flusserutia cas cz Prof Ing Jan Flusser Dr

  • Slides: 36
Download presentation
flusser@utia. cas. cz Prof. Ing. Jan Flusser, Dr. Sc. Digitální zpracování obrazu Lecture 1

flusser@utia. cas. cz Prof. Ing. Jan Flusser, Dr. Sc. Digitální zpracování obrazu Lecture 1

Image enhancement • Změny kontrastu a jasu • Potlačení šumu • Detekce a zvýraznění

Image enhancement • Změny kontrastu a jasu • Potlačení šumu • Detekce a zvýraznění hran

Detekce a zvýraznění hran • Jednoduché metody zaostření obrazu • Detekce hran

Detekce a zvýraznění hran • Jednoduché metody zaostření obrazu • Detekce hran

Jednoduché metody zaostření obrazu • Unsharp masking (neostré maskování) • Odečtení Laplace: f -

Jednoduché metody zaostření obrazu • Unsharp masking (neostré maskování) • Odečtení Laplace: f - ∆f

Unsharp masking

Unsharp masking

Jednoduché metody zaostření obrazu • Unsharp masking (neostré maskování)

Jednoduché metody zaostření obrazu • Unsharp masking (neostré maskování)

Neostré maskování - Laplace 010 A= 1/5 1 1 1 010 000 B= 010

Neostré maskování - Laplace 010 A= 1/5 1 1 1 010 000 B= 010 000 0 -1 0 B-A = 1/5 -1 4 -1 0

Neostré maskování orig

Neostré maskování orig

Zaostření obrazu - Laplace orig

Zaostření obrazu - Laplace orig

Přehnané zaostření obrazu - Laplace orig

Přehnané zaostření obrazu - Laplace orig

Detekce hran

Detekce hran

Detekce hran

Detekce hran

Detekce hran • Detektory založené na 1. derivaci obrazu • Detektory založené na 2.

Detekce hran • Detektory založené na 1. derivaci obrazu • Detektory založené na 2. derivaci obrazu • Detektory které nepracují s derivacemi • Detekce hran ve Fourierově oblasti

Gradient obrázku Gradient ukazuje ve směru nejrychlejší změny intenzity Směr gradientu je dán Síla

Gradient obrázku Gradient ukazuje ve směru nejrychlejší změny intenzity Směr gradientu je dán Síla hrany je dána velikostí gradientu

Jednoduché detektory založené na 1. derivaci • Roberts • Sobel • Prewitt • Kirsch

Jednoduché detektory založené na 1. derivaci • Roberts • Sobel • Prewitt • Kirsch

Roberts

Roberts

Prewitt 1 1 1 0 0 0 -1 -1 -1 vyhlazení 1 -1 0

Prewitt 1 1 1 0 0 0 -1 -1 -1 vyhlazení 1 -1 0 1 1 * -1 0 1 = -1 0 1

Sobel 1 2 1 0 0 0 -1 -2 -1

Sobel 1 2 1 0 0 0 -1 -2 -1

Kde je hrana?

Kde je hrana?

Hrany a šum

Hrany a šum

Sobel na obrázku se šumem

Sobel na obrázku se šumem

 • Roberts • Sobel

• Roberts • Sobel

Canny - vymyšleno pro skokové hrany - jedna hrana jedna odezva - přesná lokalizace

Canny - vymyšleno pro skokové hrany - jedna hrana jedna odezva - přesná lokalizace hran Postup: 1. obraz se vyhladí gausem f*G 2. spočítají se derivace (f*G)’ - Sobel 3. hledání maximum = kandidát na hranu 4. Prahování – prahy T 1, T 2 >T 2 = hrana <T 2 & >T 1 = hrana, jen soused hrany

Canny - málo, dobře, jednou - vyhlazení - první derivace - detekce hřbetů -

Canny - málo, dobře, jednou - vyhlazení - první derivace - detekce hřbetů - non-maximal suppression

Canny

Canny

Porovnání obr a šum Sobel Canny wavelety

Porovnání obr a šum Sobel Canny wavelety

Detektory založené na 2. derivaci D. Marr, E. Hildreth (1980) -- Lo. G

Detektory založené na 2. derivaci D. Marr, E. Hildreth (1980) -- Lo. G

Hrany a šum

Hrany a šum

Laplacian of Gaussian • derivative of Gaussian is the Laplacian operator:

Laplacian of Gaussian • derivative of Gaussian is the Laplacian operator:

Detektory založené na 2. derivaci D. Marr, E. Hildreth (1980) -- Lo. G sigma

Detektory založené na 2. derivaci D. Marr, E. Hildreth (1980) -- Lo. G sigma = 0. 5 1 1. 5

Zero crossing množiny ∆G*f sigma = 2 3 4

Zero crossing množiny ∆G*f sigma = 2 3 4

Porovnání Canny a Marr originál Canny Marr

Porovnání Canny a Marr originál Canny Marr

Whitening original image “whitened” image

Whitening original image “whitened” image

Díky, pro dnešek končíme s detektory hran ! Nějaké otázky ?

Díky, pro dnešek končíme s detektory hran ! Nějaké otázky ?