Bulanık Medyan Filtresi – Multimedya Bölümü – Multimedya Bölümü Ödevleri – Multimedya Bölümü Tez Yaptırma –Multimedya Bölümü Ödev Ücretleri

Bulanık Medyan Filtresi

Uyarlanabilir çok kanallı filtrenin kullanılması gerektiğini ve işlem penceresi içindeki wi ∀i ağırlıklarının atanması gerektiğini varsayalım. Tasarım hedefini göz önünde bulundurun: xi, açı kriteri ile ölçüldüğü üzere merkezi olarak konumlandırılmıştır ve xi, Minkowski mesafesi kullanılarak merkezi olarak konumlandırılmıştır.

Bu ifade için bir bulanık üyelik fonksiyonu kurmayı amaçlıyoruz. İlk adım, bu ifadenin, önceki bölümde tartışılanlar gibi temel üyelik fonksiyonları kullanılarak gerçekleştirilebilen iki tasarım hedefi arasındaki bir bileşim olduğunu anlamaktır. Ardından, telafi operatörü kullanılarak genel fonksiyon elde edilebilir.

Bu noktada kompanzasyon operatörünün filtremizdeki etkisini netleştirmemiz gerekiyor. Yukarıdaki tasarım hedefinde, Öklid mesafesine göre daha az merkezi konumlu bir vektöre sahip olmakla birlikte açı kriteri kullanılarak daha merkezi konumlu bir vektöre sahip olunarak aynı çekicilik derecesine ulaşılabilir ve bunun tersi de geçerlidir. Yani, “açı kriteri ile” nin daha yüksek değeri, “Minkowski mesafesinin kullanılması” ndaki daha düşük üyelik değerini telafi eder.

İki temel üyelik fonksiyonu ve eşit üslerin özel durumu için, (5.18)’de tanımlanan telafi edici operatör, ağırlıklı üyelik çarpımı biçimine sahiptir. Böylece, kullanılan t-norm veya t-conorm’a bağlı olarak, genel bulanık fonksiyon tanımlanabilir.

(5.21)’den kolayca görülebilir ki, minimum ve maksimum operatörler ve eşit güçler için (5.18)’deki operatör, ortalama operatör ailesinin bir üyesi olan geometrik ortalama biçimine sahiptir.

Genel olarak, temel üyelik fonksiyonlarının tanımındaki olası ölçek farklılıklarını emecek ek ağırlıklandırma faktörleri kullanılmalıdır. Ancak burada kullanılan iki temel fonksiyon [0, 1] aralığında değerler aldığı için böyle bir ağırlıklandırma faktörüne gerek yoktur.

Tanımlanan ortalama alma operatörü ve tanımlanan iki telafi edici operatör, elementel bulanık dönüşümlerin elementel ağırlıkları oluşturmak için kullanılmış olması koşuluyla, bulanık ağırlıkları tanımlamak için kullanılabilir.

Bununla birlikte, sonuçlarımızın anlamlı olabilmesi için, uygulanan doğrusal olmayan operatörün, uygulamasının ağırlıklar hakkındaki temel kararları hiçbir şekilde değiştirmeyeceğini garanti edecek bazı özellikleri sağlaması gerekir. Literatürde, tüm toplama veya telafi edici operatörlerin karşılaması gereken bir dizi özellik vardır. Bu alt bölümde, uyarlamalı ağırlıkları hesaplamak için kullanmayı düşündüğümüz operatörlerin bu özellikleri karşılayıp karşılamadığını inceleyeceğiz.

Birleştirerek, içinde tanımlanan operatörün monotonluk gereksinimini karşıladığı sonucuna varabiliriz. Ayrıca burada tanıtılan operatörlerin simetrik (nötr) olduğunu görmek zor değil. Bu özellik, temel işlevlerin sunum sırasının genel üyelik değerini etkilemediğini garanti eder.

Özetle, bulanık ağırlık hesaplamaları için kullanmayı düşündüğümüz telafi edici operatörlerin, nötrlük ve monotonluk gibi bir dizi doğal özelliği karşılayan bir toplama sınıfına karşılık geldiğini kanıtladık.

Toplam ağırlığı oluşturmak için bir bulanık toplayıcı kullanma kararı keyfi değildir. Aksine, operatörün tasarım amacını gerçekleştirmemize yardımcı olması beklenir. Ağırlık belirleme prosedüründe farklı mesafelerin bir kombinasyonunun kullanılmasının filtre performansını artırması beklenmektedir.

Gauss filtresi
Medyan filtresi
Matlab görüntü işleme filtreler
Görüntü işleme FİLTRELEME çeşitleri
Medyan filtre nedir
Medyan filtre Matlab
Sobel filtresi
Görüntü işleme filtreler

Yukarıda tanımlanan operatörlerin her biri, temel üyelik değerlerindeki göreli değişikliklere duyarlı olan ve amacımıza ulaşmamıza yardımcı olan bir son üyelik fonksiyonu üretebilir. Bulanık ağırlıkları için bu üyelik fonksiyonunu kullanan bir bulanık filtre, birleşik bir VMF ve VDF’nin bulanık bir genellemesini oluşturur.

Bu tasarım aracılığıyla, uygun üyelik fonksiyonunu belirleme probleminin, olası fonksiyonların bir koleksiyonunu birleştirme problemine dönüştüğü vurgulanmalıdır. Bu, kabul edilebilir üyelik fonksiyonları fiziksel hususlardan veya tasarım spesifikasyonlarından bilinebileceğinden, karmaşıklığı önemli ölçüde azaltılmış bir problem de teşkil eder.

Önerilen uyarlanabilir tasarım, ölçeklenebilir bir tasarımdır. Tasarımcı, bireysel üyelik fonksiyonlarının sayısını ve biçimini belirleyerek nihai üyelik fonksiyonunun karmaşıklığını da kontrol eder.

Problem spesifikasyonuna ve hesaplama kısıtlamalarına bağlı olarak tasarımcı, son ağırlıklandırma fonksiyonunda kullanılacak uygun sayıda temel fonksiyon da seçebilir. Üyelik fonksiyonunun şekli (örneğin, sigmoidal veya üstel), olası temel bulanık dönüşümler arasında ayrım yapan tek parametre de değildir.

Tasarımcı, temel işlevler için aynı formu kullanmaya karar verebilir ve bunlara farklı parametre değerleri atayabilir (örneğin, farklı r veya β). Daha sonra, bireysel fonksiyonların uygun bir kombinasyonu kullanılarak genel bir üyelik fonksiyonu tasarlanabilir. Önerilen filtrenin hesaplama verimliliği, yalnızca seçilen üyelik fonksiyonunun biçimine veya toplama için kullanılan operatöre değil, her ikisine de bağlıdır.

Üyelik fonksiyonunun bu paralel, uyarlamalı çevrimiçi belirlemesi, zaman alıcı yinelemeli süreçler olmadan hızlı bir tasarıma da izin verir. Filtrenin çıktısı herhangi bir yineleme olmaksızın tek geçişte de hesaplanır.

Bu nedenle, filtremiz “iyi” bir ilk tahmine bağlı değildir. Aksine, belirli bir başlangıç değerinden başlayan yinelemeli öğrenme filtrelerinin, filtrenin performansı üzerinde derin sonuçlar doğuracak şekilde yerel optimuma hapsolması da muhtemeldir.

Ayrıca, tasarımımızda, yinelemeli uyarlanabilir tasarımlarda öğrenmeye yardımcı olmak için gereken eğitim sinyaline gerek yoktur. Nihai bulanık üyelik fonksiyonu, bu tür yaklaşımlar genellikle önyargılı çözümlere yol açtığından, herhangi bir yetersiz yerel gürültü veya sinyal istatistik değerlendirmesi olmaksızın da belirlenir.

Bu nedenle, uyarlanabilir çok kanallı filtrelerimiz, eğitim dizilerinin mevcudiyeti hakkında gerçekçi olmayan varsayımlara dayanan diğer “eğitilebilir” çok kanallı filtrelerin aksine, gerçek zamanlı görüntü uygulamalarında da kullanılabilir.

Renkli Görüntülere Uygulama

Burada tanıtılan yeni filtrelerin performansı aşağıda değerlendirilmiştir. Değerlendirme, renkli bir test görüntüsü kullanılarak gerçekleştirilir ve performansları VMF, temel vektör yönlü filtre (BVDF), genelleştirilmiş vektör yönlü filtre (GVDF), aritmetik ortalama filtre (AMF) gibi popüler vektör işleme filtrelerine göre de ölçülür.

Amacımız, mesafenin bulanık dönüşümlerine dayalı tüm farklı uyarlamalı filtreleri geliştirmek değil, ancak bir bulanık toplayıcı veya dengeleyici kullanarak performans açısından sağlanan iyileştirmeyi göstermek olduğundan, açıklanan mesafe kriterlerine ve temel dönüşümlere dayalı beş farklı filtre oluşturuyoruz.  Kolaylık sağlamak için aşağıdaki notasyon da kullanılmıştır.

Makale Deniz

Biyografinin Tamamını Gör