Moite médio em movimento

Padrão médio Nomes comuns: filtragem média, suavização, média, filtragem de caixa Breve descrição A filtragem média é um método simples, intuitivo e fácil de implementar de imagens de suavização, ou seja, reduzindo a quantidade de variação de intensidade entre um pixel e o próximo. Muitas vezes, é usado para reduzir o ruído nas imagens. Como funciona A idéia de filtragem média é simplesmente substituir cada valor de pixel em uma imagem com o valor médio (médio) de seus vizinhos, inclusive em si. Isso tem o efeito de eliminar valores de pixels que não são representativos de seus arredores. A filtragem média geralmente é pensada como um filtro de convolução. Como outras circunvoluções, ela é baseada em um kernel. Que representa a forma e o tamanho da vizinhança a ser amostrada ao calcular a média. Muitas vezes, um núcleo quadrado 32153 é usado, como mostrado na Figura 1, embora os grãos maiores (por exemplo 52155 quadrados) possam ser usados ​​para um alisamento mais severo. (Observe que um pequeno kernel pode ser aplicado mais de uma vez para produzir um efeito similar, mas não idêntico, como uma única passagem com um kernel grande). Figura 1 32153 núcleo de média usado frequentemente na filtração média. Computação da convolução direta de uma imagem com Este kernel realiza o processo de filtragem médio. Diretrizes para uso A filtragem média é mais comumente usada como um método simples para reduzir o ruído em uma imagem. Nós ilustramos o filtro usando mostra o original corrompido por ruído gaussiano com uma média de zero e um desvio padrão () de 8. mostra o efeito de aplicar um filtro médio 32153. Observe que o ruído é menos aparente, mas a imagem foi suavizada. Se aumentarmos o tamanho do filtro médio para 52155, obtemos uma imagem com menos ruído e menor detalhe de alta freqüência, conforme mostrado na mesma imagem mais severamente corrompida por ruído gaussiano (com uma média de zero e um de 13) é mostrado In é o resultado da filtragem média com um kernel 32153. Uma tarefa ainda mais desafiadora é fornecida por mostra o efeito de suavizar a imagem ruidosa com um filtro médio 32153. Uma vez que os valores de pixel de ruído de disparo são muitas vezes muito diferentes dos valores circundantes, eles tendem a distorcer significativamente a média de pixels calculada pelo filtro médio. Usando um filtro 52155 em vez disso, este resultado não é uma melhoria significativa na redução de ruído e, além disso, a imagem agora está muito desfocada. Estes exemplos ilustram os dois principais problemas com a filtragem média, que são: Um único pixel com um valor muito não representativo pode afetar significativamente o valor médio de todos os pixels em sua vizinhança. Quando a vizinhança do filtro se aproxima de uma borda, o filtro irá interpor novos valores para pixels na borda e, desse modo, irá desfocar essa borda. Isso pode ser um problema se forem necessárias bordas afiadas na saída. Ambos os problemas são abordados pelo filtro mediano. O que geralmente é um filtro melhor para reduzir o ruído do que o filtro médio, mas leva mais tempo para calcular. Em geral, o filtro médio atua como um filtro de freqüência de passagem baixa e, portanto, reduz as derivadas de intensidade espacial presentes na imagem. Nós já vimos esse efeito como um amolecimento das características faciais no exemplo acima. Agora, considere a imagem que representa uma cena que contém uma gama mais ampla de diferentes freqüências espaciais. Depois de suavizar uma vez com um filtro médio 32153, obtemos Observe que a baixa informação de frequência espacial em segundo plano não foi significativamente afetada pela filtragem, mas as bordas (uma vez crisp) do primeiro plano foram suavizadas. Depois de filtrar com um filtro 72157, obtemos uma ilustração ainda mais dramática desse fenômeno. Compare esse resultado com o obtido passando um filtro 32153 sobre a imagem original três vezes em Variantes Comuns. As variações no filtro de suavização médio discutido aqui incluem Threshold Averaging em que O alisamento é aplicado sujeito à condição de que o valor do pixel central seja alterado somente se a diferença entre seu valor original e o valor médio for superior a um limite predefinido. Isso tem o efeito de que o ruído seja alisado com uma perda menos dramática no detalhe da imagem. Outros filtros de convolução que não calculam a média de um bairro também são freqüentemente usados ​​para suavizar. Um dos mais comuns é o filtro de alisamento gaussiano. Experiência interativa Você pode experimentar de forma interativa com este operador clicando aqui. O filtro médio é calculado usando uma convolução. Você pode pensar em qualquer maneira em que as propriedades especiais do kernel de filtro médio podem ser usadas para acelerar a convolução. Qual é a complexidade computacional dessa convolução mais rápida Use um detector de borda na imagem e observe a força da saída. Em seguida, aplique um filtro médio 32153 para a imagem original e execute novamente o detector de borda. Comente sobre a diferença. O que acontece se um filtro 52155 ou 72157 for usado Aplicando um filtro médio 32153 duas vezes não produz o mesmo resultado que a aplicação de um filtro médio 52155 uma vez. No entanto, um kernel de convolução 52155 pode ser construído o qual é equivalente. O que esse kernel parece ser um kernel de convolução 72157 que tenha um efeito equivalente a três passagens com um filtro médio de 32153. Como você acha que o filtro médio enfrentaria o ruído gaussiano que não era simétrico em torno de zero. Tente alguns exemplos. Referências R. Boyle e R. Thomas Computer Vision: um primeiro curso. Blackwell Scientific Publications, 1988, pp. 32 - 34. E. Davies Visão da máquina: teoria, algoritmos e praticidades. Academic Press, 1990, cap. 3. D. Vernon Machine Vision. Prentice-Hall, 1991, cap. 4. Informações locais Informações específicas sobre este operador podem ser encontradas aqui. Um conselho mais geral sobre a instalação HIPR local está disponível na seção introdutória de Informações locais. Uma possível abordagem aqui é ter um método que retorna o kernel. Pelo que eu posso ver, as insumos para este método seriam do tipo kernel. Eu. E outras entradas. Uma abordagem simples seria: isso é, naturalmente, terrivelmente, terrivelmente áspero, e uma grande quantidade de melhoria pode ser feita, mas se destina apenas a obter o ponto em frente. Gostaria de usar uma interface para representar um kernel e ter classes derivadas por kernel. Na minha experiência, isso produz um código suficientemente legível e sustentável, mas há sempre espaço para melhorias. Respondeu 1 de agosto 14 em 20: 3929 setembro de 2017 Média em movimento por convolução O que é média móvel e para o que é bom Como a média móvel é feita usando a convolução A média móvel é uma operação simples usada geralmente para suprimir o ruído de um sinal: estabelecemos O valor de cada ponto para a média dos valores em sua vizinhança. Por uma fórmula: Aqui x é a entrada e y é o sinal de saída, enquanto o tamanho da janela é w, supostamente estranho. A fórmula acima descreve uma operação simétrica: as amostras são retiradas de ambos os lados do ponto real. Abaixo está um exemplo da vida real. O ponto em que a janela é colocada é realmente vermelho. Valores fora de x devem ser zeros: para brincar e ver os efeitos da média móvel, dê uma olhada nesta demonstração interativa. Como fazê-lo por convolução Como você pode ter reconhecido, o cálculo da média móvel simples é semelhante à convolução: em ambos os casos, uma janela é deslizada ao longo do sinal e os elementos na janela são resumidos. Então, tente dar o mesmo ao usar a convolução. Use os seguintes parâmetros: A saída desejada é: Como primeira abordagem, vamos tentar o que obtem ao convolver o sinal x pelo seguinte k kernel: a saída é exatamente três vezes maior do que o esperado. Também pode ser visto que os valores de saída são o resumo dos três elementos na janela. É porque durante a convolução a janela é deslizada, todos os elementos nele são multiplicados por um e depois resumidos: yk 1 cdot x 1 cdot x 1 cdot x Para obter os valores desejados de y. A saída deve ser dividida por 3: por uma fórmula que inclua a divisão: Mas não seria o ideal para fazer a divisão durante a convolução. Aqui vem a idéia ao reorganizar a equação: então usaremos o seguinte k kernel: desta forma, vamos Obtenha o resultado desejado: Em geral: se queremos fazer uma média móvel por convolução com um tamanho de janela de w. Devemos usar o seguinte k kernel: uma função simples que faz a média móvel é: um exemplo de uso é: