6. Image filtering
Transkrypt
6. Image filtering
Filtry Rozpoznawanie Twarzy i Systemy Biometryczne Plan wykładu Przegląd dostępnych filtrów Zastosowanie filtrów na różnych etapach p etapac pracy acy syste systemu u Dalsze badania Rozpoznawanie Twarzy i Systemy Biometryczne Rozpoznawanie Twarzy i Systemy Biometryczne Kontrast i ostrość Kontrast – różnica w kolorze i świetle między i d częściami ś i i obrazu b Ogólnie Ogó e mówiąc ó ąc im większa jest różnica ść tym lepsza ostrość Rozpoznawanie Twarzy i Systemy Biometryczne Podział filtrów Operacje na pojedynczym pikselu Operacje na grupie pikseli Operacje na histogramie obrazu Obrót / skalowanie obrazu Techniki złożone Rozpoznawanie Twarzy i Systemy Biometryczne Filtry punktowe I out ( x , y ) = f [ I in ( x , y )] Funkcja F k j liliniowa i Funkcja potęgowa Funkcja logarytmiczna Zastosowanie Polepszenie P l i kontrastu k t t Polepszenie ostrości obrazu Rozpoznawanie Twarzy i Systemy Biometryczne Funkcja liniowa Skalowanie Umożliwia skalowanie zakresu dynamicznego w wybranych przedziałach ⎧ s1 ⎪ I in r1 ⎪ s 2 − s1 ⎪ I out ( x , y ) = ⎨( I in − r1) + s1 r 2 − r1 ⎪ 255 − s 2 ⎪ + s2 ( I − r 2 ) ⎪⎩ in 255 − r 2 dla I in <= r1 dla I in ∈ ( r1, r 2) dla I in >= r 2 Rozpoznawanie Twarzy i Systemy Biometryczne 250 Funkcja potęgowa 200 150 100 50 0 1 51 101 151 201 Korekcja Gamma Obraz po przekształceniu nie traci naturalnego wyglądu I out ( x , y ) = I in ( x , y )γ gdzie γ = 0,45 Rozpoznawanie Twarzy i Systemy Biometryczne 251 250 200 Funkcja logarytmiczna 150 100 50 0 1 51 101 151 201 Kompresja poziomów szarości Naturalny wygląd obrazu Zmniejszenie j informacji j w obrazie ln( I in ( x , y ) + 1) I out ( x , y ) = a + b * ln( c ) 1 b= 255 c = max ( I ) + 1 x, y Rozpoznawanie Twarzy i Systemy Biometryczne 251 Filtry punktowe - przykłady Obraz Skalowanie Logarytm g y Gamma Rozpoznawanie Twarzy i Systemy Biometryczne Filtry punktowe - przykłady Obraz Skalowanie Logarytm g y Gamma Rozpoznawanie Twarzy i Systemy Biometryczne Filtry punktowe - przykłady Obraz Skalowanie Logarytm g y Gamma Rozpoznawanie Twarzy i Systemy Biometryczne Filtry punktowe Zalety: Umożliwiają U żli i j polepszenie l i kontrastu k t t obrazu Z i k j ostrość Zwiększają t ść Wady: Przejaskrawienie obrazu Trudny dobór optymalnych parametrów Rozpoznawanie Twarzy i Systemy Biometryczne Filtry przestrzenne Filtry dolnoprzepustowe Uśredniający Gauss Mediana Filtry górnoprzepustowe Roberts Prewitt Sobel Laplacian p Rozpoznawanie Twarzy i Systemy Biometryczne Sąsiedztwo Rozpoznawanie Twarzy i Systemy Biometryczne Filtry dolnoprzepustowe Usuwanie drobnych szumów Wygładzanie obrazu Rozmazywanie konturów Rozpoznawanie Twarzy i Systemy Biometryczne Filtr uśredniający I out = 1 I in ∑ 9 group Filtr liniowy Łagodne wygładzenie obrazu ⎡1 1 1⎤ 1⎢ 1 1 1⎥ ⎥ 9⎢ ⎢⎣1 1 1⎥⎦ Rozpoznawanie Twarzy i Systemy Biometryczne Filtr Gaussa G ( x, y ) = 1 2πσ 2 e x2 + y2 − 2σ 2 Filtr wykorzystujący funkcję potęgową Mocniejsze wygładzenie przy krótszym czasie działania ⎡1 2 1 ⎤ 1 ⎢ 2 4 2⎥ ⎥ 16 ⎢ ⎢⎣1 2 1 ⎥⎦ Rozpoznawanie Twarzy i Systemy Biometryczne Filtr Medianowy Filtr nieliniowy Dobrze usuwa szumy z obrazów jednocześnie jed oc eś e nie ee eliminując ując ważnych a yc informacji 1 2 4 3 1 3 3 1 10 1 1 1 2 3 3 3 4 10 Rozpoznawanie Twarzy i Systemy Biometryczne Filtry dolnoprzepustowe Obraz Uśredniający Gauss Mediana Rozpoznawanie Twarzy i Systemy Biometryczne Filtry górnoprzepustowe Poprawa ostrości obrazu Wykrywanie konturów W przypadku zaszumionych obrazów niedoskonałości zostaną wyolbrzymione wyolbrzymione. Rozpoznawanie Twarzy i Systemy Biometryczne Filtr Roberts’a ⎡ δ I δI ⎤ ∇I = ⎢ , ⎥ ⎣ δx δ y ⎦ Metoda gradientowa ⎡0 0 1 ⎤ ⎡1 0 0 ⎤ R x → ⎢0 − 1 0⎥ R y → ⎢0 − 1 0⎥ ⎢ ⎥ ⎢ ⎥ ⎢⎣0 0 0⎥⎦ ⎣⎢0 0 0⎥⎦ | R |= Rx2 + R y2 | R |=| Rx | + | R y | Rozpoznawanie Twarzy i Systemy Biometryczne Filtr Prewitt’a ⎡ δ I δI ⎤ ∇I = ⎢ , ⎥ ⎣ δx δ y ⎦ Metoda gradientowa 1 1⎤ ⎡1 Px → ⎢ 0 0 0⎥ ⎢ ⎥ ⎢⎣ − 1 − 1 − 1⎥⎦ ⎡ − 1 0 1⎤ Py → ⎢ − 1 0 1⎥ ⎢ ⎥ ⎢⎣ − 1 0 1⎥⎦ | P |= Px2 + Py2 | P |=| Px | + | Py | Rozpoznawanie Twarzy i Systemy Biometryczne Filtr Sobel’a ⎡ δ I δI ⎤ ∇I = ⎢ , ⎥ ⎣ δx δ y ⎦ Metoda gradientowa 2 1⎤ ⎡1 Sx → ⎢ 0 0 0⎥ ⎢ ⎥ ⎢⎣ − 1 − 2 − 1⎥⎦ ⎡ − 1 0 1⎤ S y → ⎢ − 2 0 2⎥ ⎢ ⎥ ⎢⎣ − 1 0 1 ⎥⎦ | S |=| S x | + | S y | | S |= s x2 + s 2y Rozpoznawanie Twarzy i Systemy Biometryczne Filtr Laplacian ⎡δ 2 I δ 2 I ⎤ L( x , y ) = ⎢ 2 , 2 ⎥ ⎣ δ x δy ⎦ Metoda wykorzystująca właściwości d i j pochodnej drugiej h d j ⎡1 1 1⎤ ⎢1 − 8 1⎥ ⎢ ⎥ ⎢⎣1 1 1⎥⎦ Rozpoznawanie Twarzy i Systemy Biometryczne Filtry górnoprzepustowe Obraz Roberts Prewitt Sobel Rozpoznawanie Twarzy i Systemy Biometryczne Operacje na histogramie Rozciąganie Dopasowanie Wyrównanie Rozpoznawanie Twarzy i Systemy Biometryczne Rozciąganie histogramu Zwiększenie zakresu dynamicznego obrazu, b które któ poprawia i kontrast k t t oraz ostrość I in ( x , y ) − min I out ( x , y ) = ( 2 − 1) * max min max− B Nie działa dla obrazów o charakterystycznym histogramie Rozpoznawanie Twarzy i Systemy Biometryczne Wyrównanie histogramu Dąży do równomiernego rozproszenia poziomów i ó szarości ś i w obrazie b i wyjściowym Polepszenie kontrastu Rozpoznawanie Twarzy i Systemy Biometryczne Wyrównanie histogramu Algorytm: p( I ) = h( I ) / K D (i ) = gdzie K − liczba gdzie n − poziomy n ∑ p (i ) pikseli szaro śza i =0 I out = D ( I in ) − Din 0 B ( 2 − 1) 1 − Din 0 Din 0 − pierwsza niezerowa wartośa obrazu orginal . Rozpoznawanie Twarzy i Systemy Biometryczne Dopasowanie histogramu Dąży do takiego przemieszczenia poziomów i ó szarości, ś i aby b histogram hi t obrazu wejściowego był jak najbardziej zbliżony do zadanego histogramu. Ujednolicenie jasności obrazów Rozpoznawanie Twarzy i Systemy Biometryczne Dopasowanie histogramu Algorytm: Stworzenie histogramu obrazu wejściowego hIn i wyjściowego hOut Normalizacja histogramów p( I ) = h( I ) / K gdzie K − liczba pikseli Obliczenie funkcji przyrostu D (i ) = n ∑ p (i ) gdzie n − poziomy szaro śza i =0 Rozpoznawanie Twarzy i Systemy Biometryczne Dopasowanie histogramu Algorytm: Rozpoznawanie Twarzy i Systemy Biometryczne Histogram - przykłady Obraz Rozciąganie Wyrównanie y Dopasowanie p Rozpoznawanie Twarzy i Systemy Biometryczne Histogram Minimalizacja różnic między obrazami z różnych óż h źźródeł ód ł Poprawa op a a ostrości ost ośc i kontrastu o t astu Rozpoznawanie Twarzy i Systemy Biometryczne Obrót / skalowanie obrazu Rozpoznawanie Twarzy i Systemy Biometryczne Filtry złożone - techniki Kuwahara Canny Unsharp Masking LogAbout GammaAbout Rozpoznawanie Twarzy i Systemy Biometryczne Filtr Kuwahra Filtr nieliniowy Dobre wygładzanie obrazu Brak zacierania krawędzi 1 Algorytm: I sr = ∑ I in n Dla każdego regionu: region σ= 2 ( I − I ) ∑ in sr region g Wynik: r = min(σ ) ⇒ I out = I sr ( r ) regiony Rozpoznawanie Twarzy i Systemy Biometryczne Filtr Canny Optymalizacja wykrywania krawędzi Al Algorytm: t Filtr Gaussa Filtr Sobel Znalezienie kierunku krawędzi jako φ = tan −1 ( S y / S x ) Określenie kierunku Śledzenie pikseli w kierunku krawędzi i usuwanie zbędnych pikseli Progowanie Rozpoznawanie Twarzy i Systemy Biometryczne Unsharp Masking Wyostrzanie obrazu Eliminacja drobnych szumów Algorytm: I(x,y) = Gauss(Iin(x,y)) Ihp(x,y) = Iin(x,y) – I(x,y) Ihp((x,y) y) = 0 dla Ihp((x,y) y) < próg p g Iout(x,y) = Iin(x,y) + a*Ihp(x,y) Rozpoznawanie Twarzy i Systemy Biometryczne Metoda LogAbout Polepszenie wykrywania krawędzi Filtr górnoprzepustowy Filtr logarytmiczny Rozpoznawanie Twarzy i Systemy Biometryczne Metoda HistAbout Polepszanie wykrywania krawędzi Rozciąganie histogramu Gauss LogAbout Rozpoznawanie Twarzy i Systemy Biometryczne Metoda GammaAbout Polepszenie wykrywania krawędzi Gamma Gauss LogAbout Rozpoznawanie Twarzy i Systemy Biometryczne Gdzie stosować filtry? Obraz wejściowy Detekcja Normalizacja Rozpoznawanie Twarzy i Systemy Biometryczne Obraz wejściowy Problemy: Zakłócenia obrazu Rozwiązanie: ą Filtr Gaussa Filtr Medianowy Rozpoznawanie Twarzy i Systemy Biometryczne Obraz wejściowy/Detekcja Problem: Ciemny obraz Rozwiązanie: ą Rozciąganie histogramu Korekcja Gamma GammaAbout Rozpoznawanie Twarzy i Systemy Biometryczne Detekcja Problem: Wykrywanie krawędzi Rozwiązanie: ą Filtr Roberts Filtr Prewitt Filtr Sobel Metoda Canny’ego Rozpoznawanie Twarzy i Systemy Biometryczne Normalizacja kształtu Problem: B k unifikacji Brak ifik ji rozmiarów i ó Rozwiązanie: Skalowanie Problem Obrócona twarz Rozwiązanie: Obrót Rozpoznawanie Twarzy i Systemy Biometryczne Normalizacja oświetlenia Problem: Nierównomierne oświetlenie twarzy Rozwiązanie: ą Operacje na histogramie Rozpoznawanie Twarzy i Systemy Biometryczne Zastosowanie filtrów Poprawa jakości pobranego obrazu Polepszenie wydajności metod detekcji dete cj ob obiektów e tó Normalizacja obrazu ś Normalizacja oświetlenia Rozpoznawanie Twarzy i Systemy Biometryczne Co dalej ?? Normalizacja oświetlenia nadal pozostaje t j polem l do d dalszych d l h badań b d ń Rozjaśnianie o jaś a e ob obrazów a ó ciemnych c e yc Rozpoznawanie Twarzy i Systemy Biometryczne Dziękuję Rozpoznawanie Twarzy i Systemy Biometryczne