Universitatea Politehnica din București

Master Tehnici Avansate în Imagistică Digitală

Proiect de Cercetare și Documentare

Prelucrarea și Analiza Imaginilor Color

„Noi structuri si aplicatii de filtrare a imaginilor color”

București 2018
Cuprins

1. Introducere
2. Filtrul bilateral
3. Filtrarea propagată
4. Filtrarea în punct multiplu folosind aproximări polinomiale locale
5. Filtre direcționale
6. Bibliografie
1. Introducere

Conceptul de filtrare al unei imagini are ca și scop principal eliminarea zgomotului din
imagine și păstrarea caracteristicilor imaginii, precum detaliile și contururile. Procesul de filtrare
se realizează prin modificarea valorii pixelului de interes cu o valoare obținută în urma unei
operații ce se poate efectua la nivel de pixel, la nivel de vecinătate, sau asupra întregii imaginii.
Întrucât filtrarea imaginilor este un proces vital în numeroase aplicații, este important să
fie studiată amănunțit și să se lucreze la tehnici de îmbunătățire a rezultatului filtrării și a
timpului de calcul, astfel încât imaginea filtrată să nu își piardă din calitate.

2. Filtrea bilaterală

Există filtre care, aplicate asupra unei imagini afectate de zgomot, duc la blurarea
acesteia. Acest lucru se dorește a fi evitat, deoarece se încearcă păstrarea detaliilor din imagine.
Pentru a se putea realiza acest lucru, este necesară o analiză și o procesare a valorilor pixelilor
vecini, astfel încât calitatea vizuală să poată fi păstrată. Filtrea bilaterală păstrează regiunile de
contur intacte, analizând și procesând valorile pixelilor vecini. Această filtre a fost aplicată cu
succes în probleme ce țin de zgomot, contrast și fuziunea imaginilor. Pentru ca acest lucru să fie
realizat, filtrul are nevoie de o regiune de vecinătate predefinită prin nuclee sau funcții spațiale,
ce sunt dificile a fi determinate. Regiunile trebuie alese astfel încât să nu fie prea mari sau prea
mici, pentru a nu fi afectată calitatea filtrului.
În cadrul filtrării bilaterale, pixelul de interes este calculat cu ajutorul următoarei
formule:
1
I s'   g (d BF (s, t ); s ) g (d BF (I s , I t ); r ) I t
Z s t
'
,unde I s reprezintă valoarea pixelului s obținută în urma operației de filtrare,  reprezintă setul
de pixeli t ce se află în vecinătatea pixelului s, iar g ( x,  ) este o funcție gaussiană care are
varianța  . De asemenea, se ține cont atât de spațială și fotometrică dintre pixelul de interes și
2

pixelii t. Aceste distanțe sunt calculate ca și distanțe euclidiene între locații și valorile pixelilor.
d ( s, t )  t  s
În formula de mai sus, distanța Euclidiană corespunzătoare locației este: BF , iar
d ( I , I )  It  I s
distanța Euclidiană corespunzătoare intensității pixelilor este: BF s t . Termenul Zs
este termen de normalizare, calculat cu următoarea formulă:
Z s   g ( d BF ( s, t ); s ) g (d BF ( I s , I t );  r )
t
 Filtrarea bilaterală ține cont de cele două distanțe Euclidiene pe care le folosește ca
termen de normare. O îmbunătățire propusă pentru acest filtru este reprezentată de modificarea
calculului distanțelor spațiale și fotometrice, formula Euclidiană fiind înlocuită de următoarea
formulă:


2
d BF ( I s , I t )  I x 1  I x
x , x 1

,unde  reprezintă o cale ce conectează pixelii s și t. Astfel, distanțele se calculează însumând

distanțele dintre pixelii adiacenței de-a lungul căii. Principalul avantaj al înlocuirii modului de
calcul al distanțelor este reprezentat de micșorarea impului de calcul necesar pentru filtrarea
bilaterală, însă această modificare are ca dezavantaj pierderea abilității de conservare a
contururilor.

3. Filtrarea propagată

Filtrul bilateral, prin calculul celor două distanțe Euclidiene, poate adăuga ponderi greșite
pixelilor din regiunile adiacente și implicit informație nedorită. Acest lucru poate fi împiedicat
folosind filtrarea propagată, ce ține cont și de informația de context dintre pixelii imaginii.
Pentru o explicare mai amănunțită a acestei filtrări, am ales cazul uni-dimensional. În
cadrul acestui caz avem o imagine ce se dorește a fi prelucrată, notată cu I, din care va rezulta
'
imaginea prelucrată – notată I . Pentru fiecare pixel în parte, I s se calculeză folosind următoarea
'

formulă:
1
I s' 
Zs

t ( s )
ws ,t I t

,unde I t reprezintă valoarea pixelului t în imaginea I iar N ( s ) este setul de vecini centrați în
w
pixelul s. s ,t reprezintă normele pentru fiecare pixel t, iar Z s este factorul de normalizare.

4. Filtrarea în punct multiplu folosind aproximări polinomiale locale

Modelul propus este un model ce se dorește a fi folosit pentru păstrarea contururilor și

păstrarea variației spațiale, cea din urmă caracteristică fiind cel mai greu de obținut de către
celelalte metode de filtrare. Modelul are ca și domenii de aplicabilitate eliminarea zgomotului
din imagini și îmbunătățirea detaliilor prezente, și se prezintă cu un timp de calcul mai mic decât
al altor modele existente.
Algoritmul pentru această filtrare este următorul: pentru o imagine I ghidată și o imagine

P dată ca și imagine de intrare va fi generată o regiune suport adaptivă, notată p pentru ficare
punct p ce aparține imaginii P, apoi are loc modelarea regresiunii între imaginea de interes și
imaginea ghidată pentru fiecare regiune de suport. Pentru fiecare punct p va avea loc adunarea
valorilor regiunilor suport, de aici rezultând imaginea de ieșire. Regiunile suport adaptive sunt
generate prin segmentarea imaginii ghidate în regiuni ce nu se suprapun. Un număr de patru
brațe suport sunt implicate în alegerea regiunii în jurul punctului p. În figura următoare sunt
ilustrate patru cazuri de alegere a regiunii suport, pentru un semnal uni-dimensional.

Liniile negre reprezintă semnalul ce trebuie filtrat, cele roșii reprezintă semnalul pe o
regiune suport, iar linia verde reprezintă semnalul regularizat cu ajutorul polinoamelor de diferite
grade.

5. Filtre direcționale

Preluarea imaginilor în condiții de luminozitate scăzută fac ca imaginile să fie blurate.

Acest lucru se datorează faptului că, la lumină scăzută, este necesară folosirea unui timp de
expunere mai mare, și dacă nu este folosit un trepied pentru stabilizarea aparatului de fotografiat,
orice mișcare a camerei va duce la achiziția de imagini blurate. Tehnicile existente propuse
pentru fotografiile blurate se bazează pe faptul că în imagine nivelul zgomotului este redus. În
cazul în care există zgomot în imagine, pentru ca procesul de deblurare să dea rezultate cât mai
bune, este necesară eliminarea zgomotului în prealabil. Această preprocesare a imaginii poate
duce la pierderea detaliilor din imaginea blurată.
Pentru a se putea realiza deblurarea imaginilor ce conțin zgomot, se propune folosirea
filtrului trece-jos pe diferite direcții, fără a fi afectată transformata Radon. Filtrul trece-jos va
avea următoarea formulare matematică:
1 
I ( p)  f   w(t ) I ( p  tu )dt
c 
,unde I reprezintă imaginea, p este locația pixelului de interes, t este distanța spațială între un

c   w(t )dt
pixel și p, iar c este factorul de normalizare, definit astfel:  . Vectorul unitate pentru
direcție este reprezentat de u  (cos  ,sin  ) . Profilul filtrului este construit cu ajutorul
T

w(t )  exp( t 2 / 2 2f )
funcției gaussiene . Intensitatea filtrului este setată cu ajutorul parametrului
f
. Nucleul folosit va fi de forma k  k  f .
 Algoritmul filtrului presupune aplicarea blurului direcțional f asupra imaginii,
estimarea nucelului blurat k și proiectarea lor pe direcția filtrului pentru a calcula transformata
Radon. Procesul este repetat de un suficient număr de ori pentru a se obține un set de proiecții cu
ajutorul cărora va fi alcătuit nucleul 2D, folosind tranformata inversă Radon. Următoarea
imagine ilustrează aplicarea direcțională a filtrului trece-jos pentru o imagine blurată neafectată
de zgomot, una blurată afectată de zgomot, și o imagine blurată, afectată de zgomot și filtrată.
6. Bibliografie

1. “Propagated Image Filtering” - Jen-Hao Rick Chang, Yu-Chiang Frank Wang – CVPR2015
2. „Multipoint Filtering with Local Polynomial Approximation and Range Guidance” - Xiao
Tan, Changming Sun , and Tuan D. Pham – CVPR2014
3. „Handling Noise in Single Image Deblurring using Directional Filters” - Lin Zhong,
Sunghyun Cho, Dimitris Metaxas, Sylvain Paris, Jue Wang -CVPR2013