Nomes comuns do filtro médio: filtragem média, alisamento, média, filtragem de caixa Descrição breve A filtragem média é um método simples, intuitivo e fácil de implementar de imagens de suavização, ou seja, reduzindo a quantidade de variação de intensidade entre um pixel e o próximo. Muitas vezes, é usado para reduzir o ruído nas imagens. Como funciona A idéia de filtragem média é simplesmente substituir cada valor de pixel em uma imagem com o valor médio (médio) de seus vizinhos, inclusive em si. Isso tem o efeito de eliminar valores de pixels que não são representativos de seus arredores. A filtragem média geralmente é pensada como um filtro de convolução. Como outras circunvoluções, ela é baseada em um kernel. Que representa a forma e o tamanho da vizinhança a ser amostrada ao calcular a média. Muitas vezes, é usado um kernel quadrado de 32153, como mostrado na Figura 1, embora os grãos maiores (por exemplo 52155 quadrados) possam ser usados para um alisamento mais severo. (Observe que um kernel pequeno pode ser aplicado mais de uma vez para produzir um efeito semelhante, mas não idêntico, como uma única passagem com um kernel grande). Figura 1 324a3 kernel de média usado frequentemente na filtração média. Computação da convolução direta de uma imagem com Este kernel realiza o processo de filtragem médio. Diretrizes para uso A filtragem média é mais comumente usada como um método simples para reduzir o ruído em uma imagem. Nós ilustramos o filtro usando o original corrompido por ruído gaussiano com uma média de zero e um desvio padrão () de 8. mostra o efeito de aplicar um filtro médio 32153. Observe que o ruído é menos aparente, mas a imagem foi suavizada. Se aumentarmos o tamanho do filtro médio para 52155, obtemos uma imagem com menos ruído e menor detalhe de alta freqüência, como mostrado em A mesma imagem mais severamente corrompida por ruído gaussiano (com uma média de zero e um de 13) é mostrada In é o resultado da filtragem média com um kernel 32153. Uma tarefa ainda mais desafiadora é fornecida por mostrar o efeito de suavizar a imagem ruidosa com um filtro médio 32153. Uma vez que os valores de pixel do ruído de disparo são muitas vezes muito diferentes dos valores circundantes, eles tendem a distorcer significativamente a média de pixels calculada pelo filtro médio. Usando um filtro 52155, em vez disso, este resultado não é uma melhoria significativa na redução de ruído e, além disso, a imagem agora está muito desfocada. Estes exemplos ilustram os dois principais problemas com a filtragem média, que são: Um único pixel com um valor muito não representativo pode afetar significativamente o valor médio de todos os pixels em sua vizinhança. Quando a vizinhança do filtro se aproxima de uma borda, o filtro irá interpolar novos valores para pixels na borda e, desse modo, irá desfocar essa borda. Isso pode ser um problema se forem necessárias bordas afiadas na saída. Ambos os problemas são abordados pelo filtro mediano. O que geralmente é um filtro melhor para reduzir o ruído do que o filtro médio, mas leva mais tempo para calcular. Em geral, o filtro médio atua como um filtro de freqüência de passagem baixa e, portanto, reduz os derivados de intensidade espacial presentes na imagem. Nós já vimos esse efeito como um abrandamento das características faciais no exemplo acima. Agora, considere a imagem que representa uma cena que contém uma gama mais ampla de diferentes freqüências espaciais. Depois de suavizar uma vez com um filtro médio 32153, obtemos Observe que a baixa informação de freqüência espacial em segundo plano não foi significativamente afetada pela filtragem, mas as bordas (uma vez crisp) do primeiro plano foram suavizadas. Depois de filtrar com um filtro 72157, obtemos uma ilustração ainda mais dramática desse fenômeno. Compare esse resultado com o obtido passando um filtro 32153 sobre a imagem original três vezes em Variantes Comuns. As variações no filtro de suavização médio discutido aqui incluem Threshold Averaging em que O alisamento é aplicado sujeito à condição de que o valor do pixel central seja alterado somente se a diferença entre seu valor original e o valor médio for maior do que um limite predefinido. Isso tem o efeito de que o ruído seja suavizado com uma perda menos dramática no detalhe da imagem. Outros filtros de convolução que não calculam a média de um bairro também são freqüentemente usados para suavizar. Um dos mais comuns é o filtro de alisamento gaussiano. Experiência interativa Você pode experimentar de forma interativa com este operador clicando aqui. O filtro médio é calculado usando uma convolução. Você consegue pensar em quaisquer maneiras pelas quais as propriedades especiais do kernel de filtro médio podem ser usadas para acelerar a convolução. Qual é a complexidade computacional dessa convolução mais rápida Use um detector de borda na imagem e anote a força da saída. Em seguida, aplique um filtro médio 32153 para a imagem original e execute novamente o detector de borda. Comente sobre a diferença. O que acontece se um filtro 52155 ou 72157 for usado Aplicando um filtro médio 32153 duas vezes não produz o mesmo resultado que a aplicação de um filtro médio 52155 uma vez. No entanto, um kernel de convolução 52155 pode ser construído, o que é equivalente. O que esse kernel parece ser um kernel de convolução 72157 que tenha um efeito equivalente a três passagens com um filtro médio 32153. Como você acha que o filtro médio enfrentaria o ruído gaussiano que não era simétrico em torno de zero. Tente alguns exemplos. Referências R. Boyle e R. Thomas Computer Vision: um primeiro curso. Blackwell Scientific Publications, 1988, pp. 32 - 34. E. Davies Visão da máquina: teoria, algoritmos e praticidades. Academic Press, 1990, cap. 3. D. Vernon Machine Vision. Prentice-Hall, 1991, cap. 4. Informações locais Informações específicas sobre este operador podem ser encontradas aqui. Um conselho mais geral sobre a instalação HIPR local está disponível na seção introdutória de Informações locais. A melhor maneira de fazer isso (na minha opinião) seria usar um buffer circular para armazenar suas imagens. Em um buffer circular ou anel, o elemento de dados mais antigo na matriz é substituído pelo elemento mais novo inserido na matriz. Os conceitos básicos de fazer tal estrutura são descritos no pequeno vídeo do Mathworks Implementando um buffer circular simples. Para cada iteração do seu loop principal que lida com uma única imagem, basta carregar uma nova imagem no buffer circular e, em seguida, usar o MATLAB construído na função média para levar a média de forma eficiente. Se você precisar aplicar uma função de janela aos dados, faça uma cópia temporária dos quadros multiplicada pela função da janela e tome a média da cópia em cada iteração do loop. Respondeu 6 de agosto de 12 às 10:11 calcula um tipo de média móvel para cada uma das 10 bandas em todas as suas imagens. Esta linha calcula uma média móvel do valor médio sobre suas imagens: para ambos, você deseja adicionar uma estrutura de buffer que mantenha apenas as últimas 10 imagens. Para simplificá-lo, você também pode apenas manter tudo na memória. Aqui está um exemplo para Yout: Mude esta linha: (Adicione uma dimensão) E altere isso: então, para exibir o uso, você faria algo. Similar para meanvalue respondido 6 de agosto 12 às 14:19 Sua resposta 2016 Stack Exchange, Inc
No comments:
Post a Comment