17520

Фільтрація сигналів і зображень

Лабораторная работа

Информатика, кибернетика и программирование

Лабораторна робота №4 На тему: Фільтрація сигналів і зображень Мета роботи Ознайомитися з методами та засобами фільтрації сигналів та зображень. Проілюструвати процес фільтрації зображення в просторовій області. Теоретичні відомості Цифрова фільтрація д

Украинкский

2013-07-01

256.5 KB

44 чел.

Лабораторна робота №4

На тему: «Фільтрація сигналів і зображень»

Мета роботи

Ознайомитися з методами та засобами фільтрації сигналів та зображень. Проілюструвати процес фільтрації зображення в просторовій області.

Теоретичні відомості

Цифрова фільтрація даних (сигналів) є одною з основних і найпоширеніших задач цифрової обробки інформації. Під фільтрацією будемо розуміти будь-яке перетворення інформації, в нашому випадку - сигналів, при якому у вхідній послідовності оброблюваних даних цілеспрямовано змінюються певні співвідношення (динамічні або частотні) між різними компонентами цих даних. До основних операцій фільтрації інформації відносять: згладжування; прогнозування; диференціювання; інтегрування; поділ на певні складові; виділення інформаційних (корисних) сигналів; придушення шумів (завад).

У загальному випадку терміном цифровий фільтр (ЦФ) називають апаратну або програмну реалізацію математичного алгоритму, входом якого є цифровий сигнал, а виходом – інший цифровий сигнал з певним чином модифікованою формою і/або амплітудною і фазовою характеристикою. Класифікація цифрових фільтрів звичайно базується на функціональних ознаках алгоритмів цифрової фільтрації, відповідно до якого ЦФ підрозділяються на 4 групи:

  •  фільтри частотної селекції;
  •  оптимальні (квазіоптимальні);
  •  адаптивні;

евристичні.

Відомі методи цифрової обробки даних, які є методами цифрової фільтрації такі як метод згладжування відліків у ковзаючому вікні постійної довжини. Наприклад для лінійного згладжування даних за п’ятьма точками з однаковими ваговими коефіцієнтами використовується формула:

yk = 0.2(xk-2+xk-1+xk+xk+1+xk+2).

З точки зору цифрової фільтрації це двосторонній симетричний нерекурсивний фільтр:

yk =bn xk-n,     bn = 0,2.

Фільтрація зображень в часовій (просторовій) області

В часовій і просторовій області процес фільтрації сигналів описується рівнянням одновимірної згортки:

,

де:  - вихідний сигнал;

 вхідний сигнал;

 імпульсна характеристика фільтру.

Фільтрація  зображень в часовій області зводиться до двовимірної лінійної згортки:

,

де:  - вхідне зображення;

- фільтроване зображення;

- імпульсна характеристика фільтру (маска, що визначає вид фільтрації);

- розмір зображення,  ;

- розмір вікна фільтрації (апертури);

, .

Очевидно, що процес фільтрації – це послідовне обчислення згортки обраної маски з «вікном» (частиною) зображення. Елементи вікна, розташовані в області точки для якої обчислюється згортка. Таким чином, маска фільтру, її ще називають апертурою, «пробігає» всі елементи зображення, утворюючи вихідне зображення.

Маски для низькочастотної та високочастотної фільтрації визначають тип фільтрації. Низькочастотна фільтрація забезпечує згладжування шуму, тобто усунення високочастотних складових. Вона досягається за рахунок використання масок з додатними елементами. Прикладом таких масок можуть бути наступні масиви, що мають розмір  точки. Зауважимо, що для того, щоб процедура пригашення шуму не приводила до зміщення середньої яскравості зображення ці масиви є нормованими.

; ; .

Для високочастотної фільтрації можна навести такі маски:

;   ;  

Особливістю таких апертур є те, що алгебраїчно сума елементів кожної з них дорівнює одиниці. Використання високочастотних масок приводить до виділення границь об’єктів, тому може бути використана, наприклад, маска Роберта, різницевий оператор Собеля, Кірша.

Широке поширення набули методи контрастування (один з випадків високочастотної - фільтрації), в яких використовується оператор Лапласа. На практиці він заміняється згорткою зображення з однією з масок:

;  ;  .

Алгоритми лінійної фільтрації

Виконувати лінійну фільтрацію двовимірних масивів (зображень) можна звикористанням алгоритмів, що приводяться нижче. Перший з них реалізовує процес безпосередньо за формулою згортки, а другий – зменшує необхідний об’єм пам’яті, що може суттєво впливати на швидкість обробки при великих розмірах вхідного зображення.

В обох із запропонованих алгоритмів, границі зображень обробляються без фільтрації, тобто у вихідній матриці елементи крайніх рядків та стовпців співпадають з вхідними. Такий вид обробки найбільш прийнятний для тестових прикладів, хоча в реальних системах використовуються методи копіювання сусідів, або інші, складніші алгоритми доповнення.

Алгоритм 1. Прямий.

1. Перший і останній рядки (верхня і нижня границі зображення)

 for (p = 0;  p < M;  p++)

 for (q = 0; q < Q; q++)

  {    g[p, q]=x[p, q];    g[P-1-p, q]=x[P-1-p, q]};

2. Решта рядків

for (p = M; p < P - M; p++)

{

2.1. Перші і останні M елементів рядка (ліва і права границі зображення)

 for (q=0; q < M; q++ )

  { g[p, q]=x[p, q];    g[p, Q-1-q]=x[p,Q-1-q]  };

2.2. Решта елементів (основне перетворення)

for (q=M; q < Q - M; q++ )

  { Sum=0.0;

for (i = - M; i < = M; i++ )

for (j = -M;  j < = M;  j++ )

Sum = Sum +h [i,j] * x[i+p,j+q];

  g[p,q] = Sum;

  }  }

Алгоритм 2. Прямий, з мінімізацією необхідної пам’яті.

1. Ініціалізація додаткавої матриці xtemp[p, q] , розміру ( M+1) x Q

 for (p = 0;  p <= M;  p++)

 for (q = 0; q < Q; q++)  

 xtemp[p, q]=x[p, q];

2. Фільтрація

for (p = M; p < P - M; p++)

{for (q=M; q < Q - M; q++ )

  { Sum=0.0;

for (j = -M;  j < = M;  j++ )

{for (i = 1; i < = M; i++ )

Sum = Sum +h [i,j] * x[i+p,j+q];

for (i = -M;  i < 1;  i++ )

Sum = Sum +h[i,j] * xtemp[i+M,j+q];

   }

  g[p,q] = Sum;

  }

Модифікація матриці xtemp

for (i = 1; q < M; q++)  

  for (q = 0; q < Q; q++)  

xtemp[i-1, q]= xtemp[i, q];

for (q = 0; q < Q; q++)  

xtemp[M, q]= x[p+1, q];  }

Завдання

Виконати фільтрацію вхідного зображення та зробити висновок про властивості фільтра із заданою імпульсною характеристикою.

 Варіант

Імпульсна характеристика фільтру

5

h=[-1 -1 -1;-1 9 -1;-1 -1 -1]

Виконання:

Для розв’язання поставленого завдання, обираємо перший алгоритм лінійної фільтрації, оскільки він є найбільш простим для реалізації і створюємо програму в середовищі MatLab. При цьому вхідне зображення подається у стандартному двійковому форматі (.raw), який опрацьовується стандартними засобами обраного пакету. В даному випадку тестовим є типове в практиці цифрової обробки сигналів, чорно-біле зображення “Lenna”, розмір якого 256 на 256 пікселів.

Фільтрація виконується за граф-схемою, яка наведена на рис. 1. Повний текст програми, що реалізовує дану граф-схему обробки наведений в Додатку.

Для того, щоб утворити вхідну матрицю, розроблено власну підпрограму <readim.m>, що дозволяє зчитати зображення у форматі .raw, переконатися у коректності відкриття/існування файлу, та присвоїти відповідні значення елементам матриці.

Результатом роботи створеного програмного засобу є матриця, що містить елементи фільтрованого зображення. За допомогою розробленої підпрограми графічного виводу <autoimage.m>, ця матриця відображається як чорно-біле зображення, розміром 256 на 256 пікселів.

Блок-схема 1. Алгоритм лінійної фільтрації зображення.

Малюнок 1. Виконання програми.

Малюнок 2. Зображення, отримане в результаті застосування фільтру

<filtr.m>

clc

clear all

close all

echo off

x = readim('Hlynka.raw',[256,256]);

subplot(111); title('in');

autoimage(x);

P=256;

Q=256;

h=[-1 -1 -1;-1 -9 -1;-1 -1-1]; % задання імпульсної характеристики фільтру

M=length(h);

%1. Перший і останній рядки (верхня і нижня границі зображення)

 for p=1:1:M

   for q=1:1:Q

       g(p, q)=x(p, q);    

       g(P-p, q)=x(P-p, q) ;

   end;

 end;

%2. Решта рядків

   for p=M:1: P - M;

%2.1. Перші і останні M елементів рядка (ліва і права границі зображення)

       for q=1:1:M

           g(p, q)=x(p, q);    

           g(p, Q-q)=x(p,Q-q);

       end;

% 2.2. Решта елементів (основне перетворення)

       for q=M:1: Q - M

            SUM=0.0;

           for  ii =1:1: M;

             for  jj = 1:1: M;

               SUM = SUM +h ( ii,jj) * x( (ii-round(M/2))+p,(jj-round(M/2))+q);

             end;  

           end;

           g(p,q) = SUM;

       end

   end

figure(2) subplot(111); title('out');

autoimage(g);

 

<readim.m>

function Image = readim(filename,par)

       fid = fopen(filename,'r');

          if fid < 0,

           disp('Error reading.');

       else

           Image = fread(fid,par);

           fclose(fid);

       end

   end

<autoimage.m>

function autoimage(img)

    mmin = min(min(img));

   mmax = max(max(img));

    image(256*(img-mmin)/(mmax-mmin))

    axis('image')

   colormap(gray(256))

Висновок: Після виконання даної лабораторної роботи вдалося проілюструвати процес фільтрації зображення в просторовій області. А також познайомитися з методами та засобами фільтрації зображення.


 

А также другие работы, которые могут Вас заинтересовать

67194. Сетевые модели (N-схемы). Сети Петри 264 KB
  Теоретические основы сетей Петри: принципы построения алгоритмы поведения. Сети Петри были разработаны и используются для моделирования систем которые содержат взаимодействующие параллельные компоненты например аппаратное и программное обеспечение...
67197. СУЩНОСТЬ ПРАВА 252.5 KB
  Среди множества научных взглядов на право начиная с древности и до новейшего времени особенно привлекает внимание ряд исторически сложившихся основных направлений учения о праве оказавших заметное влияние на развитие правовой мысли познание и объяснение права как особого целостного явления духовной жизни общества.
67198. ВНУТРИВЕННЫЙ НАРКОЗ. МЕСТНАЯ АНЕСТЕЗИЯ 229 KB
  Знать: преимущества и недостатки внутривенного наркоза различных видов местной анестезии механизмы действия различных видов местной анестезии Уметь: подобрать инструменты и препараты для различных видов местной анестезии. Иметь представление о механизмах действия и основных...
67199. Українська культура початку 40-х до часів встановлення незалежності 198 KB
  План: Розвиток української культури на початку Другої світової війни. Розвиток української культури на початку Другої світової війни. Основна їх частина входила до складу Української СРР. радянський український уряд проводив русифікаційний курс і згідно з ним вороже ставився до української національної культури.
67200. Маркетинговые коммуникации 28.98 KB
  Представление товара одному или нескольким потенциальным клиентам. Согласно этой концепции компания тщательно продумывает и координирует работу своих многочисленных каналов коммуникации реклама средствами массовой информации личная продажа стимулирование сбыта связи с общественностью прямой маркетинг...
67201. Вказівник this 34 KB
  Під час кожного виклику функції-члена класу їй автоматично передається вказівник на об'єкт, який іменується ключовим словом this, для якого викликається ця функція. Вказівник this – це неявний параметр, який приймається всіма функціями-членами класу.
67202. Анализ опасности 22.47 KB
  Анализ опасностей позволяет определить источники опасностей, потенциальные несчастные случаи - ЧП, ЧП - инициаторы, последовательности развития событий, вероятности ЧП, величину риска, величину последствий, пути предотвращения ЧП и смягчения последствий.