Image Enhancement and Restoration

งานนำเสนอเรื่อง: "Image Enhancement and Restoration"— ใบสำเนางานนำเสนอ:

1 Image Enhancement and Restoration
In Frequency Domain

2 Filtering in Frequency Domain
DFT H(u,v) F(u,v)H(u,v) f(x,y) F(u,v) Shift (-1)x+y IDFT Shift (-1)x+y g(x,y)

3 Relationship between Convolution and DFT

4 Comparison of Convolution and FFT
Computational Process Simple Complex with many steps Number of Multiplications N x N -> image size n x n -> filter window size

5 Number of Multiplication (FFT vs Convolution)

6 Filter Categories Regular Filter Inverse Filter
Low Pass Filter (LPF) High Pass Filter (HPF) Band Pass Filter (BPF) Band Reject Filter (BRF) High Frequency Emphasis Filter (HFE) Inverse Filter Wiener Filter (Minimum Mean Square Error Filter)

7 Regular Filter Low Pass Filter (LPF)

8 Ideal Low Pass Filter (ILPF)

9 ILPF results Original image

10 ILPF ripple effects f * h H(u,v) h(x,y) DFT Original image [f(x,y)]
F(u,v) H(u,v) G(u,v) = F(u,v) H(u,v) DFT h(x,y) f * h g(x,y) Inverse DFT

11 Butterworth Low Pass Filter (BLPF)
n = 1 n = 2 n = 3 n = 4 h(x,y)

12 BLPF results n = 2 Original image

13 Gaussian Low Pass Filter (GLPF)

14 GLPF results Original image

15 Applications of Low Pass Filter
Character recognition Picture Studio Decoration

16 Ideal High Pass Filter (IHPF)

17 IHPF results

18 Butterworth High Pass Filter (BHPF)

19 BHPF results

20 Gaussian High Pass Filter (GHPF)

21 GHPF results

22 Laplacian Filter (Second-order Filter)
h(x,y)

23 Laplacian Filter results
Original image Laplacian filter Laplacian filtered image

24 High Frequency Emphasis Filter
f(x,y) BHPF Histogram equalization

25 Band Reject Filter (BRF)
Ideal BRF Gaussian BRF Butterworth BRF

26 BRF results f(x,y) DFT F(u,v) H(u,v) g(x,y) Inverse DFT F(u,v)H(u,v)

27 Band Pass Filter (BPF) DFT F(u,v) f(x,y) H(u,v) g(x,y) Inverse DFT
F(u,v)H(u,v)

28 Inverse Filter Regular Filter Inverse Filter G(u,v) = F(u,v).H(u,v)
ภาพที่ดี = ภาพที่เสีย . ฟังก์ชันการกรองสิ่งที่เสียออกจากภาพ Inverse Filter หลักการกลับจาก regular filter ภาพที่เสีย = ภาพที่ดี . ฟังก์ชันตัวกวนให้ภาพเสีย F’(u,v) = G(u,v) / H(u,v) ภาพประมาณภาพดี = ภาพที่เสีย / ฟังก์ชันตัวกวน

29 Degradation Function (ฟังก์ชันตัวกวนให้ภาพเสีย)
Image Observation (การประมาณค่าจากภาพจริง) Model Selection (การเลือกใช้แบบจำลองที่ให้ผลการรบกวนภาพใกล้เคียงกับภาพจริง) Degradation Model Atmospheric turbulence (หลุมอากาศ) จำลองการกวนให้ภาพเบลอ Motion Blur จำลองการกวนให้ภาพเบลอแบบมีการเลื่อนด้วย

30 Inverse Filter Problems
Ideal (theory assumption) Based on assumption of no noise Practical Input image may contain noise Resulted in failing to estimate the good quality image back Effect of the degradation function at the points where the function is close or equal to zero Divide by zero or small values Enhance the part of noise and unwanted high frequency Solution Control passing low frequency using LPF to reduce the effect of noise and division of zero

31 Inverse Filter results (Blur using Atmospheric Turbulence)
Full filter Blured image Turbulance (k=0.0025)

32 Wiener Filter (MMSE filter)
Using Minimum Mean Square Error Sometimes called least square filter Wiener filter Blured image Turbulance (k=0.0025) Wiener filter result

33 Filter results from Motion Blur and Gaussian Noise
Noisy image Inverse filter results Wiener filter results