Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Metodi frequenziali
Introduzione
!!
Le operazioni frequenziali si basano sul teorema di convoluzione: g(x,y) = h(x,y)*f(x,y) ! G(u,v) = H(u,v) F(u,v) Dunque per effettuare una operazione sullimmagine si tratta di specificare H(u,v) nel modo opportuno Si pu vedere il processo in due modi:
! Convolvo f con h ed ottengo il risultato g ! Trasformo f in F, moltiplico per H, antitrasformo ed ottengo g ! H la trasformata di h
!! !!
!!
In pratica si usa la convoluzione, ma molte operazioni si comprendono meglio nel dominio frequenziale (! filter design)
Elaborazione delle Immagini
V. Murino e A. Fusiello
27-04-2010
V. Murino e A. Fusiello
Filtri lineari
!!
F(u,v)
1 H(u,v)
H(u,v)
!(x,y) h(x,y)
h(x,y)
V. Murino e A. Fusiello
27-04-2010
Filtri lineari
!!
!!
!! !!
Tutte le operazioni spaziali (convoluzione con una maschera) possono essere interpretate nel dominio frequenziale. La maschera h(x,y) come la risposta allimpulso di un filtro lineare H(v,u). Filtri FIR (Finite Impulse Response) In signal processing si usano anche i filtri IIR, ma sono meno usati in image processing
! Sono instabili ! Difficili da implementare
V. Murino e A. Fusiello
Filtri lineari
!!
!!
!!
I filtri passa-basso attenuano le alte frequenze e lasciano passare le basse ! blurring, smoothing I fltri passa-alto attenuano le basse frequenze e lasciano passare le alte ! sharpening of edges and small details I filtri passa-banda o elimina-banda agiscono su bande di frequenze specifiche.
V. Murino e A. Fusiello
27-04-2010
Lowpass
Highpass
Bandpass
Top: cross sections of basic shapes for cicularly symmetric frequency domain filters. Bottom: cross sections of corresponding spatial domain filters (masks)
V. Murino e A. Fusiello Elaborazione delle Immagini
Frequency
Spatial
V. Murino e A. Fusiello
27-04-2010
!!
!!
!!
!!
Lo sfocamento o smoothing si ottiene attenuando le alte frequenze. Anche la riduzione del rumore passa attaverso lattenuazione delle alte frequenze H(") Un filtro passa basso ideale ha " una funzione di trasferimento a box. Una transizione cos netta in corrispondenza alla frequenza di taglio non fisicamente realizzabile. Questo non sarebbe un problema, visto che i filtri che che ci interessano sono digitali, ma provoca un effetto visivo indesiderato, il ringing.
V. Murino e A. Fusiello
Ringing
!!
!!
Il ringing (o effetto di Gibbs) dovuto al fatto che filtrare con un PB ideale (in frequenza) equivale a convoluire con un sinc (nello spazio). La risposta allimpulso del PB ideale un sinc.
V. Murino e A. Fusiello
27-04-2010
V. Murino e A. Fusiello
Ringing example
V. Murino e A. Fusiello
27-04-2010
Filtro di Butterworth
!!
!!
!!
Filtro con attenuazione dolce in prossimit della frequenza di taglio. Propriet caratterizzante: risposta massimamente piatta nella banda passante. Ordine n, frequenza di taglio "o
Lordine controlla la derivata in 0
H (! ) =
V. Murino e A. Fusiello
1 2n 1 + (! / ! c )
Elaborazione delle Immagini
Filtro di Butterworth
!!
!!
!!
For small n (n=2,3) the Butterworth filter resembles a Gaussian filter. Advantage over Gaussian: the cut-off frequency can be set independently from the filter order. For large n (n>10) the Butterworth filter resembles an ideal LPF (and ringing gets more severe)
V. Murino e A. Fusiello
27-04-2010
V. Murino e A. Fusiello
n=1
n=2
n=5
n=20
Original image
with noise
Butterworrth Low-pass
V. Murino e A. Fusiello
27-04-2010
V. Murino e A. Fusiello
Ideal LPF: abrupt (= step) transition at cut-off frequency ! Gibbss phenomenon or ringing Gaussian LPF: smooth transition. The # determines the cut-off frequency. Butterworth LPF: a variable steepness, but smooth transition. The steepness can be tuned by the order of the filter. The cut-off frequency can be set independently from the filter order.
!!
!!
V. Murino e A. Fusiello
27-04-2010
Ideal
V. Murino e A. Fusiello
Example
Butterworth
V. Murino e A. Fusiello
Gaussian
10
27-04-2010
Filtro media
!! !!
Qual la funzione di trasferimento del filtro media? La risposta impulsiva una box, quindi .
V. Murino e A. Fusiello
A HPF suppresses (stops) the low frequencies and passes the high frequencies. Construction of an HPF can be achieved by HHPF= 1-HLPF Ideal HPF
!!
!!
Butterworth HPF
!!
Gaussian HPF
V. Murino e A. Fusiello
11
27-04-2010
V. Murino e A. Fusiello
HPF results
!!
Ideal HP
!!
Butterworth
!!
Gaussian
V. Murino e A. Fusiello
12
27-04-2010
The frequency transformation method transforms a onedimensional FIR filter into a two-dimensional FIR filter. The frequency transformation method preserves most of the characteristics of the one-dimensional filter, particularly the transition bandwidth and ripple characteristics.
V. Murino e A. Fusiello
The frequency sampling method creates a filter based on a desired frequency response. Given a matrix of points that defines the shape of the frequency response, this method creates a filter whose frequency response passes through those points. Frequency sampling places no constraints on the behavior of the frequency response between the given points; usually, the response ripples in these areas.
V. Murino e A. Fusiello
13
27-04-2010
The windowing method involves multiplying the ideal impulse response with a window function to generate a corresponding filter. Like the frequency sampling method, the windowing method produces a filter whose frequency response approximates a desired frequency response. The windowing method, however, tends to produce better results than the frequency sampling method.
V. Murino e A. Fusiello
Si usa una una funzione di finestratura che degrada a 0 dolcemente per mitigare il fenomeno di Gibbs.
Bartlett
V. Murino e A. Fusiello
14
27-04-2010
Matlab demo
V. Murino e A. Fusiello
Homomorphic Filtering
!!
One can reduce the dynamic range and increase the local contrast of an image to be enhanced by applying a homomorphic filtering to an illumination-reflectance image model.
!!
!!
where i(m,n) represents the illumination and r(m,n) represents the reflectance. The illumination i(m,n) is assumed to be the primary contributor to the dynamic range and is assumed to vary slowly, while the reflectance r(m,n) that represents the detail of an object is assumed to be the primary contributor to local contrast and is assumed to vary rapidly. To separate i(m,n) from r(m,n), a logarithm operation is applied to the previous equation, and the result is
15
27-04-2010
Homomorphic Filtering
V. Murino e A. Fusiello
V. Murino e A. Fusiello
16
27-04-2010
!!
Abbiamo visto fin qui luso dei filtri in operazioni di enhancement (rinforzo) di immagini. Vdremo ora due altre applicazioni:
! Restauro (restoration) ! Rivelazione (detection)
V. Murino e A. Fusiello
Filtraggio inverso
!! !!
!!
!!
Operazione di restauro (restoration) noto il modello del degrado che ha subito limmagine In questo caso il modello consiste nella convoluzione con un kernel di degrado (es. motion blur) Si vuole invertire il processo.
V. Murino e A. Fusiello
17
27-04-2010
Filtri inversi
!!
!! !! !! !! !! !! !!
Il degrado di unimg viene identificato come proveniente dal sistema di acquisizione che tipicamente sfuoca (blur) limg. Il modello quello gi visto in precedenza, in assenza di rumore i(x,y) = s(x,y)*g(x,y) Il filtro inverso ha lobiettivo di stimare linformazione reale s dallimg osservata i Trasformando tutto con Fourier si ha che I(u,v) = S(u,v)G(u,v) E quindi il filtro inverso : S(u,v) = I(u,v)/G(u,v) = I(u,v)$ 1/G(u,v)
Elaborazione delle Immagini
V. Murino e A. Fusiello
!! !!
!! !! !!
Questa operazione equivale ad una deconvoluzione con il filtro che ha degradato limg. Se si conosce o si stima questo filtro (Point Spread Function) come una maschera di dimensione finita NxN, allora la deconvoluzione si ottiene semplicemente invertendo i coefficienti della maschera, moltiplicando per limg acquisita e antitrasformando. Esistono per problemi numerici dovuti al fatto che i coefficienti di G(u,v) devono essere diversi da 0. Le condizioni peggiorano se lipotesi di assenza rumore viene meno I(u,v) = S(u,v)G(u,v) + N(u,v)
Elaborazione delle Immagini
V. Murino e A. Fusiello
18
27-04-2010
!!
!!
!!
!! !!
Il filtro inverso diventa Sstimata(u,v) = S(u,v) + N(u,v)! 1/G(u,v) Per cui se qualche coefficiente di G molto piccolo, si esalta il rumore rendendo trascurabile il segnale S Per ovviare a questo problema si limita il restauro ad una specifica frequenza di taglio, oltre la quale il ritorno del filtro nullo come si applicasse un filtro passa-basso ideale La frequenza di taglio spesso stimata sperimentalmente
V. Murino e A. Fusiello
original
19
27-04-2010
Original
Motion blurred
Inverse filter
V. Murino e A. Fusiello
Matched filter
!! !!
!!
Filtro che risponde ad un particolare segnale Il matched filter un filtro ottimo utilizzato per rivelare (detection) un segnale noto m(t) immerso nel rumore n(t) x(t)=m(t)+n(t) Si dimostra che il filtro ottimo ha FdT: K(") = C M*(")/Pn(") dove C una costante arbitraria, Pn(") lo spettro di potenza del rumore n(t) e M(") la CFT di m(t).
V. Murino e A. Fusiello
20
27-04-2010
!!
!!
Se il rumore bianco, Pn(") costante, quindi pongo C= Pn(") ottenendo: K(") = M*(") = M(-") La risposta impulsiva k(t) = m(-t), quindi per cercare m(t) si convolve il segnale con m(-t), ovvero si correla con m(t) ! correlazione come ricerca di un segnale in un altro.
V. Murino e A. Fusiello
21