Renkli Görüntü Filtreleme – Multimedya Bölümü – Multimedya Bölümü Ödevleri – Multimedya Bölümü Tez Yaptırma –Multimedya Bölümü Ödev Ücretleri

Renkli Görüntü Filtreleme

Çok kanallı görüntülerin filtrelenmesi, renkli görüntülerin işlenmesindeki önemi nedeniyle artan ilgi görmüştür. Çok kanallı görüntü işleme için bugüne kadar çok sayıda filtreleme tekniği önerilmiştir. Görüntülere uygulanan doğrusal olmayan filtreler, kenarları ve ayrıntıları korumak ve dürtüsel ve Gauss gürültüsünü ortadan kaldırmak için gereklidir. Öte yandan, çok kanallı görüntülerin vektör işlenmesi, filtreleme ve kenar belirleme için en etkili yöntemlerden birini oluşturmaktadır.

Sıra istatistiklerine (OS) dayalı doğrusal olmayan filtreler, gürültü nedeniyle bozulan görüntüleri düzeltmek ve geri yüklemek için geçmişte yaygın olarak kullanılmıştır. Son zamanlarda, görüntü filtreleme için mesafe ölçümlerini kullanan çok değişkenli vektörler arasındaki korelasyonu kullanan bir dizi çok kanallı filtre önerilmiştir. Bunlar arasında vektör medyan filtresi, vektör yönlü filtre, bulanık vektör filtresi ve ağırlıklı ortalama filtresinin farklı versiyonları bulunur.

Sıra istatistiklerine dayalı doğrusal olmayan çok kanallı filtrelerin yanı sıra, son zamanlarda görüntü işleme için bir dizi bulanık operatör geliştirilmiştir. Verilerdeki yerel korelasyon, bulanık kuralları doğrudan operasyonel pencerede bulunan piksellere uygulayarak kullanılır. Bulanık işlemenin çıktısı, bulanık kurala ve farklı kuralların etkilerini bir çıktı değerinde birleştiren durulaştırma sürecine bağlıdır.

Bununla birlikte, bulanık görüntü işlemi için gerekli olan bulanık kuralların sayısını ve türünü belirlemenin optimal bir yolu yoktur. Genellikle, çok sayıda kural gereklidir ve tasarımcı, kalite ve kural sayısı arasında ödün vermek zorundadır, çünkü ortalama bir işleme penceresi için bile çok sayıda kural gerekir.

Çoğu filtre belirli bir uygulamada iyi performans gösterecek şekilde tasarlandığından ve farklı çalışma senaryoları altında performansları hızla kötüleştiğinden, mevcut çok sayıda filtre uygulayıcıya bazı güçlükler getirir. Bu nedenle, çok çeşitli uygulamalarda eşit derecede iyi performans gösteren doğrusal olmayan uyarlanabilir bir filtre büyük önem taşımaktadır.

Amacımız, sinyal veya gürültü özellikleri hakkında herhangi bir varsayımda bulunmadan kabul edilebilir sonuçlar verecek basit, hesaplama açısından verimli ve güvenilir bir filtre yapısı tasarlamaktır. Bu görevde bize yardımcı olması için bulanık operatörler kullanılır. Sonuç olarak, ikinci bir amaç, toplama operatörlerini incelemek, özelliklerini analiz etmek ve çok kanallı filtrelerin tasarımına uygulanabilirliğini doğrulamaktır.

Filtreleme Yapısı

y(x) : Zl → Zm çok kanallı bir görüntüyü temsil etsin ve W⊂Zl sonlu boyutta n (filtre uzunluğu) olan bir pencere olsun. Pencere W içindeki gürültülü görüntü pikselleri xj , j = 1, 2, olarak gösterilir. . . , N. Filtre sınıfının genel formu, W penceresi içindeki girdi vektörlerinin bulanık ağırlıklı ortalaması olarak verilir. Bozulmamış çok kanallı sinyal, işleme penceresi içindeki vektör kümesinin ağırlık merkezi belirlenerek tahmin edilir. Bu nedenle, filtrenin pencere merkezindeki çıktısı önemlidir.

Filtre ağırlıkları, her görüntü pozisyonunda bir mesafe kriterinin dönüşümleri kullanılarak uyarlamalı olarak belirlenir. Bu ağırlıklandırma katsayıları, pencerenin merkezi (incelenen piksel) ile filtre penceresi içindeki tüm örnekler arasındaki mesafelerin toplamının dönüşümleridir.

Dönüşüm, belirli pencere bileşenine göre üyelik fonksiyonu anlamına gelir. Bu nedenle, bulanık ağırlıklar, bir girdi vektörünün çıktıya katkı derecesini sağlayarak, filtre yapısını verilere bağımlı hale getirir. Böyle bir bakış açısından, çok kanallı sinyalin belirsizliğini göz önünde bulundurarak küme merkezini belirlemek için bir bulanık kümeleme yaklaşımı tanıtılmıştır.

Burada önerilen filtre yapısı, mesafe kavramlarını veriye bağlı filtreler ve bulanık üyelik fonksiyonları ile birleştirir. Normalleştirme prosedürü aracılığıyla, çıktının yansız bir tahminci olmasını sağlamak için gerekli olan iki kısıtlama karşılanır:

• Her ağırlık pozitif bir sayıdır, ξj ≥ 0.
• Tüm ağırlıkların toplamı bire eşittir, nj=1 ξj = 1.

Çok kanallı filtrelemede, pencere merkezindeki vektörle aynı bölgeden olan tüm vektörlerde yumuşatma yapılması arzu edilir. Kenarlarda ve çizgilerde, filtre pencere merkezindeki vektörle yalnızca kenarın aynı tarafındaki pikselleri yumuşatmalıdır.

Görüntü işleme filtreler
Matlab görüntü işleme filtreler
Görüntü işleme FİLTRELEME çeşitleri
Gauss filtresi
Gauss filtreleme
Medyan filtre nedir
Görüntü İŞLEMENİN TEMELLERİ Ders Notları
Mean filtre

Önerilen algoritma, pencere içindeki belirli bir noktaya, vektörler kümesinde tanımlanan bazı üyelik fonksiyonlarını atar ve daha sonra nihai çıktıyı hesaplamak için bu üyelik değerlerini kullanır. Bulanık ağırlıklar, incelenen vektörlerin aynı bölgeden geldiğine dair güveni temsil eder.

Bu nedenle, ağırlıkları, belirli bir vektör ile işletim penceresi içindeki komşuları arasındaki mesafe ölçüsü cinsinden farkla orantılı yapmak mantıklıdır.

Bu şekilde, geçerli piksel yüksek ayrıntıya sahip bir alana yakın olduğunda, nispeten büyük mesafe değerlerine sahip vektörlere daha küçük ağırlıklar atanacak ve nihai filtre tahminine daha az katkıda bulunacaktır. Böylece, hesaplama çabası açısından önemli tasarruflarla, filtrelemeden önceki kenar veya çizgi algılama işlemlerinden kaçınılabilir.

Sunulan filtreleme yapısı, operasyonel pencere içindeki mesafeler kullanıldığı için R-sıralama tabanlı çok kanallı bir filtre olarak düşünülebilir. Ancak, herhangi bir R-sıralama tabanlı filtrenin aksine, vektörleri sıralamak için mesafeler kullanılmaz. Aksine, aykırı değerlere ihmal edilebilir ağırlıklar atanacak şekilde vektörleri ağırlıklandırmak için kullanılırlar.

Buradaki yapı, pencere merkezindeki gürültülü vektörün değerinin, işletim penceresi içindeki tüm noktaların ağırlıklı ortalama değeri ile değiştirildiği, uyarlanabilir bir filtrenin bilinen biçimine sahiptir. Ayrıca, mevcut doğrusal veya doğrusal olmayan ortalama alma filtrelerinin bir genellemesi olarak da görülebilir.

Spesifik olarak, ağırlıklandırma katsayıları sabitse, bir doğrusal kaydırma değişmez sonlu darbe tepkisi filtresi tasarlanır. Böyle bir filtre sinyali yumuşatır ancak aynı zamanda sinyal sınırlarını (örneğin, görüntü kenarları) bulanıklaştırır. Sorunu hafifletmek için uyarlanabilir metodolojiler, yani uyarlanabilir olarak belirlenmiş katsayılara sahip filtre yapıları tanıtıldı.

Bununla birlikte, sinyal ve istenen yanıt hakkında önceden bilgi gereklidir. Daha sonra uyarlanabilir filtrenin katsayıları, belirli bir hata kriterine göre belirli bir gürültü dağılımı için optimize edilebilir. Ancak, bu tür bilgiler gerçekçi sinyal işleme uygulamalarında mevcut değildir. Eğitim sinyallerine dayalı öğrenme şemaları, ağır hesaplama gereksinimleri olan yinelemeli süreçlerdir.

Gerçek zamanlı uygulamaları genellikle mümkün değildir. Diğer uyarlanabilir filtreler, değişken katsayılara sahip Wiener filtresinin farklı biçimlerine dayanır. Bununla birlikte, bu filtreler, giriş sinyalinin ve mevcut istenen yanıtın durağan ergodik süreçler olduğu varsayımına dayanmaktadır. Bu, birçok pratik uygulama için doğru değildir. Diğer yaklaşımlar, ağırlıkları uyarlamalı olarak hesaplamak için sinyalin bir kısmında yerel istatistikleri kullanır.

Bu tasarımlarda, varsayımın her zaman geçerli olmadığı bilinmesine rağmen, hesaplamalarda örnek ortalama ve örnek gürültü kovaryansının kullanımını haklı çıkarmak için gürültü istatistiklerinin genellikle ergodik olduğu varsayılır.

Özetle, bu filtreler, gerçek görüntü işleme sorunlarıyla karşı karşıya kalan mühendisler için yararlı olmaktan çok kafa karıştırıcıdır. Aksine, burada önerilen doğrusal olmayan şema basittir. Uyarlanabilir ancak katsayıları karmaşık yinelemeli prosedürler kullanılarak hesaplanmaz.

Makale Deniz

Biyografinin Tamamını Gör