فیلترهایی برای کاهش نویز و تشخیص لبه

هدف این مقاله معرفی مفاهیم اولیه بینایی کامپیوتری و پردازش تصویر، یعنی فیلترهای  صاف کردن و شفاف کردن است.

از فیلترهای صاف کننده برای تاری و کاهش نویز استفاده می شود. دو نوع فیلتر محو کننده مورد بحث قرار خواهد گرفت:

• صاف کردن فیلترهای خطی
  صاف کردن فیلترهای غیر خطی

سپس فیلترهای تیز کردن را ارائه خواهیم کرد که انتقال در شدت را برجسته می کند:

• لاپلاس – استفاده از مشتق دوم
• گرادیان – استفاده از مشتق مرتبه اول
• اپراتورهای سوبل

فیلترهای صاف کننده

1.صاف کردن فیلترهای خطی

فیلترهای متوسط، مقدار میانگین پیکسل‌های یک همسایگی را می‌گیرند، که با اندازه یک ماسک (m-ستون و n ردیف) تعریف می‌شود. تقسیم بر مجموع مقادیر موجود در همسایگی برای عادی سازی مقادیر خروجی مهم است.

فیلتر خطی دیگر با یک فیلتر میانگین وزنی انجام می شود تا پیکسل ها را در ضرایب مختلف ضرب کند و در نتیجه به برخی از پیکسل های دیگر اهمیت (وزن) بیشتری می دهد.

در هر پیچیدگی میانگین خروجی را با مقادیر پیکسل های بیشتر محاسبه می کند. برای مثال، یک ماسک با m=15، اشیاء کوچک را در پس‌زمینه ترکیب می‌کند.

در نهایت، فیلتر گاوسی تصویری را با شکل زنگی که با توزیع نرمال آن یعنی تصویر (b) نمایش داده می شود، محو می کند.

2. صاف کردن فیلترهای غیر خطی

فیلترهای میانی به دلیل توانایی کاهش نویز ضربه ای به نام نویز نمک و فلفل محبوب ترین هستند. برای انجام فیلتر میانه در نقطه ای از یک تصویر، ابتدا مقادیر پیکسل های همسایه را مرتب می کنیم، میانه را تعیین می کنیم و سپس آن مقدار را به پیکسل مربوطه در تصویر فیلتر شده اختصاص می دهیم.

3.فیلترهای تیز کردن

این نوع فیلتر برای برجسته کردن تغییر شدت در لبه ها استفاده می شود.استفاده از مشتق اول بین یک تا پیکسل بعدی تغییر شدت را نشان می دهد. این را می توان در امتداد سطرها و ستون های ماتریس پیکسل انجام داد.

مشتق دوم فقط تغییر جهت را بیان می کند اما افزایش یا کاهش مداوم در مقدار پیکسل را بیان نمی کند.

لاپلاسی – مشتق دوم

این روش از مشتق دوم استفاده می کند و از نظر ریاضی به صورت زیر تعریف می شود:این ماسک‌ها جزئیات ظریف را بهبود می‌بخشند و ماسک‌های همسانگرد نامیده می‌شوند، زیرا نتایج یکسانی را روی تصاویر چرخش 90 درجه ارائه می‌کنند. در تصویر زیر دقت کنید که مجموع عناصر هر ماسک برابر با صفر است. دلیل آن این است که هنگام اعمال فرمول مشتق دوم بر روی هر پیکسل، مجموع تمام مشتقات برابر با صفر است. ما می خواهیم که ماسک تمام شدت تجمعی تصویر اصلی را حفظ کند.

گرادیان – مشتق اول

برای تشخیص عیوب در پیش پردازش بسیار مفید است.اولین مشتقات در پردازش تصویر با استفاده از بزرگی گرادیان پیاده سازی می شوند. این قدر میزان تغییر جهت شیب را بیان می کند. توجه داشته باشید که خواص همسانگرد با این فیلتر از بین می رود.

3. عملگر Sobel – با استفاده از گرادیان

این فیلتر شارپنینگ از یک ضریب برای صاف کردن تصویر خروجی و در عین حال افزایش لبه ها استفاده می کند. از وزن 2 در مرکز استفاده می کند. توجه داشته باشید که در تمام ماسک های نشان داده شده، مجموع برابر با صفر است، همانطور که از یک عملگر مشتق انتظار می رود.

به عنوان نتیجه، در پردازش تصویر بسیار رایج است که فیلترهای زیادی را در طول پیش پردازش ترکیب کنیم تا مجموعه داده آموزشی خود را هنگام استفاده از تکنیک‌های بینایی کامپیوتر و یادگیری ماشین افزایش دهیم. همانطور که گفته شد، فیلترها اغلب برای حذف نویز قبل از اعمال ماسک به منظور استخراج یک ویژگی خاص در یک تصویر ورودی استفاده می شوند.