Restauração de Imagens - Sistema Integrado de Gestão de ...
Transcript of Restauração de Imagens - Sistema Integrado de Gestão de ...
Restauração de Imagens
35M34 – Sala 3D5Bruno Motta de CarvalhoDIMAp – Sala 15 – Ramal 227
DIM00972
Introdução
Restauração busca reconstruir ou recuperar uma imagem que foi degradada usando informações a respeito do processo de degradação
Após modelar o processo de degradação, a restauração de imagens busca aplicar o processo inverso de modo a obter a imagem não degradada
A área de realce de imagens tem interseções com a restauração de imagens, mas é um processo mais subjetivo, onde se busca uma imagem mais adequada, geralmente de acordo com algum critério subjetivo
DIM00973
Modelo de Degradação
O modelo de degradação utilizado usa uma função H que opera na imagem de entrada f(x,y) e um termo de ruído aditivo η(x,y) para gerar a imagem degradada g(x,y)
Se H é um processo linear e invariante a posição, a funçao degradada g é ),(),(*),(),( yxyxfyxhyxg η+=
DIM00974
Modelo de Degradação
Deste modo, no domínio da frequência nós temos
Na primeira parte desta aula nós vamos ter H como o operador identidade, isto é, nós estaremos lidando com imagens degradadas somente por ruído
),(),(),(),( vuNvuFvuHvuG +=
DIM00975
Modelos de Ruído As principais fontes de ruído em imagens digitais
se manifestam nas etapas de aquisição e transmissão
Na aquisição isso pode acontecer devido a precisão dos sensores, sensibilidade dos sensores a condições ambientais
Na transmissão isso pode acontecer devido a interferência no canal usado para transmissão
Podemos nos referir ao ruído suas características espaciais ou de frequência
DIM00976
Modelos de Ruído Quando o espectro de Fourier do ruído é
constante, ele é chamado de ruído branco (devido a luz branca conter quase todas as freqeuências do espectro visível em quantidades iguais)
Com a exceção de ruídos periódicos no espaço, nós assumiremos aqui que o ruído é independente das coordenadas espaciais, e também que não é correlacionado com a imagem original
DIM00977
Modelos de Ruído• Funções de densidade de probabilidade (PDFs)
são usadas para modelar diferentes tipos de ruídos
• Eles modelam o comportamento das intensidades no componente de ruído no modelo visto anteriormente
• Ruído Gaussiano – problemas em sensores devido a altas temperaturas ou iluminação falha
• Ruído de Rayleigh – range imaging• Ruídos exponencial e gama – laser imaging• Ruído de impulso – mudança falha de estados
em sensores
DIM00978
Modelos de Ruído Imagem ao lado foi utilizada para
demonstrar tipos de ruídos Os seis tipos de ruídos foram
adicionados a imagem e as imagens resultantes e seus histogramas foram gerados
Os níveis de ruído para cada caso foram escolhidos de tal forma que o histograma dos três objetos estivessem começando a se fundir
DIM00979
Modelos de Ruído
DIM009710
Modelos de Ruído
DIM009711
Ruídos Periódicos Geralmente aparecem devido a interferências
elétricas ou eletromecânicas durante a aquisição das imagens
Pode ser muito reduzido através de filtragem no domínio da frequência
Isso acontece porque o período do ruído corresponde a frequência de uma senoide, que nada mais é do que uma frequência no domínio da frequência
DIM009712
Ruídos Periódicos• Os parâmetros do ruído são
geralmente estimados observandose o espectro de Fourier da imagem
• Como visto anteriormente, picos no domínio da frequência indicam componentes que formam o ruído periódico
DIM009713
Estimação de Parâmetros de Ruídos Podese também tentar inferir sobre a
peridodicidade do ruído diretamente da imagem, porém isso só funciona em casos simples
Detecção automática dos picos no domínio da frequência é possível se picos forem acentuados ou se temos alguma informação a priori sobre as áreas onde os picos estariam localizados
Alguns parâmetros das PDFs dos ruídos podem ser conhecidos das descrições dos sensores
DIM009714
Estimação de Parâmetros de Ruídos Podese adquirir uma imagem padrão com
iluminação uniforme para estimar parâmetros de ruídos ou podese usar partes de imagens que tenham intensidades quase constantes
DIM009715
Restauração no Domínio Espacial Como estamos considerando sinais que tenham
sido degradados somente por ruído, temos:
Caso o ruído seja periódico, podemos estimálo como mencionado anteriormente
A filtragem espacial é adequada quando o ruído é somente aditivo
Neste caso, realce=restauração
),(),(),( yxyxfyxg η+= ),(),(),( vuNvuFvuG +=
DIM009716
Filtros de Médias
O filtro de média mais simples é o de média aritmética, que associa a média das intensidades dos pontos da imagem corrompida em uma janela a intensidade do pixel onde esta janela está centrada na imagem restaurada
Pode ser implementada usando uma máscara de convolução
Usandose o filtro de média geométrica nós temos
mn
Sts xy
tsgyxf
1
),(),(),(ˆ
= ∏
∈
DIM009717
Filtros de Médias O valor obtido usandose o filtro de média harmônica é dado
por
Remove ruído salt mas falha em ruídos pepper Já o valor obtido usandose o filtro de média contra
harmônica é dado por
onde Q é a ordem do filtro. Funciona bem para ruídos saltandpepper (um de cada vez, escolhendose o sinal de Q)
∑∈
=
xySts tsg
mnyxf
),( ),(1),(ˆ
∑∑
∈
∈
+
=
xy
xy
Sts
QSts
Q
tsg
tsgyxf
),(
),(
1
),(
),(),(ˆ
DIM009718
Filtros de Médias
DIM009719
Filtros de Médias
DIM009720
Filtros de Médias
• Ruídos Gaussianos ou uniformes média aritmética ou geométrica
• Ruídos saltandpepper – harmônico (salt) ou contraharmônico (salt e pepper, mas não simultaneamente)
DIM009721
Filtros de Ordenação
Filtros baseados em ordenações (rankings) das intensidades da imagem degradada na janela do filtro
Mediana max e min ponto médio média alfacortada
{ }),(median),(ˆxySt)(s, tsgyxf ∈=
{ } { }),(min),(ˆe),(max),(ˆxyxy St)(s,St)(s, tsgyxftsgyxf ∈∈ ==
{ } { }[ ]),(min),(max21),(ˆ
xyxy St)(s,St)(s, tsgtsgyxf ∈∈ +=
∑∈−
=xySt)(s,
),(1),(ˆ tsgdmn
yxf r
DIM009722
Filtros de Ordenação
Filtros baseados em ordenações (rankings) das intensidades da imagem degradada na janela do filtro
O filtro da mediana troca o valor original do pixel pelo valor da mediana da região definida pelo filtro
Os filtros max e min substituem o valor original pelo máximo e mínimo, respectivamente, da área delimitada pelo filtro
f x , y=mediana s , t ∈S xy
{g s , t }
f x , y= maxs ,t ∈S xy
{g s ,t } e f x , y= mins ,t ∈Sxy
{g s ,t }
DIM009723
Filtros de Ordenação
O filtro do ponto médio calcula a média dos valores minímo e máximo e substitui o valor original do pixel
O filtro da média alfacortada elimina os d/2 maiores e os d/2 menores valores e calcula a média dos pixel restantes, que vai substituir o pixel original
f x , y=12[ max s , t∈S xy
{g s , t } mins ,t ∈Sxy
{gs , t }]
f x , y= 1mn−d
∑s ,t ∈Sxy
{gr s ,t }
DIM009724
Filtros de Ordenação
DIM009725
Filtros Adaptativos
Os filtros mencionados até agora são aplicados a toda a imagem, ao contrário dos filtros adaptativos, cujos comportamentos mudam de acordo com as características estatísticas da imagem no área definida pelo filtros
Podem obter melhores performances mas suas implementações são mais complexas
DIM009726
Filtros Adaptativos
Exemplo: Filtro adaptativo para remoção de ruído aditivo, usando valores de média e variância
Filtro preserva bordas e elimina ruído em áreas homogêneas f x , y=g x , y−
² ²L
[ g x , y−mL ]
f x , y−imagem recuperada g x , y−imagem corrompida ²−variância do ruído ²L−variância local mL−média local
DIM009727
Filtros Adaptativos
Exemplo de filtro adaptativo de medianaNível A : A1=zmed−zmin
A2=zmed−zmax
If A10 AND A20, Vá para o Nível B Senão aumente o tamanho da janela Se o tamanho da janela S_max repita o Nível A Senão retorne zmed
Nível B : B1=z xy−zmin
B2=z xy−zmax
If B10 AND B20, retorne z xy
Senão retorne zmed
zmin=intensidade mínima em S xy
zmax=intensidade máxima em S xy
zmed
=mediana das intensidades em Sxy
Smax=maior tamanho permitido da regiãoS xy
zxy=intensidade da imagem em x , y
DIM009728
Filtros Adaptativos
DIM009729
Restauração no Domínio da Frequência Filtros podem ser definidos
interativamente, após a visualização da transformada de uma imagem como nos filtros de rejeição de banda e notch
Outros métodos incluem estimação de degradações, filtragem inversa e filtragem de Wiener
DIM009730
Filtros de Supressão de Bandas
H u , v=1−e−12 [D 2u ,v −D
02
D u , vW ]2
H u ,v = 1
1[ D u , v WD2 u , v −D0
2 ]2n
H u ,v ={1, se D u ,vD0−W2
0, se D0−W2D u , v D0
W2
1, se D u ,vD0W2
DIM009731
Filtros de Supressão de Bandas
DIM009732
Filtros Notch
Partes dos coeficientes da transformada da imagem são atenuados ou eliminados de acordo com pontos especificados por um usuário
Exceto no caso (u,v)=(0,0), dois filtros são usados devido a simetria da transformada de Fourier
DIM009733
Filtros Notch
Os filtros notch ideal, Butterwoth e Gaussiano podem ser definidos por
H u , v =1−e−12 [ D1u , v D2 u , v
D02 ]H u , v = 1
1[ D02
D1u , v −D2u ,v ]n
H u , v={0, se D1u , v D0 ou D2u , v D0
1, caso contrário
Onde D1u ,v=[u−M /2−uo2v−N /2−vo
2 ]1/2
e
D2 u , v =[u−M /2uo2v−N /2vo
2 ]1/2
DIM009734
Filtros Notch Ótimos Em alguns caso, é difícil julgar o que é e o que
não é um pico de interferência na transformada de uma imagem
A abordagem citada usa uma função de peso ou modulação (x,y) que tenta diminuir o efeito de componentes do ruído que não estão presentes na estimativa do ruído (x,y)
f x , y=g x , y− x , y x , y
DIM009735
Filtros Notch Ótimos Uma abordagem é a de se selecionar (x,y) tal que a
variância (x,y) da estimativa da função restaurada seja minimizada na vizinhança do pixel (x,y), isto é,
Combinandose as duas equações, minimizandose a variância (x,y) e isolandose (x,y), nós temos
2 x , y= 12a12b1
∑s=−a
a
∑t=−b
b
[ f xs , yt − f x , y ]2
x , y = g x , y x , y−g x , y x , y 2 x , y − 2 x , y
DIM009736
Restauração no Domínio da Frequência
DIM009737
Degradações Lineares e Invariantes a Posição A degradação de um sinal foi modelada como
O operador H é dito linear se
isto é, se H tem as propriedades aditiva e da homogeneidade
H é dito invariante a posição se
g x , y=H [ f x , y] x , y
H [af 1 x , ybf 2 x , y]=aH [ f 1 x , y]bH [ f 2 x , y]
H [ f x− , y−]=g x− , y−
DIM009738
Degradações Lineares e Invariantes a Posição
No contínuo nós temos
Usando as propriedades aditiva e da homogeneidade, chegamos a
h(x,,y,) é chamada de point spread function (PSF) pois na ótica, ela descreve como um sistema ótico borra um ponto de luz
f x , y=∫−∞
∞
∫−∞
∞
f , x− , y−d d
g x , y=H [ f x , y ]=H [∫−∞
∞
∫−∞
∞
f ,x− , y− dd ]g x , y=∫
−∞
∞
∫−∞
∞
f ,H [ x− , y−] d d ou
∫−∞
∞
∫−∞
∞
f ,h x , , y , dd
DIM009739
Degradações Lineares e Invariantes a Posição A integral de superposição (ou Friedholm) do
primeiro tipo é a base da teoria de sistemas lineares
Um sistema linear é completamente caracterizado pela sua resposta a impulsos
No caso de invariância a posição a equação se torna também conhecida
como integral de convolução Na presença de um ruído aditivo a expressão acima
se transforma em
g x , y=∫−∞
∞
∫−∞
∞
f ,h x , , y , dd
g x , y=∫−∞
∞
∫−∞
∞
f ,h x− , y−dd
g x , y=∫−∞
∞
∫−∞
∞
f ,h x , , y , dd x , y
DIM009740
Degradações Lineares e Invariantes a Posição No caso de invariância a posição a equação se torna
Como os valores de (x,y) são aleatórios e independentes de posição, nós podemos reescrever a equação como
Vários tipos de degradações podem ser modelados como processos lineares e invariantes a posição
Como degradações são modeladas como sendo resultado de uma convolução, a restauração linear de imagens é também chamada de deconvolução
g x , y=∫−∞
∞
∫−∞
∞
f ,h x− , y−dd x , y
g x , y=h x , y∗ f x , yx , y
DIM009741
Estimando Funções de Degradação As três principais maneiras de se estimar uma
degradação são: observação, experimentação e modelagem matemática
Na observação, coletase informação da imagem degradada, por exemplo, examinando estruturas simples, estimando uma subimagem nãoborrada, e calculando H usando esta imagem e a imagem original H su , v=
G s u , vF s u , v
DIM009742
Estimando Funções de Degradação Na estimação por experimentação, utilizase
equipamento similar ao usado para adquirir a imagem, podemos estimar a função de degradação adquirindo um impulso usando parâmetros parecidos
H u ,v =G u , vA
Um impulso é simulado por um ponto brilhante de luz, logo, temos
DIM009743
Estimando Funções de Degradação Na estimação por modelagem, utilizase modelos
matemáticos para caracterizar alguma degradação de origem conhecida
Por exemplo, Hufnagel e Stanley (1964) usaram a equação abaixo para modelar turbulência H u , v=e−k u2v25 /6
DIM009744
Estimando Funções de Degradação
DIM009745
Estimando Funções de Degradação
Imagem ao lado foi criada modelandose um borramento por movimento linear uniforme entre o objeto sendo capturado e o sensor de aquisição
Esta técnica pode ser usada para criar efeitos em fotografias, por exemplo
DIM009746
Filtragem Inversa
A filtragem inversa busca recuperar uma estimativa usando
Entretanto, na presença de ruído, nós temos
Ou seja, não podemos recuperar F(u,v) exatamente porque o ruído N(u,v) é uma função aleatória desconhecida
Se H tem valores nulos ou pequenos, o ruído domina a solução
F u , v= G u , vH u , v
F u ,v =F u , v N u , vH u ,v
DIM009747
Filtragem Inversa Figura ao ladomostra imagens filtradas usando a função de degradação exata
Observe como o limite dosuporte do filtro diminui o problema dos valores próximos de 0
H u ,v=e−k [u−M /22v−N /22]5/6
DIM009748
Filtragem de Wiener
Os filtros de Wiener, ou filtros de erro quadrado médio mínimo, modelam tanto degradação quanto adição de ruído ao sinal original, ao contrário dos filtros inversos
O método considera a imagem e o ruído como processos aleatórios, e tenta estimar uma versão não corrompida de f minimizando o erro onde E{.} é o valor esperado do argumento
e2=E { f − f 2}
DIM009749
Filtragem de Wiener
O mínimo da função de erro no domínio da freqüência é dado por
onde
F u , v = [ H *u ,v S f u ,v
S f u , v∣H u ,v ∣2Su , v ]G u , v
= [ 1H u , v
H u , v2
∣H u ,v ∣2Su ,v /S f u ,v ]G u , v
H u , v=função de degradaçãoH*u , v=conjugado de H u , v∣H u , v∣2=H *u , vH u , vSu , v=∣N u , v∣2=espectro de potência do ruídoS f u , v=∣F u , v∣2=espectro de potência da imagem original
DIM009750
Filtragem de Wiener
Se o ruído for zero, o filtro de Wiener se torna um filtro inverso
Como não sabemos o espectro da imagem não corrompida, devemos estimála
No caso de ruído branco, a equação anterior se torna
Deste modo, podese especificar K interativamente até que um resultado desejado seja alcançado
F u , v =[ 1H u , v
H u , v 2
∣H u , v ∣2K ]G u , v
DIM009751
Filtragem de Wiener
Comparação com filtragem inversa
DIM009752
Filtragem de Wiener
Comparação com filtragem inversa
Observe como o ruído ainda está presente no resultado do filtro inverso na terceira linha
DIM009753
Filtragem de Quadrados Mínimos Uma constante aproximando a razão entre os
especros de potência do ruído e da imagem original nem sempre é adequado
Nos filtros de quadrados mínimos somente a média e a variância do ruído precisam ser especificados (e podem ser estimados a partir de uma imagem degradada)
Representandose o processo de degradação da imagem na forma matricial temos g=Hf
DIM009754
Filtragem de Quadrados Mínimos
Como H é muito sensível a ruídos, o método restaura a imagem usando uma medida de suavidade, como a segunda derivada da imagem (Laplaciano), minimizando
sujeito a onde é a norma Euclidiana No domínio da freqüência nós temos
onde é um parâmetro que deve ser ajustado para manter a restrição acima e P(u,v) é transformada de Fourier do Laplaciano
C=∑x=0
M−1
∑y=0
N −1
[ ∇2 f x , y ]2
∥g−H f∥2=∥∥2 ∥w∥2=wT w
F u , v =[ H *u ,v ∣H u , v ∣2∣P u ,v∣2 ]G u , v
DIM009755
Filtragem de Quadrados Mínimos Comparação com o resultados
obtidos usandose filtros de Wiener
DIM009756
Filtragem de Quadrados Mínimos Parâmetro pode ser definido por observação ou
calculado de modo ótimo usando um procedimento iterativo
DIM009757
Filtro de Média Geométrica O filtro da média geométrica é uma generalização do
filtro de Wiener, que define uma família de filtros, que podem ser controlados variandose e (que são positivos)
Quando =1 este filtro se reduz a um filtro inverso, =0 implica em um filtro paramétrico de Wiener, que se reduz a um filtro de Wiener quando =1
F u , v =[ H *u , v∣H u , v∣2 ][ H *u ,v
∣H u , v ∣2[ Su , v
S f u ,v ] ]1−
G u , v
DIM009758
Transformações Geométricas Transformações geométricas modificam o
relacionamento espacial entre os pixels e não suas intensidades, e são divididas em uma transformação espacial seguida de uma interpolação das intensidades
Uma imagem f com coordenadas (x,y) sofre uma transformação geométrica gerando a imagem g com as coordenadas (x’,y’). Essa transformação pode ser expressa por x '=r x , y e y'=s x , y
DIM009759
Transformações Geométricas Conhecendose as funções r e s podese, teoricamente,
recuperar f, porém geralmente é impossível se caracterizar a transformação em toda a imagem usando apenas um par de funções r e s
Por isso usase pontos âncora em pixels correspondentes nas imagens distorcida e corrigida para o cálculo de r e s em subáreas da imagem corrigida
DIM009760
Transformações Geométricas Nós podemos reescrever r e s como
Como essas equações poder gerar números não inteiros, devese usar algum método de interpolação para mapear os valores nos pontos da grade da imagem
r x , y=x '=c1 xc2 yc3 xyc4 e s x , y =y'=c5 xc6 yc7 xyc8
DIM009761
Transformações Geométricas