Vissza az előzőleg látogatott oldalra (nem elérhető funkció)Vissza a tananyag kezdőlapjára (P)Ugrás a tananyag előző oldalára (E)Ugrás a tananyag következő oldalára (V)Fogalom megjelenítés (nem elérhető funkció)Fogalmak listája (nem elérhető funkció)Oldal nyomtatása (nem elérhető funkció)Oldaltérkép megtekintése (D)Keresés az oldalon (nem elérhető funkció)Súgó megtekintése (S)

Open source fejlesztő eszközök, elméleti rész / Nemlineáris szűrők

Tanulási útmutató

Összefoglalás

A nemlineáris szűrők azok az eljárások, amelyek ugyancsak egy adott pixel szomszédos pixelei alapján számolják ki a szűrt értéket, de nem a szomszédos pixelek értékeinek valamilyen lineáris kombinációjaként, hanem más módon.

Nemlineáris szűrők

A nemlineáris szűrők azok az eljárások, amelyek ugyancsak egy adott pixel szomszédos pixelei alapján számolják ki a szűrt értéket, de nem a szomszédos pixelek értékeinek valamilyen lineáris kombinációjaként, hanem más módon. Itt nem beszélünk kernelmátrixról, hanem csak kernelről, vagy kernelablakról.

Rangszűrők

A rangszűrők alapvető ötlete az, hogy a kernelablak alá eső pixelek intenzitásértékeit állítsuk nagyság szerint sorba, majd ez alapján a sorrend alapján válasszunk új intenzitásértéket a szűrendő pixelnek. A leggyakrabban használt rang szűrő a medián szűrő, mely a nagyság szerinti középső értéket választja szűrt értékül (72. ábra).

A szűrés eredménye valamiféle simítás, amelyhez azonban átviteli függvény nem rendelhető. A szűrő a lokális zajokat hatékonyan eliminálja. A ”salt and pepper” típusú hibákat (kisméretű, pontszerű érték kiugrások) eredményesen eltünteti, mert amikor egy ilyen pixelhez érünk, a környező pontok színétől kiugróan eltérő (sötés vagy világos) színű pontokat a rendezett kernel szélére sorolja. Az 73. ábra a medián szűrőnek egy zajos görbére gyakorolt hatását mutatja.

A kép (nagyobb változata) külön ablakban is megtekinthető.72. ábra. Egy zajos görbe (szaggatott vonal) és medián szűrt változata (folytonos görbe).  A kernel hossza a72_rang_full.png72. ábra. Egy zajos görbe (szaggatott vonal) és medián szűrt változata (folytonos görbe). A kernel hossza a

Digitális képekre a medián szűrő fontos tulajdonsága, hogy 2k+1 méretű kernel esetén a k-nál vékonyabb vonalakat eltünteti a képről. Ez kívánatos eredmény, amikor a nagy területeket próbáljuk kiemelni. Sajnos az éleket eltolhatja és a sarkokat lekerekíti, de az algoritmus kiegészíthető úgy, hogy ez a hiba ne forduljon elő.

A kép (nagyobb változata) külön ablakban is megtekinthető.73. ábra. Balról jobbra: Az eredeti kép. "salt and pepper" típusú hibákkal terhelve. Konzervatív simítással eltüntetve a hibák. 5x5 méretű mediánszűrővel tisztított kép. 11x11 méretű mediánszűrővel szűrt kép73_median_full.png73. ábra. Balról jobbra: Az eredeti kép. "salt and pepper" típusú hibákkal terhelve. Konzervatív simítással eltüntetve a hibák. 5x5 méretű mediánszűrővel tisztított kép. 11x11 méretű mediánszűrővel szűrt kép

Vissza a tartalomjegyzékhez

Olimpiai szűrő

Az olimpiai szűrő, a medián szűrőhöz hasonlóan, a kiugró intenzitás értékeket zajforrásból származónak tekinti. Egyes sportok olimpiai pontozási módszerét követi. Sorba rendezi a kernel alatti elemeket, majd a középsőtől legjobban elütőket eldobja. Paraméterként megadható, hogy a legnagyobb és legkisebb elemekből mennyit hagy figyelmen kívül.

Vissza a tartalomjegyzékhez

Konzervatív simítás

A konzervatív simítás zajszűrő eljárás, mely leginkább a „salt and pepper” típusú zajt képes eliminálni. Stratégiája, hogy a kernelablakba eső pixeleket nagyság szerint sorba rendezi az aktuális pixel kivételével. Így kapunk egy [min..max] intervallumot, és megnézzük, hogy az aktuális pixel ebbe az intervallumba esik-e (73. ábra). Ha a [min..max] intervallumba esik, akkor nem változtatunk a pixel intenzitásán, ha a maximumnál nagyobb, akkor az új érték a maximum lesz, ha a minimum alá, akkor az új érték a minimum lesz.

Vissza a tartalomjegyzékhez

Kuwahara-szűrő

A Kuwahara-féle szűrési eljárás zajszűrő, simító hatású. Fontos tulajdonsága, hogy az éleket megtartja, nem tolja, vagy mossa el. Osszuk fel a kernel ablakot négy átfedő (k+1) x (k+1) méretű részre, melyek a négy sarokból indulnak (74. ábra). A szűrt pixel értéke azon négyzet átlagintenzitása legyen, ahol legkisebb a szórás.

A kép (nagyobb változata) külön ablakban is megtekinthető.74. ábra. A Kuwahara-szűrő ablakbeosztása, és a kernel viselkedése egy élen74_kuwa_full.png74. ábra. A Kuwahara-szűrő ablakbeosztása, és a kernel viselkedése egy élen

A betűjelek azonosítják azt, hogy a pixelek melyik négyzetbe tartoznak. A középső pixel mindegyik négyzetben benne van. Miután a pixeleket besoroljuk a négy halmazba, kiszámoljuk mindegyik halmazban a pixelértékek átlagát és a empirikus szórást. Ezután annak a halmaznak az átlagát adjuk értékül a pixelnek, amelyikben a legkisebb a szórás (75. ábra).

A kép (nagyobb változata) külön ablakban is megtekinthető.75. ábra. Balról jobbra: Az eredeti kép.  A kép 5 x 5 méretű Kuwahara szűrővel szűrt változata. A kép 11x11 méretű Kuwahara szűrővel szűrt változata. A szűrt képet újraszűrve 5x5 méretű Kuwahara szűrővel75_kuwa_full.png75. ábra. Balról jobbra: Az eredeti kép. A kép 5 x 5 méretű Kuwahara szűrővel szűrt változata. A kép 11x11 méretű Kuwahara szűrővel szűrt változata. A szűrt képet újraszűrve 5x5 méretű Kuwahara szűrővel

Néhány digitális szűrő működését mutatja be a következő amináció.

Ebben az animációban áttekintjük a digitális szűrési eljárások néhány ismeretebb módszerét

Flash lejátszó letöltése

Szűrési eljárások

Vissza a tartalomjegyzékhez

Új Széchenyi terv
A projekt az Európai Unió támogatásával, az Európai Szociális Alap társfinanszirozásával valósul meg.

A Társadalominformatika: moduláris tananyagok, interdiszciplináris tartalom- és tudásmenedzsment rendszerek fejlesztése az Európai Unió támogatásával, az Európai Szociális Alap társfinanszírozásával, az ELTE TÁMOP 4.1.2.A/1-11/1-2011-0056 projekt keretében valósult meg.
A tananyag elkészítéséhez az ELTESCORM keretrendszert használtuk.