ดาวน์โหลดงานนำเสนอ
งานนำเสนอกำลังจะดาวน์โหลด โปรดรอ
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
งานนำเสนอที่คล้ายกัน
© 2024 SlidePlayer.in.th Inc.
All rights reserved.