Алгоритми цифрової фільтрації над 2-мірними сигналами в спеціалізованих програмних пакетах

Міністерство освіти і науки, молоді та спорту України Полтавський національний технічний університет

імені Юрія Кондратюка Кафедра комп’ютерної інженерії

РОЗРАХУНКОВО-ГРАФІЧНА РОБОТА з навчальної дисципліни

«Цифрова обробка сигналів та зображень»

Тема: «Алгоритми цифрової фільтрації над 2-мірними сигналами в спеціалізованих програмних пакетах»

Виконав:

студент навчальної групи 302-ТК Бахарєв Олександр Олександрович Перевірив:

Бульба Євген Миколайович Полтава

Вступ В наш час застосування методів цифрової обробки сигналів та зображень на даний момент досить розширені та майже витіснили аналогові методи обробки сигналів зображень.

ЦОСце область науки та техніки, в якій розглядаються загальні для технічних додатків алгоритми та методи обробки сигналів та зображень за допомогою обчислювальної техніки. Цифрова передача зображень використовується навіть в космічних апаратах, цифрові канали передачі сигналів та зображень вимагають забезпечення передачі все більших потоків інформації.

На сучасному етапі, предметом досліджень є формування зображень, поліпшення якості та автоматизація обробки медичних зображень, включаючи зображення, що створюються електронними мікроскопами, рентгенівськими апаратами, томографами.

Досить важко знайти область, у якій можливо обійтися без комп’ютерної обробки зображень. Адже, вирішується широке коло завдань, таких як: поліпшення якості зображень; вимірювання параметрів зображення; спектральний аналіз багатомірних сигналів; розпізнавання зображень; стиск зображень.

Постановка задачі

Ознайомитись з основними можливостями пакету Image Processing

Toolbox для дослідження методів перетворення цифрових зображень в середовищі Matlab.

Отримання у викладача завдання зображення для обробки.

Завантажити зображення в середовище Matlab.

Виконати геометричні перетворення зображення.

Проаналізувати зображення та вивести його гістограму.

Вивести та записати значення для будь-яких точок позначених на зображенні.

Поліпшити зображення.

Виконати фільтрацію зображення.

Виконати морфологічні операції над зображенням.

Зашумити зображення шумом Blur.

Відновити розмите зображення за допомогою команди deconvblind.

Зашумлення зображення функцією motion.

Відновлення зображення за допомогою фільтру Вінера.

Зробити висновки.

цифровий фільтрація зображення зашумлення Варіант № 1

Виконаємо Геометричні перетворення зображення Завантажимо зображення Для завантаження зображення використаємо команду imshow:

L=imread ('Picture1.jpg');% Відкриємо

imshow (L);% Відобразимо

Результат:

Рис. 1. Завантажене зображення Кадрування зображення Для кадрування зображення використаємо команду imcrop:

L=imread ('Picture1.jpg');

imshow (L);

imcrop;% Кадроване зображення Результат:

Рис. 2. Кадроване зображення Зміна розмірів Для зміни розмірів зображення використаємо команду imresize :

L=imread ('Picture1.jpg');

L1=imresize (L, 0.5);%Вдвічі зменшуємо зображення

imshow (L1)

Результат:

Рис. 3. Вдвічі зменшене зображення Поворот зображення Для повороту зображення на заданий кут використаємо функцію imrotate:

L=imread ('Picture1.jpg');

L1=imrotate (L, 10,'bicubic');%Задаємо кут повороту

figure, imshow (L1)

Результат:

Рис. 4. Повернене зображення Аналіз зображення та гістограма зображення Для побудови гістограми зображення використаємо функцію imhist :

I=imread ('Picture1.jpg');

figure; imshow (I);

figure; imhist (I);%Побудуємо гістограму Результат:

Рис. 5. Гістограма

Виведення та запис значень крапок інтенсивності

Для побудови крапок інтенсивності використаємо функцію impixel:

I=imread ('Picture1.jpg');

figure, imshow (I);

impixel %Визначимо інтенсивность пікселів Результат:

Рис. 6. Зображення з крапками інтенсивності

Виведемо значення крапок інтенсивності:

ans =

45 45 45

27 27 27

185 185 185

19 19 19

31 31 31

21 21 21

42 42 42

77 77 77

35 35 35

189 189 189

Поліпшення зображення Для поліпшення зображення використаємо функцію histeq:

L=imread ('Picture1.jpg');

figure, imshow (L);

L1=histeq (L);%Поліпшуємо зображення

figure, imshow (L1);%Відобразимо поліпшене зображення Результат:

Рис. 7. Зображення з перерозподілом яскравостей Фільтрація зображення Для фільтрації зображення використаємо функцію fspecial:

I=imread ('Picture1.jpg');

h=fspecial ('laplacian', 0.15); %Введемо задану маску фільтру

I1=imfilter (I, h,'replicate');

figure;

imshow (I1);

Результат:

Рис. 8. Високочастотний фільтр Лапласа

Морфологічні операції над зображенням Використаємо функцію edge:

I=imread ('Picture1.jpg');

BW1=edge (I,'sobel');%функція виділення меж за фільтром Собела

figure;

imshow (BW1);%Відобразимо отримане

title ('sobel');%відобразимо назву Результат:

Рис. 9. Наперед зазначений фільтр Собела Зашумлення зображення шумом Blur

Для зашумлення зображення використаємо алгоритм деконволюції.

I=imread ('Picture1.jpg');

PSF=fspecial ('gaussian', 7,10);%Розмиття шляхом згортки філтру Гауса

Blurred=imfilter (I, PSF,'symmetric','conv');%Зашумлення Blur

figure;

imshow (Blurred);

title ('Blurred image');

Результат:

Рис. 10. Розмите зображення Відновлення зображення Відновимо зображення використавши команду deconvblind:

I=imread ('Picture1.jpg');

figure;

imshow (I); %Оригінал зображення

title ('Original image');

PSF=fspecial ('gaussian', 7,10);

Blurred=imfilter (I, PSF,'symmetric','conv');

figure;

imshow (Blurred); %Зашумленне зображення

title ('Blurred image');

INITPSF=padarray (PSF,[22],'replicate','both');%використаємо одиничний масив для реставрації

[J3 P3]=deconvblind (Blurred, INITPSF);

figure;

imshow (J3); %Відновлене зображення

title ('Dedluring with INITPSF');

Результат:

Рис. 11. Реставрація по маломірному масиву INITPSF

Зашумлення зображення

Для зашумлення зображення зімітуємо розмитість рухом:

I=imread ('Picture1.jpg');

LEN=21; %Точка розповсюдження функції

THETA=45; %Кут розповсюдження функції

PSF=fspecial ('motion', LEN, THETA);%Розмиття зображення

blurred=imfilter (I, PSF,'conv','circular');

imshow (blurred);

title ('Blurred image');

Результат:

Рис. 12. Розмите зображення Відновлення зображення за допомогою фільтру Вінера Для відновлення зображення застосуємо деконволюцію Вінера:

I=im2double (imread ('Picture1.jpg'));%Завантажимо зображення з подвійною точністю

imshow (I);

LEN=21;

THETA=45;

PSF=fspecial ('motion', LEN, THETA);

blurred=imfilter (I, PSF,'conv','circular');

imshow (blurred);

title ('Blurred image');

wnr1=deconvwnr (blurred, PSF,.0);%Відновимо зображення крізь фільтр Вінера

imshow (wnr1);

title ('Restored Image');

Результат:

Рис. 13. Відновлене зображення Висновок Опрацювавши поданий матеріал, можна зробити висновок, що IPT, є потужним інструментом для моделювання та дослідження методів цифрової обробки зображень. Він надає можливість користуватися великою кількістю вбудованих функцій, що реалізують найбільш поширені методи обробки зображень. Дана робота була виконана за допомогою цих функцій.

З допомогою програми Matlab, а саме пакету прикладних програм Image Processing Toolbox, було виконано геометричні перетворення, аналіз і гістограму зображення, фільтрацію, зашумлення і відновлення зображення. Це було здійснено за допомогою різних вбудованих функцій та фільтрів системи.

Виконавши дану розрахунково-графічну роботу можна помітити, що відновлення зображення за допомогою фільтру Вінера є більш вдалим, ніж реставрація по маломірному масиву INITPSF. Зображення, що відновлено з допомогою цього фільтру — більш чітке, зрозуміле та більш точно відповідне оригіналу. Також, відмітимо, що зі зміною параметра NSR — змінюється чіткість зображення. При NSR=0,як в виконаному варіанті - зображення ідеально відтворене.

СПИСОК ВИКОРИСТАНОЇ ЛІТЕРАТУРИ Айфичер Э. Джервис Б_Цифровая обработка сигналов. Практический подход Оппенгейм А. В. ЦифроваяОбработкаСигналов, 1979

Солонина А.П., Улахович Д. А., Яковлев Л. А. Основы цифровой обработки сигналов: Курс лекций. СПб.: БХВ — Петербург, 2005. -768 с.:ил.

Конспект лекцій з дисципліни «Цифрова обробка сигналів і зображень»

ДОДАТОК 1

Лістинг коду

\>>L=imread ('Picture1.jpg');% Відкриємо

imshow (L);% Відобразимо

>>L=imread ('Picture1.jpg');

imshow (L);

imcrop;% Кадроване зображення

>>L=imread ('Picture1.jpg');

L1=imresize (L, 0.5);%Вдвічі зменшуємо зображення

imshow (L1)

>>L=imread ('Picture1.jpg');

L1=imrotate (L, 10,'bicubic');%Задаємо кут повороту

figure, imshow (L1)

>>I=imread ('Picture1.jpg');

figure; imshow (I);

figure; imhist (I);%Побудуємо гістограму

>> I=imread ('Picture1.jpg');

figure, imshow (I);

impixel %Визначимо інтенсивность пік селів

>>L=imread ('Picture1.jpg');

figure, imshow (L);

L1=histeq (L);%Поліпшуємо зображення

figure, imshow (L1);%Відобразимо поліпшене зображення

>>I=imread ('Picture1.jpg');

h=fspecial ('laplacian', 0.15); %Введемо задану маску фільтру

I1=imfilter (I, h,'replicate');

figure;

imshow (I1);

>> I=imread ('Picture1.jpg');

BW1=edge (I,'sobel');%функція виділення меж за фільтром Собела

figure;

imshow (BW1);%Відобразимо отримане

title ('sobel');%відобразимо назву

>> I=imread ('Picture1.jpg');

PSF=fspecial ('gaussian', 7,10);%Розмиття шляхом згортки філтру Гауса

Blurred=imfilter (I, PSF,'symmetric','conv');%Зашумлення Blur

figure;

imshow (Blurred);

title ('Blurred image');

>> I=imread ('Picture1.jpg');

figure;

imshow (I); %Оригінал зображення

title ('Original image');

PSF=fspecial ('gaussian', 7,10);

Blurred=imfilter (I, PSF,'symmetric','conv');

figure;

imshow (Blurred); %Зашумленне зображення

title ('Blurred image');

INITPSF=padarray (PSF,[22],'replicate','both');%використаємо одиничний масив для реставрації

[J3 P3]=deconvblind (Blurred, INITPSF);

figure;

imshow (J3); %Відновлене зображення

title ('Dedluring with INITPSF');

>> I=imread ('Picture1.jpg');

LEN=21; %Точка розповсюдження функції

THETA=45; %Кут розповсюдження функції

PSF=fspecial ('motion', LEN, THETA);%Розмиття зображення

blurred=imfilter (I, PSF,'conv','circular');

imshow (blurred);

title ('Blurred image');

>> I=im2double (imread ('Picture1.jpg'));%Завантажимо зображення з подвійною точністю

imshow (I);

LEN=21;

THETA=45;