Filtragem Dominio Espaco

Filtragem no Domı́nio do Espaço
Processamento de Imagens e Computação Gráfica
Profa. Beatriz Trinchão Andrade
Departamento de Computação · UFS

beatriz@dcomp.ufs.br
Profa. Beatriz Trinchão Andrade 1 / 73

Sumário
Introdução
Filtragem Espacial
Filtros de Suavização
Filtros de Suavização Lineares
Filtros de Estatı́stica de Ordem
Filtro da Mediana
Outros Filtros de Estatı́stica de Ordem
Filtros Espaciais de Aguçamento
Fundamentos
Derivadas de Segunda Ordem
Laplaciano
Composição com Laplaciano
Derivadas de Primeira Ordem
Gradiente
Combinação de Filtros Espaciais de Realce
Introdução
Sumário
Introdução
Filtragem Espacial
Filtro da Mediana
Fundamentos
Laplaciano
Gradiente
Introdução
Introdução
I Operações de vizinhança operam com:

I Valores nos pixels na vizinhança
I Valores correspondentes de uma subimagem com dimensões da
vizinhança
I Subimagem
I Filtro, máscara, kernel, template ou janela
I Valores na subimagem: coeficientes

Introdução
Introdução

Filtragem Espacial
Sumário
Introdução
Filtragem Espacial
Filtro da Mediana
Fundamentos
Laplaciano
Gradiente
Filtragem Espacial
Filtragem espacial
I Movimentação do filtro ponto-a-ponto na imagem
I A cada ponto (x,y), a resposta do filtro no ponto é calculada
I Filtragem espacial linear
I Soma dos produtos dos coeficientes do filtro e pixels
correspondentes na área afetada pela máscara
I Exemplo para uma máscara 3 × 3:
w (0, 0) coincide com f (x , y )

Filtragem Espacial
Filtragem espacial
I Máscaras de tamanho m × n
I m = 2a + 1
I n = 2b + 1
I a e b: números inteiros positivos
I Filtragem linear de imagem M × N por máscara m × n:
I Máscara deve ser aplicada para x = 0, 1, 2, ..., M − 1 e

y = 0, 1, 2, ..., N − 1

Filtragem Espacial
Filtragem espacial
I Expressões usadas:
I Convolução de uma máscara com uma imagem
I Kernel de convolução

Filtragem Espacial
Filtragem espacial
I Filtros espaciais não lineares

I Mecânica similar
I Baseada condicionalmente nos valores dos pixels na vizinhança
I Não usa soma dos produtos
I Exemplo: filtro da Mediana

Filtragem Espacial
Filtragem espacial
I Centro da máscara próximo da borda da imagem.

Alternativas:
I Limitar movimentação da máscara para área válida (imagem
filtrada menor que original)
I Filtrar pixels apenas com a parte da máscara contida na
imagem
I Adicionar linhas e colunas com valores constantes ou
replicados das bordas, e removê-las depois da filtragem

Sumário
Introdução
Filtragem Espacial
Filtro da Mediana
Fundamentos
Laplaciano
Gradiente
I Borramento
I Pré-processamento
I Remoção de detalhes pequenos antes da extração de objetos
maiores
I Conectar pequenas descontinuidades em linhas e curvas
I Redução de Ruı́do
I Borramento e filtragem não linear

I Resposta é a média dos pixels contidos na vizinhança da

máscara
I Também chamados de filtros passa-baixas
I Substituem o valor de cada pixel por uma média da vizinhança
I Transições se tornam mais suaves na imagem resultante
I Borram arestas
I Eliminam detalhes pequenos em relação ao tamanho da
máscara


I Filtro da esquerda: média padrão (box filter )

I Filtro da direita
I Média ponderada
I Pixel do centro tem maior contribuição
I Contribuição é reduzida com aumento da distância do centro
I Diagonais são mais reduzidas
I Efeito?

I Filtro da esquerda: média padrão (box filter )

I Filtro da direita
I Média ponderada
I Pixel do centro tem maior contribuição
I Contribuição é reduzida com aumento da distância do centro
I Diagonais são mais reduzidas
I Efeito? Redução do borramento

I Implementação de um filtro baseado em média ponderada:
I x e y variam em 1 a M e 1 a N, respectivamente
I Denominador só precisa ser calculado uma vez
I Resultado varia de acordo com o tamanho do filtro
I Exemplo com máscaras em imagem 500 × 500

Imagem original e com máscara n=3

Máscaras com n = 5 e n = 9

Máscaras com n = 15 e n = 35

Visão geral

I Obervações:
I Redução de aliasing
I Redução de ruı́dos
I Eliminação de objetos menores que o tamanho da máscara
I Objetos com cor próxima à do fundo tendem a desaparecer
I Efeito do padding
I Aplicação importante na segmentação:
I Reduz ruı́do e deixa objetos grandes mais homogêneos
I Tamanho da máscara estabelece o tamanho relativo dos
objetos que desaparecerão com o fundo

Imagem do Hubble (n=15 e limiarização)

Imagem do Hubble (n=15 e limiarização)
I Máscara 15×15
I Limiarização em 25% do maior valor encontrado na imagem
borrada
I Representação das maiores e mais brilhantes áreas da imagem

I Filtros não lineares

I Baseados na ordenação dos pixels afetados pela máscara
I Valor do centro é determinado pelo resultado da ordenação
I Filtro da mediana
I Mais conhecido
I Substitui o pixel central pela mediana na ordenação
I Bons resultados com certos tipos de ruı́dos randômicos, como
o sal-e-pimenta
I Borram menos que filtros lineares

Filtro da Mediana
I Mediana ξ de um conjunto de valores

I Metade dos valores do conjunto é maior ou igual a ξ
I Metade dos valores do conjunto é menor ou igual a ξ
I Exemplo com vizinhança 3×3: mediana é o 5o maior valor

Filtro da Mediana
I Valores similares são agrupados

I Exemplo
I Força pontos diferentes dos outros para as extremidades
I Filtro da mediana com n×n
I Elimina clusters isolados com área menor que n2 /2 (metade da
área do filtro)

Filtro da Mediana
I Raio-X ruidoso de uma placa, filtro da média e da mediana

I Filtro máximo:
I Usa o elemento de maior valor na ordenação
I Encontra pontos brilhantes na imagem
I Exemplo: máscara 3×3: R = max {zk |k = 1, 2, ..., 9}
I Filtro mı́nimo:
I Usa o elemento de menor valor na ordenação
I Exemplo: máscara 3×3: R = min{zk |k = 1, 2, ..., 9}

Sumário
Introdução
Filtragem Espacial
Filtro da Mediana
Fundamentos
Laplaciano
Gradiente
I Destaque de detalhes na imagem

I Realce de detalhes que foram borrados
I Uso em sistemas militares e imageamento médico

I Se a suavização é análoga à integração, o aguçamento pode

ser conseguido através da diferenciação
I Resposta do operador derivativo é proporcional ao grau de
descontinuidade da imagem no ponto avaliado

Fundamentos
Fundamentos
I Derivadas de primeira e segunda ordem

I Identificação de descontinuidades: caso com uma dimensão
I Função digital: derivada é definida em função de diferenças

Fundamentos
Fundamentos
I Primeira derivada:
I = 0 em segmentos planos
I 6 0 em transições entre degraus ou rampas
=
I 6 0 ao longo de rampas com curva constante
=
I Segunda derivada:
I = 0 em segmentos planos
I 6= 0 em transições entre degraus ou rampas
I = 0 ao longo de rampas com curva constante

Fundamentos
Fundamentos
I Maior diferença possı́vel de nı́vel de cinza é finita

I Menor distância em que ela pode ocorrer é entre pixels
adjacentes
I Definição básica de uma derivada parcial de primeira ordem:

Fundamentos
Fundamentos
I Similarmente, uma derivada de segunda ordem:
I Definições satisfazem as condições anteriores

Fundamentos
Fundamentos

Fundamentos
Fundamentos

Fundamentos
Fundamentos
I Derivadas de primeira ordem:

I Geralmente produzem arestas mais grossas na imagem
(rampas)
I Têm resposta mais forte a degraus no nı́vel de cinza
I Derivadas de segunda ordem:
I Geralmente produzem arestas mais finas na imagem (rampas)
I Têm uma resposta mais forte a linhas finas e pontos isolados
I Produzem resposta dupla em degraus no nı́vel de cinza

I Uso de derivadas de segunda ordem bidimensionais para realce

de imagens
I Formulação discreta para a derivada de segunda ordem
I Construção de máscara com base na formulação
I Interesse em filtros isotrópicos: invariantes a rotação

Laplaciano
I Operador derivativo isotrópico simples
I Definido para uma imagem f (x , y ) como:
I Na forma discreta:

Laplaciano
I Laplaciano na forma discreta:

Laplaciano
I Implementação como filtro linear:
I Resultados isotrópicos em rotações com incremento de 90◦

Laplaciano
I Direção diagonal pode ser considerada com adição de mais
termos à equação:
I Cada termo diagonal traz um termo -2f(x,y), resultando em

-8f(x,y)
I Resultados isotrópicos em rotações com incremento de 45◦

Laplaciano
I Implementações baseada no negativo do Laplaciano:
I Resultados similares aos correspondentes

I Atenção ao sinal na combinação da imagem filtrada com
outras imagens

Laplaciano
I Destaca descontinuidades
I Tira a ênfase de regiões com variação gradual de cor
I Linhas acinzentadas em fundo escuro
I Adição das imagens filtradas à original
I Fundo preservado, com realce nas arestas
I Laplace com centro negativo deve ser subtraı́do

Laplaciano
I Imagem da Lua: original; aplicação do filtro laplaciano;

resultado com ajuste na faixa dinâmica; soma da original com
bordas

Laplaciano

I Simplificação: filtro laplaciano e soma à imagem em uma

única máscara


I Simplificação: implementação do filtro


I Simplificação: implementação do filtro


I São implementadas através da magnitude do gradiente
I Gradiente para uma função f (x , y ) (vetor coluna
bidimensional):
I Magnitude do vetor:

Gradiente
I Componentes do vetor gradiente

I São operadores lineares
I Não são invariantes à rotação
I Magnitude do gradiente
I Não é um operador linear
I Invariante à rotação
I Uso comum do termo gradiente para se referir à magnitude
do gradiente

Gradiente
I Magnitude do gradiente:
I Aproximação da magnitude do gradiente:
I Mais simples de computar, preserva mudanças relativas

Gradiente
I Aproximação digital considerando região 3 × 3:
I Gx = (z8 − z5 )
I Gy = (z6 − z5 )
I Roberts (diferenças cruzadas):
I Gx = (z9 − z5 )
I Gy = (z8 − z6 )

Gradiente - Roberts
I Gradiente pode então ser computado como:
I Uso de valores absolutos

Gradiente - Roberts
I Implementação com uso de duas máscaras:

Gradiente - Sobel
I Implementação com valores absolutos e máscara 3 × 3:
I Diferença entre terceira e primeira linhas aproximam a

derivada na direção x
I Diferença entre terceira e primeira colunas aproximam a
derivada na direção y
I Conhecida como operador de Sobel

Gradiente - Sobel
I Implementação com valores absolutos e máscara 3 × 3:
I Máscara:

Gradiente - Sobel
I Peso 2 dá maior contribuição ao ponto central, dando um

pouco de suavidade ao resultado
I Todas as máscaras somam zero
I Resposta 0 em áreas com cores constantes
I Caracterı́stica de filtro derivativo

Gradiente
I Frequentemente usado na indústria

I Inspeção automatizada, detecção de defeitos
I Sistemas de auxı́lio a humanos
I Exemplo: inspeção de lentes de contato

Gradiente - Exemplo
I Aplicação de filtros de Sobel: inspeção

I Destaque de pequenos ruı́dos: imperfeições na lente, ou
partı́culas no fluido
I Destaque de pequenas descontinuidades

Gradiente - Exemplo

Sumário
Introdução
Filtragem Espacial
Filtro da Mediana
Fundamentos
Laplaciano
Gradiente
I Até o momento foi dado foco à aplicação individual de

métodos de realce
I Uma tarefa de realce frequentemente envolve a combinação
de técnicas totalmente diferentes
I Exemplo de combinação

Escaneamento de ossos
I Detecção de doenças como infecções e tumores
I Baixa faixa dinâmica e alto nı́vel de ruı́do
I Como destacar mais os detalhes?


I Estratégia:
I Laplaciano pra destacar detalhes finos
I Gradiente pra destacar arestas proeminentes
I Versão borrada da imagem do gradiente é usada como máscara
na imagem do Laplaciano
I Aumento da faixa dinâmica com transformação dos nı́veis de
cinza

(a)Original
(b)Laplaciano (centro 8) com escala

(c)Adição das imagens (a) e (b): ruı́do

(d)Sobel de (a)

(e) Sobel com filtro da média 5 × 5

(f) Produto de (c) com (e)

(g) Soma de (a) e (f)

Transformação de potência de (g)

Referências:
I Capı́tulo 3 do Gonzalez e Woods. Digital Image Processing,

2a edição.
I Capı́tulo 4 do Gonzalez e Woods. Processamento Digital de
Imagens, 1a edição.

Filtragem Dominio Espaco

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Filtragem Dominio Espaco

Enviado por

Direitos autorais:

Formatos disponíveis

Filtragem no Domı́nio do Espaço

Processamento de Imagens e Computação Gráfica

Filtragem no Domı́nio do Espaço

Profa. Beatriz Trinchão Andrade

Departamento de Computação · UFS

Profa. Beatriz Trinchão Andrade 1 / 73

I Operações de vizinhança operam com:

Profa. Beatriz Trinchão Andrade 4 / 73

Profa. Beatriz Trinchão Andrade 5 / 73

w (0, 0) coincide com f (x , y )

Profa. Beatriz Trinchão Andrade 7 / 73

I Máscara deve ser aplicada para x = 0, 1, 2, ..., M − 1 e

Profa. Beatriz Trinchão Andrade 8 / 73

Profa. Beatriz Trinchão Andrade 9 / 73

I Filtros espaciais não lineares

Profa. Beatriz Trinchão Andrade 10 / 73

I Centro da máscara próximo da borda da imagem.

Profa. Beatriz Trinchão Andrade 11 / 73

Profa. Beatriz Trinchão Andrade 13 / 73

Filtros de Suavização Lineares

I Resposta é a média dos pixels contidos na vizinhança da

Profa. Beatriz Trinchão Andrade 14 / 73

Filtros de Suavização Lineares

Profa. Beatriz Trinchão Andrade 15 / 73

Filtros de Suavização Lineares

I Filtro da esquerda: média padrão (box filter )

Profa. Beatriz Trinchão Andrade 16 / 73

Filtros de Suavização Lineares

I Filtro da esquerda: média padrão (box filter )

Profa. Beatriz Trinchão Andrade 16 / 73

Filtros de Suavização Lineares

I Implementação de um filtro baseado em média ponderada:

Profa. Beatriz Trinchão Andrade 17 / 73

Imagem original e com máscara n=3

Profa. Beatriz Trinchão Andrade 18 / 73

Profa. Beatriz Trinchão Andrade 19 / 73

Profa. Beatriz Trinchão Andrade 20 / 73

Profa. Beatriz Trinchão Andrade 21 / 73

Filtros de Suavização Lineares

Profa. Beatriz Trinchão Andrade 22 / 73

Imagem do Hubble (n=15 e limiarização)

Profa. Beatriz Trinchão Andrade 23 / 73

Imagem do Hubble (n=15 e limiarização)

Profa. Beatriz Trinchão Andrade 24 / 73

Filtros de Estatı́stica de Ordem

I Filtros não lineares

Profa. Beatriz Trinchão Andrade 25 / 73

I Mediana ξ de um conjunto de valores

Profa. Beatriz Trinchão Andrade 26 / 73

I Valores similares são agrupados

Profa. Beatriz Trinchão Andrade 27 / 73

I Raio-X ruidoso de uma placa, filtro da média e da mediana

Profa. Beatriz Trinchão Andrade 28 / 73

Outros Filtros de Estatı́stica de Ordem

Profa. Beatriz Trinchão Andrade 29 / 73

Filtros Espaciais de Aguçamento

I Destaque de detalhes na imagem

Profa. Beatriz Trinchão Andrade 31 / 73

Filtros Espaciais de Aguçamento

I Se a suavização é análoga à integração, o aguçamento pode

Profa. Beatriz Trinchão Andrade 32 / 73

I Derivadas de primeira e segunda ordem

Profa. Beatriz Trinchão Andrade 33 / 73