I den senaste handledningen diskuterade vi kort om filter. I den här handledningen kommer vi att diskutera dem grundligt. Innan vi diskuterar om låt oss först prata om masker. Begreppet mask har diskuterats i vår handledning om konvolution och masker.
- Blurring masks vs derivative masks
- Blurring masks
- Derivativa masker
- Samband mellan oskärpningsmasker och derivativa masker med högpassfilter och lågpassfilter.
- Högpassfrekvenskomponenter och lågpassfrekvenskomponenter
- Ideala lågpassfilter och ideala högpassfilter
- Provbild
- Bild i frekvensdomän
- Användning av filter över denna bild
- Resultatbild
- Gaussianskt lågpass och Gaussiskt högpassfilter
- Gaussianskt lågpassfilter
- Gaussianskt högpassfilter
Blurring masks vs derivative masks
Vi kommer att utföra en jämförelse mellan blurring masks och derivative masks.
Blurring masks
En blurring mask har följande egenskaper.
- Alla värden i suddarmasker är positiva
- Summan av alla värden är lika med 1
- Kantinnehållet minskas genom att använda en suddarmask
- När storleken på masken växer kommer mer utjämningseffekt att ske
Derivativa masker
En derivativ mask har följande egenskaper.
- En derivativ mask har positiva och såväl som negativa värden
- Summan av alla värden i en derivativ mask är lika med noll
- Kantinnehållet ökas av en derivativ mask
- När storleken på masken växer , ökas mer kantinnehåll
Samband mellan oskärpningsmasker och derivativa masker med högpassfilter och lågpassfilter.
Sambandet mellan suddig mask och avledd mask med högpassfilter och lågpassfilter kan enkelt definieras som följande:
- Suddig masker kallas också för lågpassfilter
- Avledda masker kallas också för högpassfilter
Högpassfrekvenskomponenter och lågpassfrekvenskomponenter
Högpassfrekvenskomponenterna anger kanter medan lågpassfrekvenskomponenterna anger släta områden.
Ideala lågpassfilter och ideala högpassfilter
Detta är det vanligaste exemplet på lågpassfilter.
När ett placeras inuti och nollan placeras utanför , får vi en suddig bild. När vi nu ökar storleken på 1 skulle oskärpan öka och kantinnehållet minska.
Detta är ett vanligt exempel på högpassfilter.
När 0 placeras innanför får vi kanter, vilket ger oss en skissad bild. Ett idealiskt lågpassfilter i frekvensdomänen ges nedan.
Det ideala lågpassfiltret kan grafiskt representeras som
Nu tillämpar vi detta filter på en verklig bild och ser vad vi får.
Provbild
Bild i frekvensdomän
Användning av filter över denna bild
Resultatbild
Med samma sätt kan ett idealiskt högpassfilter tillämpas på en bild. Men uppenbarligen skulle resultaten bli olika eftersom, lågpasset minskar det kantiga innehållet och högpasset ökar det.
Gaussianskt lågpass och Gaussiskt högpassfilter
Gaussianskt lågpass och Gaussiskt högpassfilter minimerar det problem som uppstår i ideala lågpass- och högpassfilter.
Detta problem är känt som ringningseffekt. Detta beror på att övergången mellan en färg och en annan i vissa punkter inte kan definieras exakt, vilket gör att ringningseffekten uppträder i den punkten.
Klipp på den här grafen.
Detta är en representation av det ideala lågpassfiltret. Vid den exakta punkten för Do kan du inte säga att värdet skulle vara 0 eller 1. På grund av vilket ringningseffekten uppträder vid den punkten.
För att minska effekten som uppträder är idealiskt lågpass och idealiskt högpassfilter införs följande Gaussiskt lågpassfilter och Gaussiskt högpassfilter.
Gaussianskt lågpassfilter
Konceptet för filtrering och lågpass förblir detsamma, men det är bara övergången som blir annorlunda och blir mer jämn.
Det gaussiska lågpassfiltret kan representeras som
Bemärk den mjuka kurvaövergången, på grund av vilken vid varje punkt värdet på Do, kan definieras exakt.
Gaussianskt högpassfilter
Gaussianskt högpassfilter har samma koncept som det ideala högpassfiltret, men återigen är övergången jämnare jämfört med det ideala.