Moving Average Bildverarbeitung

Die Wissenschaftler und Ingenieure Leitfaden für digitale Signalverarbeitung Von Steven W. Smith, Ph. D. Kapitel 1: Die Breite und Tiefe der DSP-Bilder sind Signale mit besonderen Eigenschaften. Erstens sind sie ein Maß für einen Parameter über den Raum (Abstand), während die meisten Signale ein Maß für einen Parameter über die Zeit sind. Zweitens enthalten sie viele Informationen. Zum Beispiel können mehr als 10 Megabyte erforderlich sein, um eine Sekunde des Fernsehvideos zu speichern. Dies ist mehr als tausendmal größer als bei einem ähnlich langen Sprachsignal. Drittens ist der abschließende Qualitätsurteil oft eine subjektive menschliche Bewertung und nicht ein objektives Kriterium. Diese speziellen Eigenschaften haben die Bildverarbeitung zu einer eigenen Untergruppe innerhalb von DSP gemacht. Medical Im Jahr 1895 entdeckte Wilhelm Conrad Rntgen, dass Röntgenstrahlen durch erhebliche Mengen an Materie. Medizin wurde durch die Fähigkeit, in den lebenden menschlichen Körper zu sehen revolutioniert. Medizinische Röntgensysteme auf der ganzen Welt in nur wenigen Jahren verteilt. Trotz ihres offensichtlichen Erfolges wurde die medizinische Röntgen-Bildgebung durch vier Probleme begrenzt, bis DSP und verwandte Techniken in den 1970er Jahren kam. Erstens können sich überlappende Strukturen im Körper hintereinander verstecken. Zum Beispiel, Teile des Herzens möglicherweise nicht sichtbar hinter den Rippen. Zweitens ist es nicht immer möglich, zwischen ähnlichen Geweben zu unterscheiden. Zum Beispiel kann es in der Lage, Knochen von Weichgewebe trennen, aber nicht unterscheiden einen Tumor aus der Leber. Drittens zeigen Röntgenbilder Anatomie. Die bodys Struktur und nicht die Physiologie. Die bodys Operation. Das Röntgenbild einer lebenden Person sieht genauso aus wie das Röntgenbild eines Toten. Eine Röntgenbelichtung kann Krebs verursachen und muss nur sparsam und nur mit richtiger Rechtfertigung verwendet werden. Das Problem der überlappenden Strukturen wurde 1971 mit der Einführung des ersten Computertomographen (früher als Computertomographie oder CAT-Scanner bezeichnet) gelöst. Die Computertomographie (CT) ist ein klassisches Beispiel für die digitale Signalverarbeitung. Röntgenstrahlen aus vielen Richtungen werden durch den Abschnitt des zu untersuchenden Patienten geführt. Anstatt einfach Bilder mit den detektierten Röntgenstrahlen zu bilden, werden die Signale in digitale Daten umgewandelt und in einem Computer gespeichert. Die Information wird dann verwendet, um Bilder zu berechnen, die scheinen, durch den Körper zu scheinen. Diese Bilder zeigen viel größere Details als herkömmliche Techniken, die eine wesentlich bessere Diagnose und Behandlung ermöglichen. Die Auswirkungen der CT war fast so groß wie die ursprüngliche Einführung der Röntgenbildgebung selbst. Innerhalb von nur wenigen Jahren hatte jedes große Krankenhaus der Welt Zugang zu einem CT-Scanner. Im Jahr 1979, zwei der CT-Prinzip-Beitragszahler, Godfrey N. Hounsfield und Allan M. Cormack, teilte den Nobelpreis in der Medizin. Das ist gut DSP Die letzten drei Röntgenprobleme wurden durch die Verwendung von durchdringender Energie außer Röntgenstrahlung, wie Radio und Schallwellen, gelöst. DSP spielt eine Schlüsselrolle bei all diesen Techniken. Zum Beispiel verwendet Magnetresonanztomographie (MRT) Magnetfelder in Verbindung mit Funkwellen, um das Innere des menschlichen Körpers zu untersuchen. Eine korrekte Einstellung der Stärke und Häufigkeit der Felder bewirkt, daß die Atomkerne in einer lokalisierten Region des Körpers zwischen Quantenenergiezuständen resonieren. Diese Resonanz führt zur Emission einer sekundären Funkwelle, die mit einer Antenne in der Nähe des Körpers erfaßt wird. Die Stärke und andere Eigenschaften dieses detektierten Signals liefern Informationen über den lokalisierten Bereich in Resonanz. Die Einstellung des Magnetfeldes ermöglicht es, den Resonanzbereich im ganzen Körper abzutasten und die innere Struktur abzubilden. Diese Informationen werden in der Regel als Bilder, wie in der Computertomographie dargestellt. Neben der Bereitstellung von ausgezeichneter Diskriminierung zwischen verschiedenen Arten von Weichgewebe, kann MRT Informationen über die Physiologie, wie Blutfluss durch Arterien liefern. MRI stützt sich völlig auf digitale Signalverarbeitungstechniken und konnte nicht ohne sie implementiert werden. Space Manchmal müssen Sie nur das Beste aus einem schlechten Bild zu machen. Dies ist häufig der Fall bei Bildern von unbemannten Satelliten und Weltraumforschungsfahrzeugen. Niemand wird einen Monteur an den Mars zu senden, nur um die Knöpfe auf einer Kamera zu optimieren DSP kann die Qualität der Bilder unter extrem ungünstigen Bedingungen in mehrfacher Hinsicht verbessern: Helligkeit und Kontrasteinstellung, Kantenerkennung, Rauschunterdrückung, Fokuseinstellung, Bewegungsunschärfe Reduktion usw. Bilder, die eine räumliche Verzerrung aufweisen, wie sie bei der Aufnahme eines flachen Bildes von einem sphärischen Planeten auftreten, können auch in eine korrekte Darstellung verzogen werden. Viele einzelne Bilder können auch zu einer einzigen Datenbank zusammengefasst werden, so dass die Informationen auf einzigartige Weise angezeigt werden können. Beispielsweise eine Videosequenz, die einen Flugflug über die Oberfläche eines entfernten Planeten simuliert. Commercial Imaging Products Der große Informationsgehalt in Bildern ist ein Problem für Systeme, die in der Masse Menge an die breite Öffentlichkeit verkauft werden. Kommerzielle Systeme müssen billig sein. Und dies nicht gut mesh gut mit großen Speichern und hohe Datenübertragungsraten. Eine Antwort auf dieses Dilemma ist die Bildkompression. Genau wie bei Sprachsignalen enthalten Bilder eine enorme Menge an redundanten Informationen und können durch Algorithmen ausgeführt werden, die die Anzahl von Bits reduzieren, die benötigt werden, um sie darzustellen. Fernsehen und andere bewegte Bilder eignen sich besonders zur Komprimierung, da der Großteil des Bildes von Bild zu Bild gleich bleibt. Kommerzielle Imaging-Produkte, die diese Technologie nutzen, umfassen: Videotelefone, Computerprogramme, die bewegte Bilder und digitales Fernsehen darstellen. Bildfilterung kann in zwei gruppiert werden, abhängig von den Effekten: Tiefpassfilter (Glättung) Tiefpaßfilterung (aka Glättung) , Verwendet, um ein hochfrequentes Rauschen aus einem digitalen Bild zu entfernen. Die Tiefpassfilter verwenden üblicherweise einen sich bewegenden Fensteroperator, der jeweils ein Pixel des Bildes beeinflusst, wobei sein Wert durch eine Funktion einer lokalen Region (Fenster) von Pixeln geändert wird. Der Bediener bewegt sich über das Bild, um alle Pixel im Bild zu beeinflussen. Hochpassfilter (Edge Detection, Sharpening) Ein Hochpassfilter kann verwendet werden, um ein Bild schärfer zu machen. Diese Filter unterstreichen feine Details im Bild - das Gegenteil des Tiefpaßfilters. Die Hochpaßfilterung arbeitet genauso wie eine Tiefpaßfilterung, die nur einen anderen Faltungskernel verwendet. Beim Filtern eines Bildes wird jedes Pixel durch seine Nachbarn beeinflusst, und der Nettoeffekt der Filterung bewegt Informationen um das Bild herum. In diesem Kapitel verwenden Sie dieses Bild: bogotobogo-Site-Suche: bogotobogo-Site-Suche: Mittlere Filterung ist einfach zu implementieren. Es wird als ein Verfahren zum Glätten von Bildern verwendet, wodurch der Betrag der Intensitätsveränderung zwischen einem Pixel und dem nächsten reduziert wird, wodurch das Rauschen in Bildern reduziert wird. Die Idee der mittleren Filterung ist einfach, jeden Pixelwert in einem Bild durch den mittleren (durchschnittlichen) Wert seiner Nachbarn, einschließlich sich selbst, zu ersetzen. Dies hat die Wirkung, Pixelwerte zu eliminieren, die für ihre Umgebung nicht repräsentativ sind. Eine mittlere Filterung wird üblicherweise als ein Faltungsfilter angesehen. Wie andere Windungen basiert es auf einem Kern, der die Form und Größe der Nachbarschaft repräsentiert, die bei der Berechnung des Mittelwerts abgetastet werden soll. Häufig wird ein 3-fach quadratischer Kernel verwendet, wie unten gezeigt: Der mf ist der mittlere Filter: Der Filter2 () ist definiert als: Y filter2 (h, X) filtert die Daten in X mit dem zweidimensionalen FIR-Filter in der Matrix h. Es berechnet das Ergebnis, Y, unter Verwendung der zweidimensionalen Korrelation und gibt den zentralen Teil der Korrelation zurück, der die gleiche Größe wie X hat. Er gibt den durch den Formparameter festgelegten Teil von Y zurück. Shape ist ein String mit einem dieser Werte: full. Gibt die vollständige zweidimensionale Korrelation zurück. In diesem Fall ist Y größer als X. gleich. (Default) Gibt den zentralen Teil der Korrelation zurück. In diesem Fall ist Y gleich groß wie X. gültig. Gibt nur die Teile der Korrelation zurück, die ohne nullgepolsterte Kanten berechnet werden. In diesem Fall ist Y kleiner als X. Nun wollen wir den im vorherigen Abschnitt definierten Kernel mit filter2 () anwenden: Wir können sehen, dass das gefilterte Bild (rechts) ein wenig verglichen mit dem ursprünglichen Eingang (links) . Wie zuvor erwähnt, kann das Tiefpassfilter verwendet werden. Lets es testen. Erstens, um die Eingabe ein wenig schmutzig, wir Spray einige Pfeffer und Salz auf das Bild, und wenden Sie dann die mittlere Filter: Es hat einige Auswirkungen auf das Salz und Pfeffer Rauschen, aber nicht viel. Es machte sie nur verwischt. Wie wäre es mit dem Versuch der Matlabs eingebauten Median Filter bogotobogo Website-Suche: bogotobogo Website-Suche: Median Filter - medfilt2 () Hier ist das Skript: Viel besser. Anders als der vorherige Filter, der gerade Mittelwert verwendet, dieses Mal benutzten wir Median. Das Medianfiltern ist ein nichtlinearer Vorgang, der häufig bei der Bildverarbeitung verwendet wird, um das Salz - und Pfeffergeräusch zu reduzieren. Beachten Sie auch, dass die medfilt2 () 2-D-Filter ist, so dass es nur für Graustufenbild funktioniert. Für Rauschentfernung für RGB-Bild gehen Sie bitte zum Ende dieses Kapitels: Entfernen von Rauschen im RGB-Bild. Matlab bietet eine Methode zum Erstellen eines vordefinierten 2-D-Filters. Sein fspecial (): h fspecial (type) erzeugt ein zweidimensionales Filter h des angegebenen Typs. Es gibt h als Korrelationskernel zurück, was für die Verwendung mit imfilter () die geeignete Form ist. Der Typ ist ein String mit einem dieser Werte: Matlab Bild - und Videobearbeitung OpenCV 3 - Bildverarbeitung OpenCV 3 Bild - und Videoverarbeitung mit Python