I den sidste tutorial diskuterede vi kort om filtre. I denne tutorial vil vi diskutere dem grundigt. Inden vi diskuterer om, skal vi først tale om masker. Begrebet maske er blevet diskuteret i vores tutorial om konvolution og masker.
- Blurring masks vs derivative masks
- Blurring masks
- Derivative masker
- Sammenhæng mellem sløringsmaske og afledt maske med højpasfiltre og lavpasfiltre.
- Højpasfrekvenskomponenter og lavpasfrekvenskomponenter
- Ideal low pass og ideal high pass-filter
- Stikprøvebillede
- Billede i frekvensdomæne
- Anvendelse af filter over dette billede
- Resultatbillede
- Gaussiansk lavpas og Gaussisk højpasfilter
- Gaussiansk lavpasfilter
- Gaussiansk højpasfilter
Blurring masks vs derivative masks
Vi vil foretage en sammenligning mellem blurring masks og derivative masks.
Blurring masks
En blurring maske har følgende egenskaber.
- Alle værdier i sløringsmasker er positive
- Summen af alle værdierne er lig med 1
- Kantindholdet reduceres ved at bruge en sløringsmaske
- Da maskens størrelse vokser, vil der ske en større udglatningseffekt
Derivative masker
En derivativ maske har følgende egenskaber.
- En afledt maske har positive og såvel som negative værdier
- Summen af alle værdierne i en afledt maske er lig med nul
- Kantindholdet øges ved en afledt maske
- Da størrelsen af masken vokser , øges mere kantindhold
Sammenhæng mellem sløringsmaske og afledt maske med højpasfiltre og lavpasfiltre.
Forholdet mellem sløringsmaske og afledt maske med et højpasfilter og et lavpasfilter kan defineres simpelt som:
- Sløringsmasker kaldes også for lavpasfilter
- Derivatmasker kaldes også for højpasfilter
Højpasfrekvenskomponenter og lavpasfrekvenskomponenter
Højpasfrekvenskomponenterne betegner kanter, mens lavpasfrekvenskomponenterne betegner glatte områder.
Ideal low pass og ideal high pass-filter
Dette er det almindelige eksempel på low pass-filter.
Når et er placeret indenfor, og nul er placeret udenfor , får vi et sløret billede. Når vi nu øger størrelsen af 1, vil sløringen øges, og kantindholdet vil blive reduceret.
Dette er et almindeligt eksempel på højpasfilter.
Når 0 placeres indenfor, får vi kanter, hvilket giver os et skitseret billede. Et ideelt lavpasfilter i frekvensdomænet er givet nedenfor.
Det ideelle lavpasfilter kan grafisk fremstilles som
Nu skal vi anvende dette filter på et faktisk billede, og lad os se, hvad vi har fået.
Stikprøvebillede
Billede i frekvensdomæne
Anvendelse af filter over dette billede
Resultatbillede
Med samme fremgangsmåde kan et ideelt high pass-filter anvendes på et billede. Men resultaterne vil naturligvis være forskellige, da lavpas reducerer det kantede indhold, og højpas øger det.
Gaussiansk lavpas og Gaussisk højpasfilter
Gaussiansk lavpas og Gaussisk højpasfilter minimerer det problem, der opstår i ideelle lavpas- og højpasfiltre.
Dette problem er kendt som ringing-effekt. Det skyldes, at overgangen mellem den ene farve og den anden farve på nogle punkter ikke kan defineres præcist, og at ringing-effekten opstår på dette punkt.
Se på denne graf.
Dette er repræsentationen af det ideelle lavpasfilter. Nu på det nøjagtige punkt af Do kan man ikke sige, at værdien ville være 0 eller 1. På grund af hvilket den ringende effekt vises på det punkt.
Så for at reducere den effekt, der vises er ideelt lavpas og ideelt højpasfilter, indføres følgende Gaussisk lavpasfilter og Gaussisk højpasfilter.
Gaussiansk lavpasfilter
Konceptet med filtrering og lavpas forbliver det samme, men kun overgangen bliver anderledes og bliver mere jævn.
Det Gaussiske lavpasfilter kan repræsenteres som
Bemærk den glatte kurveovergang, på grund af hvilken i hvert punkt kan værdien af Do, defineres nøjagtigt.
Gaussiansk højpasfilter
Gaussiansk højpasfilter har samme koncept som det ideelle højpasfilter, men igen er overgangen mere jævn i forhold til det ideelle.