Сайт о телевидении

Данная статья рассказывает не только о наиболее распространённых фильтрах обработки изображений, но в понятной форме описывает алгоритмы их работы. Статья ориентирована, прежде всего, на программистов, занимающихся обработкой изображений.

Матрица свёртки

Фильтров использующих матрицу свёртки много, ниже будут описаны основные из них.

Матрица свёртки – это матрица коэффициентов, которая «умножается» на значение пикселей изображения для получения требуемого результата.
Ниже представлено применение матрицы свёртки:

Div – это коэффициент нормирования, для того чтобы средняя интенсивность оставалась не изменой.

В примере матрица имеет размер 3x3, хотя размер может быть и больше.

Фильтр размытия

Наиболее часто используемым фильтром, основанным на матрице свёртки, является фильтр размытия.

Обычно матрица заполняется по нормальному (гауссовому закону). Ниже приведена матрица размытия 5x5 заполненная по закону Гауссовского распределения.

Коэффициенты уже являются нормированными, так что div для этой матрицы равен одному.

От размера матрицы зависит сила размытия.

Стоит упомянуть о граничных условиях (эта проблема актуальна для всех матричных фильтров). У верхнего левого пикселя не существует «соседа» с права от него, следовательно, нам не на что умножать коэффициент матрицы.

Существует 2 решения этой проблемы:

1. Применение фильтра, только к «окну» изображения, которое имеет координаты левого верхнего угла , а для правого нижнего . kernelSize – размер матрицы; width, height – размер изображения.

Это не лучший способ, так как фильтр не применяется ко всему изображению. Качество при этом довольно сильно страдает, если размер фильтра велик.

2. Второй метод (дополнение) требует создания промежуточного изображения. Идея в том, чтобы создавать временное изображение с размерами (width + 2 * kernelSize / 2, height + 2 * kernelSize / 2). В центр изображения копируется входная картинка, а края заполняются крайними пикселями изображения. Размытие применяется к промежуточному буферу, а потом из него извлекается результат.

Данный метод не имеет недостатков в качестве, но необходимо производить лишние вычисления.

Фильтр размытия по Гауссу имеет сложность O(hi * wi * n *n), где hi, wi – размеры изображения, n – размер матрицы (ядра фильтра). Данный алгоритм можно оптимизировать с приемлемым качеством.

Квадратное ядро (матрицу) можно заменить двумя одномерными: горизонтальным и вертикальным. Для размера ядра 5 они будут иметь вид:

Фильтр применяется в 2 прохода: сначала горизонтальный, а потом к результату вертикальный (или на оборот).

Сложность данного алгоритма будет O(hi * wi * n) + O(hi * wi * n) = 2 * O(hi * wi * n), что для размера ядра больше двух, быстрее, чем традиционный метод с квадратной матрицей.

Фильтр улучшения чёткости

Для улучшения четкости необходимо использовать следующую матрицу:

Эта матрица увеличивает разницу значений на границах. Div для этой матрицы равен 1.

В программе GIMP есть фильтр «Матрица свёртки», который упрощает поиск необходимого Вам матричного преобразования.

Более подробную информацию о фильтрах основанных на матрице свёртки вы можете найти в статье «Графические фильтры на основе матрицы скручивания» .

Медианный фильтр

Медианный фильтр обычно используется для уменьшения шума или «сглаживания» изображения.

Фильтр работает с матрицами различного размера, но в отличие от матрицы свёртки, размер матрицы влияет только на количество рассматриваемых пикселей.

Алгоритм медианного фильтра следующий:

Для текущего пикселя, пиксели, которые «попадают» в матрицу, сортируются, и выбирается средние значение из отсортированного массива. Это значение и является выходным для текущего пикселя.

Ниже представлена работа медианного фильтра для размера ядра равного трём.

Фильтры наращивание и эрозия служат для получения морфологического расширения или сужения соответственно. Проще говоря, для изображений это значит выбор пикселя с максимальной или минимальной интенсивностью из окрестности.

В результате наращивания происходит увеличение ярких объектов, а эрозии – увеличение тёмных объектов.

Фильтр использует входное изображение и бинарную матрицу. Бинарная матрица определяет форму окрестности. Обычно окрестность имеет круглую форму.

Фильтр наращивание может быть использован для увеличения бликов, ярких отражений.

Заключение

В статье были описаны некоторые из фильтров обработки изображения, описаны их алгоритмы и особенности применения.

ФИЛЬТРОВАНИЕ (от греч. phil"tron- любовный напиток; таковым считалось особо проз- б. м. э. т. хххш. рачное вино), один из способов отделения жидкой фазы от твердой (осадков, мути) путем пропускания системы через пористые материалы, задерживающие плотные частицы. От процеживания Ф. отличается применением более плотных пористых материалов: в профильтро-

Рисунок 1. Воронка с углом в 60° и складывание бумаги для фильтра Берцепиуса.

Ванной жидкости (фильтрате) не должно "обнаруживаться невооруженным глазом видимых частиц. В лабораторной и аптечной практике фильтруют обычно через фильтровальную бумагу при помощи стеклянных или фарфоровых воронок. Применяя воронки с углом в 60°, го-

Ряс. 2.Рисунок 3.

Рисунок 2. Воронка со стеклянными палочками для ускорения фильтрования. Рисунок 3. Нуча: а-к васосу; б-для спуска фильтрата. товят для них фильтры Берцелиуса (рис. 1), особенно удобные в тех случаях, когда желательно собрать осадок. Для ускорения Ф. применяют граненые воронки (см. Воронка, рис. 8) или вставляют между стенками воронки и фильтром стеклянные палочки (рис. 2). На во-

Рисунок 4.

Рисунок 5. Рисунок 4. Дырчатые фарфоровые воронки. Рисунок 5. Плоенный (складчатый) фильтр Гей- Люссака. ронках Бюхнера (см. Воронка, рис. 3) и иучах (рис. 3), действующих при разрежении воздуха в приемнике, применяют плоские фильтры в виде кружочков соответствующей величины. Для ускорения Ф. в тех случаях, когда не требуется сохранения осадка, применяются воронки других форм (см. Воронка, рис. 1,2) и дырчатые воронки (рис. 4); для всех этих воронок готовят складчатые или плоенные фильтры Гей-Люссака, складывая для них бумагу веерообразно (рис. 5). Воронки с фильтрами должны применяться в штативах, во избежание переливания жидкости (рисунок 6); при Ф. непосредственно в склянку следует между горлышком склянки и воронкой закладывать нитку, бумажную полоску или стеклянную палочку, создавая таким образом щель для выхода воздуха. За последнее время у нас вырабатываются стеклянные фильтры с пористым стеклянным дном, через к-рые фильтруют без бумаги (рис. 7). Первой выпустила такие филыгры фабрика Шотта"в,Иене. Величина пор этих фильтров обозначается номерами: N° 1 пропускает еще частицы диаметром около 100 ц № 2-50 (I, К» 3-20 /л и № 4-5 ц. Чаще все." го применяющиеся формы этих стеклянных фильтров (Гослаборреактивсбыт) представлены на рис. 7; формы «д» и «е» служат для отсасывания жидкости от легко взмучиваемых осадков. Для облегчения фильтрования пользуются методами укрупнения осадков (напр. предварительным центрифугированием), понижения вязкости" жидкой фазы (фильтрование при нагреве,см. Воронка, рис. 10 и 11) или предварительно жидкость осветляют, вызывая в ней образование крупнозернистых осадков, увлекающих (адсорбирующих) мелкую муть. Для этой цели добавляют в осветляемую жидкость напр. взбитый в пену яичный белок, желатину, сыворотку (при наличии дубильных веществ),

Рисунок 6. Установки для фильтрования.

/

f=™*3j

Рисунок 7. Стеклянные пористые фильтры. молоко (к кислым жидкостям, напр. ягодным сокам) или же вскипяченные с водой обрывки фильтровальной бумаги, осветляющие глины (флоридин, гумбрин) и т. п.; иногда добавляют белки и затем свертывают их кипячением. Ф. через пористые свечи(Беркефельд, Шамберлан и др.)-см. Беркефелъ- gj* da свеча, Фильтры ^ в лаб. практике. - В производственном масштабе применяют методы Ф., допускающие большую производительность; гл. образом пользуются фильтрпрессами - аппаратами, изобретенными инж. Нидге-Рисунок 8. Детали фильтрпрес- момв 1828 г. (рис. 8). са и схема его действия: А- Для лабораторных жидкость; .Б-промой; В- /■ птттрчньгх ч пябот cv-ш.1Дкость; С-фильтрат. ^аптечных; pauoi оу ществуют малые фильтрпрессы. Большей производительностью обладают фильтры непрерывного действия, барабанные, дисковые и плоскостные (планфиль-тры). О фильтровании газов-см. Противогазы. - В капельном анализе (качественном микроанализе по Фейглю и Тананаеву) под Ф. подразумевают прохождение жидкости по ка-пилярам фильтровальной бумаги; «фильтратом» в этом смысле считается пятно жидкости на нек-ром расстоянии от капли, нанесенной на Какую-либо ТОЧКУ бумаги. И. Обергард*

В статье пойдет речь об использовании convolution matrix (матрицы скручивания или матрицы свертки), с помощью которой можно создавать и накладывать на изображения фильтры, такие как blur, sharpen и многие другие.

Cтатья будет интересна не только веб-программистам, но и всем кто так или иначе занимается программной обработкой изображений, поскольку функции для работы с матрицей скручивания имеются во многих языках (точно известно о php и flash). Так же, статья будет интересна дизайнерам, использующим Adobe Photoshop, поскольку в нем имеется соответствующий фильтр (Filter-Other-Custom).

Примеры будут на языке PHP с использованием библиотеки GD. Теория, практика, примеры (осторожно, много картинок!)

Теория

Говоря не математическим языком, convolution - это преобразование одной матрицы с помощью другой, которая называется ядром ("kernel"). При обработке изображений в качестве исходных выступают матрицы RGB-каналов пикселей в прямоугольных координатах.

В качестве ядра обычно используется матрица размером 3x3, но возможно и больше (5x5, 7x7 и т.д.). Ядро содержит степени влияния ("ценности") окружающих значений элемента на сам элемент.

Преобразования происходит следующим образом. Каждый элемент исходной матрицы умножается центральное значение матрицы ядра. Кроме этого на соответствующие значения умножаются окружающие его элементы (при размере ядра 3x3 их будет 8), после чего результаты суммируются и принимаются как преобразованное значение.

Вот простой графический пример:

Преобразуемое значение выделено красным, область действия матрицы ядра - зеленым.

Что получислось в результате преобразования. Ценности всех окружающих пикселей, включая собственное значение равно нулю, кроме верхнего среднего, где она равна единице. Таким образом, результат:

(40*0)+(42*1)+(46*0)+(46*0)+(50*0)+(55*0)+(52*0)+(56*0)+(58*0) = 42

Как видно, данное преобразование смещает изображение вниз на 1 пиксель.

Таким образом, convolution в данном случае - это преобразование изображения, в результате которого на каждый пиксель результата влияет окружающая его область. Степень влияния этой области задается с помощью "ядра" или матрицы скручивания.

Значения div и offset

При обработке изображений одним только преобразованием не отделаешься, нужна еще нормализация. Что делать, если получившееся значение больше 255 или меньше 0? Цветов-то таких нет. Более того, что выход за границы цвета явление достаточно частое.

Для нормализации результата используются дополнительные переменные: div (делитель) и offset (коэффициент). Они работают очень просто: результат преобразования делится на div и к нему прибавляется offset.

Не трудно догадаться, что по умолчанию div = 1, offset = 0 (div = 0 выставлять нельзя!).

При преобразованиях в качестве div обычно принимается сумма всех элементов матрицы скручивания. Это условие позволяет не допустить цветовых искажений, если они не нужны.

Действительно, если преобразуемая область содержит один и тот же цвет, то результат получится как сумма элементов ядра умноженное на этот цвет. Соответственно, что бы оставить цвет без изменений, надо разделить результат преобразования на эту самую сумму.

Простой пример: фильтр "негатив".

В качестве исходного мы возьмем следующее изображение:

на примере него можно будет увидеть, как изменяется крупный и мелкий текст, картинка и линии. Теперь создадим матрицу скручивания для получения эффекта негатива:

Согласно матрице, получается, что в результате преобразования все цвета будут иметь отрицательную величину. Чтобы цвета были негативными, нужно задать offset = 256, таким образом цвета всех пикселей вычитаются из 256, что является негативным изображением:

Как это делается на PHP

В библиотеке GD на PHP существует функция imageconvolution, которая содержит 4 параметра. Первый - это идентификатор изображения. Второй - это матрица в виде массива из 3-х массивов с 3-мя переменными. Третий и четвертый - это div и offset.

Вот код, который делает изображение негативным:

$img = imagecreatefromjpeg ("images/pattern.jpg" ) ;

$matrix = array (

array ( 0 , 0 , 0 ) ,

array ( 0 , - 1 , 0 ) ,

array ( 0 , 0 , 0 )

imageconvolution ($img , $matrix , 1 , 256 ) ;

imagejpeg ($img , "images/pattern_negative.jpg" , 100 ) ;

Сразу стоит сказать об одной очень неприятной особенности GD: при преобразованиях с помощью imageconvolution "рушится" альфа-канал. Этот баг был описан уже давно, но насколько я знаю, его так и не исправили. Во flash этого нет, более того там имееются еще дополнительные параметры, которые отвечают за обработку краёв изображений, когда часть пикселей выпадает. В php края просто не обрабатываются.

Blur, sharpen, emboss

Вот стандартный набор матриц эффектов:

Обратите внимание, для blur коэффициент div = 9. Для такой матрицы только такой коэффициент не ведет к искажению цветов. Еще надо сказать, что вариантов blur-а несколько, они незначительно отличаются силой эффекта.

И вот какие получаются изображения:

Sharpen:

"Аккуратные" эффекты

Как видно из прошлого примера с blur, эффект накладывается на изображение, но достаточно сильно. А можно ли уменьшить силу эффекта на изображение? Оказывается, можно. Но для этого надо изменять не степень влияния окружающих пикселей, как можно показаться на первый взгляд, а количество влияющих пикселей:

Тогда получим эффекты, которые будут выглядеть намного аккуратнее:

Light-blur:

Light-sharpen:

Light-emboss:

Здесь стоит задаться вопросом, а как увеличивать силу эффекта? К сожалению, только многократным его наложением, поскольку как ни крути, а все равно обрабатывается область 3x3 пикселя. Естественно, это очень ресурсоемко, для получения размытия до пятен с помощью размытия по Гауссу иногда приходится накладывать фильтр 100-200 раз. Это занимает очень продолжительное время и очень много ресурсов.

В заключение

Хочу сказать, что вы сами можете создать какой-нибудь интересный эффект. Для этого достаточно поэкспериментировать с матрицей скручивания.

Матрица скручивания может быть успешна применена при:

• создании "маленьких" картинок, напр. генерации аватаров и предпросмотров (особенно тут хорошо выглядит light-blur).
• для создания "теней" (если бы еще с альфа-каналом:)
• при создании CAPTHCA (текст + сильный Sharpen или Emboss)
• и др. :-)

Создание симпатичной тени

* Создает красивую тень

* Внимание! Операция ресурсоемкая!

* @param res $image - исходная картинка

* @param int $shadow_width - толщина тени (1..10, выше не рекомендуется)

* @param int $shadow_deep - глубина цвета тени (1..20, чем выше, тем чернее)

* @param string $bg_color - цвет фона в формате #7def34

function imageaddshadow (& $image , $shadow_width = 4 , $shadow_deep = 7 , $bg_color = false )

$w = imagesx ($image ) ;

$h = imagesy ($image ) ;

$iw = $w + 4 * $shadow_width ;

$ih = $h + 4 * $shadow_width ;

$img = imagecreatetruecolor ($iw , $ih ) ;

$shadow_deep = 255 - $shadow_deep * 12 ;

$shadow = imagecolorallocate ($img , $shadow_deep , $shadow_deep , $shadow_deep ) ;

if (! $bg_color ) {

// Белый цвет по умолчанию

$bg = imagecolorallocate ($img , 255 , 255 , 255 ) ;

else {

list ($r , $g , $b ) = array_map ("hexdec" , str_split (ltrim ($bg_color , "#" ) , 2 ) ) ;

$bg = imagecolorallocate ($img , $r + 1 , $g + 1 , $b + 1 ) ;

// Заливаем область цветом фона

imagefilledrectangle ($img , 0 , 0 , $iw , $ih , $bg ) ;

// Создаем тень

imagefilledrectangle ($img ,

1 + $shadow_width ,

1 + $shadow_width ,

Множество подходов к улучшению изображений распадается на две категории: методы обработки в пространственной области (пространственные методы) и методы обработки в частотной области (частотные методы). К пространственной области относится совокупность пикселей, составляющих изображение. Функция предварительной обработки в пространственной области записывается в виде

где f (x , y ) – входное изображение,

g (x , y ) – выходное (обработанное) изображение,

h – оператор функции f , определенный в некоторой области (x , y ).

Операции такого вида относятся к общему классу операций над соседними элементами . Эти операции являются основным инструментарием принизкоуровневой обработке изображений илиобработке изображений в пространственной области .

Основным подходом при определении окрестности точки (x , y ) является использование квадратной или прямоугольной области части изображения с центром в точке (x , y ). Центр этой части изображения перемещается от пикселя к пикселю начиная, например, с левого верхнего угла. При этом для получения g (x , y ) оператор применяется для каждого положения (x , y ). Хотя используются иногда и другие формы окрестности (например, круг), квадратные формы более предпочтительны из-за простоты их реализации.

Один из наиболее применяемых методов пространственной области основан на использовании фильтров (масок свертки, шаблонов, окон). Обычно маска фильтра представляет собой небольшую (например, размерность 3*3) двумерную систему, коэффициенты которой выбираются таким образом, чтобы обнаружить заданное свойство изображения (рис. 1.5, а).

Рис. 1.5: а – маска фильтра; б – коэффициенты маски фильтра

Если величины w 1 ,w 2 ,…,w 9 представляют собой коэффициенты, маски пикселя (x , y ) и его восьми соседей (рис.1.5, б), то алгоритм можно представить как выполнение следующей операции на окрестности 3*3 точки (x , y ) :

Под задачей фильтрации изображений в широком смысле понимают любые процедуры обработки изображений, при которых на вход процедуры подается растровое изображение и на выходе формируется растровое изображение. Однако чаще под «фильтрацией» понимают так называемую помеховую фильтрацию . Главная цель помеховой фильтрации заключается в такой обработке изображений, при которой результат оказывается более подходящим с точки зрения конкретного применения. В общем случае можно выделить линейные фильтры (сглаживающие фильтры, контрастоповышающие фильтры, разностные фильтры) и нелинейные фильтры (медианный фильтр).

Приведем краткое описание наиболее распространенных методов фильтрации.

Низкочастотный фильтр – ослабляет высокочастотные компоненты и усиливает роль низкочастотных. Частота в применении к изображениям отражает количество имеющихся в изображении деталей. Резкие перепады яркости, помехи и шумы являются примером высокочастотных элементов в изображении. Сглаживание изображения реализуется с помощью следующих ядер:

,

,

.

Высокочастотный фильтр – ослабляет низкочастотные компоненты в изображении и усиливает роль высокочастотных. Фильтры высокой частоты применяются для выделения таких деталей, как контуры, границы или для повышения резкости изображения. Каждый скачок яркости и каждый контур представляют собой интенсивные детали, связанные с повышенными частотами. Выделение высокочастотных компонент осуществляется с помощью следующих ядер:

,

,

.

Оператор Робертса. Оператор Робертса является примером нелинейного фильтра. Преобразование каждого пикселя перекрёстным оператором Робертса может показать производную изображения вдоль ненулевой диагонали, и комбинация этих преобразованных изображений может также рассматриваться как градиент от двух верхних пикселов к двум нижним. Оператор Робертса используется ради быстроты вычислений, но проигрывает в сравнении с альтернативами из-за значительной проблемы чувствительности к шуму. Он даёт линии тоньше, чем другие методы выделения границ.

В обработке участвуют четыре пикселя, расположенные следующим образом (рис. 1.6).

Рис. 1.6. Пиксели, участвующие в обработке оператором Робертса

Отклик оператора Робертса:

Ядра свертки в данном случае будут выглядеть таким образом:

,

.

Свертка для каждого ядра вычисляется отдельно. В качестве отклика данного фильтра выступает величина

, (1.17)

где P и Q – отклик ядер H 1 и H 2 .

Иногда в качестве оператора Робертса берется величина
.

Оператор Собеля. Оператор Собеля применяют в алгоритмах выделения границ. Это дискретный дифференциальный оператор, вычисляющий приближенное значение градиента яркости изображения. Результатом применения оператора Собеля в каждой точке изображения является либо вектор градиента яркости в этой точке, либо его норма. Метод усиления края с помощью оператора Собеля рассматривает два различных ядра свертки:

Исходя из этих сверток вычисляется величина и направление краев. Свертка для каждого ядра вычисляется отдельно. В качестве отклика данного фильтра выступает величина

, (1.19)

где P и Q – отклик ядер H 1 и H 2 .

Иногда в качестве оператора Собеля берется величина
.

Оператор Превитта. Аналогично оператору Собеля действует оператор Превитта. Детектор границ Превитта является подходящим способом для оценки величины и ориентации границы. В то время как детектор с дифференциальным градиентом нуждается в трудоёмком вычислении оценки ориентации по величинам в вертикальном и горизонтальном направлениях, детектор границ Превитта даёт направление прямо из ядра с максимальным результатом. Метод усиления края с помощью оператора Превитта рассматривает два различных ядра свертки:

Результат работы оператора Превитта есть

, (1.21)

где P и Q – отклик ядер H 1 и H 2 .

Оператор Лапласа. Дискретный оператор Лапласа часто используется в обработке изображений, например в задаче выделения границ или в приложениях оценки движения. Дискретный лапласиан определяется как сумма вторых производных и вычисляется как сумма перепадов на соседях центрального пикселя. Метод усиления края по Лапласу рассматривает целый ряд различных ядер свертки. Приведем некоторые их них:

Как видно, сумма элементов матриц равна нулю, поэтому отклик фильтра может быть отрицательным. В этом случае значение отклика берется по модулю. В результате обработки области с постоянной или линейно возрастающей интенсивностью становятся черными, а области быстро изменяющихся значений интенсивности ярко высвечиваются.

Ниже приведем некоторые пространственные процессы, которые не подпадают под категорию свертки и могут применяться для устранения различного вида шума.

Фильтр «гармоническое среднее» . Гармоническое среднее ряда
вычисляется по формуле

. (1.23)

В процессе фильтрации значение текущего пикселя изображения заменяется на
множества значений девяти пикселей, включая текущий и соседние.

Min – фильтр. В процессе фильтрации значение текущего пикселя заменяется на минимальное значение соседних пикселей. Так, например, для ядра размерности 3 будем иметь:

Max – фильтр. В процессе фильтрации значение текущего пикселя заменяется на максимальное значение соседних пикселей (по аналогии с предыдущим фильтром).

Min - Max –фильтр. В процессе фильтрации значение текущего пикселя изображения сначала заменяется на минимальное значение соседних пикселей, а при повторном проходе на максимальное.

Медианный фильтр. Усредненное фильтрование использует значения элементов, содержащихся в области примыкания, для определения нового значения. Фильтр располагает элементы области примыкания в отсортированном порядке и отбирает среднее значение. Так, например, для ядра размерности 3 медианное значение будет пятым:

С помощью методов пространственной обработки изображений можно получить ряд интересных эффектов. Приведем некоторые из них.

Эффект тиснения. С помощью операции свертки можно реализовать преобразование, дающее эффект тиснения на изображении.

(1.24)

Бинарное «псевдополутоновое» изображение. Исходное изображение обрабатывается при помощи маски D2 или D4: если значение пикселя меньше пропорционального значения соответствующего ему элемента маски, то он обнуляется, иначе ему присваивается 255. Маска накладывается на изображение без перекрытия. Маски D2 и D4:

,

.

При использовании пространственных процессов могут возникнуть следующие вопросы, связанные с особенностями обработки пикселей:

Устранение краевых эффектов;

Значение отклика выходит за пределы .

Для первого вопроса возможны следующие пути решения:

Исключить из преобразования граничные пиксели изображения

в этом случае выходное изображение будет иметь меньшие размеры, либо закрасить граничные пиксели, например черным цветом;

Не включать соответствующий пиксель в суммирование, равномерно распределив его вес среди других пикселей окрестности;

Дополнить (достроить) исходное изображение, добавив необходимое количество пикселей по границе. Количество достраиваемых строки столбцов, как правило, зависит от размера ядра. Здесь возможны два варианта:

• Доопределить значения пикселей за границами изображения при помощи экстраполяции. Например, считать постоянным значение интенсивности вблизи границы или считать постоянным градиент интенсивности вблизи границы;

  Доопределить значения пикселей за границами изображения при помощи зеркального отражения.

Для решения проблем, связанных с выходом значения за пределы , возможны следующие действия:

Масштабировать полученные значения при положительных откликах фильтра;

При отрицательном отклике фильтра брать либо абсолютное значение (по модулю), либо приводить к нулю.

Также в данном разделе стоит привести возможную «классификацию» шума на изображении:

Шум «соль и перец» – случайные белые и черные пиксели;

Импульсный шум – случайные белые пиксели;

Гауссов шум – колебания интенсивности, распределенные по нормальному закону.

Значительную часть обработки изображений можно выполнить, не повторяя для каждого нового изображения статистический анализ, описанный в предыдущем разделе. Вполне достаточным оказывается ограниченный объем априорных сведений. Допустим, нам известна матрица совместной встречаемости для «идеального» изображения и требуется улучшить качество зашумленного варианта этого изображения. Если наибольшие элементы матрицы расположены на главной диагонали или вблизи нее, то это означает, что большая часть пикселов имеет тот же цвет, что и соседние пикселы. Если мы хотим выровнять гистограмму такого изображения, то, как показано в разд. 3.2, целесообразно воспользоваться правилом 3. Если требуется устранить шум, то замена значения каждого пиксела зашумленного изображения некоторой взвешенной суммой значений соседних пикселов приведет к уменьшению изменчивости значений смежных пикселов, и мы получим изображение, более близкое к оригиналу (см. пример 3.5). Таким образом мы приходим к соотношению, характеризующему связь исходного изображения и изображения подвергнутого фильтрации:

Процесс, реализующий эту операцию, называют линейным фильтром, в частности фильтром скользящего среднего, поскольку при его использовании значение каждого пиксела заменяется разновидностью среднего от значений соседних с ним элементов. Если весовая функция в пределах изображения не изменяется и не зависит от координат х, у, то уравнение (3.2) можно переписать в следующем виде:

Этот процесс называют пространственно-инвариантным фильтром. Эти фильтры широко применяются при обработке временных сигналов, однако целесообразность их использования в обработке изображений не очевидна. Уравнение (3.3) упрощается при записи его через фурье-преобразование. Можно показать (см. разд.

Результат применения такого фильтра состоит в подавлении одних частот и усилении других в зависимости от Н(и,

Пример 3.5. Если требуется очистить изображение от высокочастотного шума, то для осуществления такого сглаживания можно воспользоваться следующей разновидностью функции

Резучьтат применения фильтра можно оценить сравнив разности значении соседних пикселов до и после фильтрации В частности простейшие выкладки показывают что

Если обозначить через максимум абсолютной разности значений смежных пикселов исходного изображения и через соответствующую разность для пикселов изображения, прошедшего фильтрацию, то из уравнения (36) следует

т.е. очевидно, что эта разность расти не может Равенство имеет место только в случаях, когда максимальная разность значений пикселов в раз больше максимальной разности значений для пары пиксетов т.е. когда есть некоторая линейная функция от своих аргументов В противном случае указанная разность будет уменьшаться и области изображения будут принимать более однородный характер Поскольку обычно применение такого простейшего фильтра оказывается недостаточным для устранения шума приходится прибегать к использованию фильтра высшего порядка Одна из возможных реализаций такого фильтра заключается в вы боре простого фильтра и многократном применении его к изображению На рис 39 и 310 приведены результаты фильтрации на рис. 3.10 а представлено исходное изображение полученное из изображения, приведенного на рис 3 9, при помощи наложения на последнее гауссовского белого шума, на рис. 3.10 б представлены результаты восьмикратного применения фильтра заданного уравнением (3 5) Не трудно видеть что этот процесс приводит не только к удалению высокочастотного шума, но вызывает и размывание краев изображения

Рис. 3.9 (см. скан) Исходное изображение использованное для...

Действительно, если применить уравнение (3.6) к четко очерченному краю изображения

то оказывается, что

Другими словами, разность значений смежных пикселов уменьшилась вдвое и это, естественно привело к понижению контрастности изображения

Результаты применения данного фильтра можно также оценивать, рассматривая фурье-преобразование функции Введем обозначение

Воспользуемся уравнением (34)

Это выражение можно упростить, воспользовавшись тождеством

и выполнив затем простейшие тригонометрические преобразования, в результате выражение (3 8) принимает следующий вид