 () anwenden: Wir können sehen, dass das gefilterte Bild (rechts) ein wenig verglichen mit dem ursprünglichen Eingang (links) . Wie zuvor erwähnt, kann das Tiefpassfilter verwendet werden. Lets es testen. Erstens, um die Eingabe ein wenig schmutzig, wir Spray einige Pfeffer und Salz auf das Bild, und wenden Sie dann die mittlere Filter: Es hat einige Auswirkungen auf das Salz und Pfeffer Rauschen, aber nicht viel. Es machte sie nur verwischt. Wie wäre es mit dem Versuch der Matlabs eingebauten Median Filter bogotobogo Website-Suche: bogotobogo Website-Suche: Median Filter - medfilt2 () Hier ist das Skript: Viel besser. Anders als der vorherige Filter, der gerade Mittelwert verwendet, dieses Mal benutzten wir Median. Das Medianfiltern ist ein nichtlinearer Vorgang, der häufig bei der Bildverarbeitung verwendet wird, um das Salz - und Pfeffergeräusch zu reduzieren. Beachten Sie auch, dass die medfilt2 () 2-D-Filter ist, so dass es nur für Graustufenbild funktioniert. Für Rauschentfernung für RGB-Bild gehen Sie bitte zum Ende dieses Kapitels: Entfernen von Rauschen im RGB-Bild. Matlab bietet eine Methode zum Erstellen eines vordefinierten 2-D-Filters. Sein fspecial (): h fspecial (type) erzeugt ein zweidimensionales Filter h des angegebenen Typs. Es gibt h als Korrelationskernel zurück, was für die Verwendung mit imfilter () die geeignete Form ist. Der Typ ist ein String mit einem dieser Werte: Matlab Bild - und Videobearbeitung OpenCV 3 - Bildverarbeitung OpenCV 3 Bild - und Videoverarbeitung mit PythonPublish April 6, 2010 by Mathuranathan Gibbs Phenomena 8211 Eine Demonstration (noch keine Bewertung) Loading. Digitale (Finite Impulse Response) (FIR)) Filter sind aufgrund ihrer vielen günstigen Eigenschaften in vielen Signalverarbeitungsanwendungen sehr beliebt. FIR-Filter können so ausgelegt werden, daß sie eine lineare Phasenreaktion im Durchlaßband aufweisen, so daß das Filter keine Verzögerungsverzerrung (oder - dispersion) verursacht, wenn unterschiedliche Frequenzkomponenten unterschiedlichen Verzögerungen unterliegen. Die einfachste FIR-Design-Technik ist die (Impulse Response Truncation). Wo eine ideale Impulsantwort unendlicher Dauer auf endliche Länge gekürzt wird und die Proben verzögert werden, um sie kausal zu machen. Diese Methode kommt mit einer unerwünschten Wirkung aufgrund (Gibbs-Phänomen). Für die meisten Filter sind ideale Ziegelwandeigenschaften im Frequenzbereich erwünscht. Beispielsweise erfordert ein typisches ideales Tiefpaßfilter einen scharfen Übergang zwischen dem Durchlaßband und dem Stoppband. Jede Diskontinuität (abrupte Übergänge) in einer Domäne erfordert unendlich viele Komponenten in der anderen Domäne. Zum Beispiel übersetzt eine rechtwinklige Funktion mit abruptem Übergang im Frequenzbereich in eine (sinc (x) sin (x) x) - Funktion von (unendliche Dauer) im Zeitbereich. Bei der praktischen Filtergestaltung sind die FIR-Filter endlich lang. Daher ist es nicht möglich, ein ideales Filter mit abrupten Diskontinuitäten unter Verwendung einer endlichen Anzahl von Abgriffen darzustellen, und daher sollte die (sinc) - Funktion in der Zeitdomäne entsprechend abgeschnitten werden. Diese Trunkierung eines unendlichen Zeitsignals im Zeitbereich führt zu einem Phänomen, das im Frequenzbereich (Gibbs-Phänomen) genannt wird. Da einige der Abtastwerte im Zeitbereich (äquivalenter Oberschwingungen im Frequenzbereich) bei der Rekonstruktion nicht verwendet werden, führt dies zu Schwingungen und Klingeleffekt im anderen Bereich. Dieser Effekt wird aufgerufen (Gibbs-Phänomen). Eine ähnliche Wirkung kann auch im Zeitbereich beobachtet werden, wenn die Trunkierung im Frequenzbereich erfolgt. Dieser Effekt aufgrund abrupter Diskontinuitäten wird unabhängig davon bestehen, wie groß die Anzahl der Proben ist. Die Situation kann verbessert werden, indem eine glatt verjüngende Fenster wie Blackman, Hamming. Hanning Keizer Fenster etc., Demonstration von Gibbs Phänomen mit Matlab: Simulation Ergebnisse: Primary Sidebar
No comments:
Post a Comment