Moving Average Filter Kernel

Kurzbeschreibung Die mittlere Filterung ist ein einfaches, intuitives und einfach zu implementierendes Verfahren zum Glätten von Bildern, d. h. Verringern des Betrags der Intensitätsveränderung zwischen einem Pixel und dem nächsten. Es wird oft verwendet, um Rauschen in Bildern zu reduzieren. Wie es funktioniert Die Idee der mittleren Filterung ist einfach, jeden Pixelwert in einem Bild durch den mittleren (durchschnittlichen) Wert seiner Nachbarn, einschließlich sich selbst, zu ersetzen. Dies hat die Wirkung, Pixelwerte zu eliminieren, die für ihre Umgebung nicht repräsentativ sind. Eine mittlere Filterung wird üblicherweise als ein Faltungsfilter angesehen. Wie andere Windungen basiert es auf einem Kernel. Die die Form und Größe der Nachbarschaft darstellt, die bei der Berechnung des Mittelwerts abgetastet werden soll. Oft wird ein 32153-Quadratkern verwendet, wie in Fig. 1 gezeigt, obwohl grßere Körner (z. B. 52155 Quadrate) für eine stärkere Glättung verwendet werden können. (Man beachte, dass ein kleiner Kernel mehr als einmal angewendet werden kann, um einen ähnlichen, aber nicht identischen Effekt wie einen einzigen Durchgang mit einem großen Kernel zu erzeugen.) Abbildung 1 32153 Mittelwertbildung Kernel häufig verwendet bei der mittleren Filterung Berechnung der direkten Konvolution eines Bildes mit Führt dieser Kernel den mittleren Filterprozess durch. Richtlinien für die Verwendung Mittlere Filterung wird am häufigsten als eine einfache Methode zur Reduzierung von Rauschen in einem Bild verwendet. Wir veranschaulichen den Filter, der zeigt, dass das Original durch Gaußsches Rauschen mit einem Mittelwert von Null und einer Standardabweichung () von 8 beschädigt ist, die Wirkung des Anwendens eines 32153-Mittelfilters. Beachten Sie, dass das Rauschen weniger offensichtlich ist, aber das Bild wurde weich gemacht. Wenn wir die Größe des mittleren Filters auf 52155 erhöhen, erhalten wir ein Bild mit weniger Rauschen und weniger hochfrequenten Details, wie in Dasselbe Bild, das stärker durch Gaußsche Rauschen (mit einem Mittelwert von null und a von 13) beschädigt ist, gezeigt ist In ist das Ergebnis einer mittleren Filterung mit einem 32153-Kernel. Eine noch anspruchsvollere Aufgabe wird durch die Wirkung der Glättung des verrauschten Bildes mit einem 32153-Mittelfilter bereitgestellt. Da die Schußrauschenpixelwerte oft sehr verschieden von den umgebenden Werten sind, neigen sie dazu, den durch den mittleren Filter berechneten Pixelmittelwert deutlich zu verzerren. Die Verwendung eines 52155-Filters bewirkt, dass dieses Ergebnis keine signifikante Verbesserung der Rauschunterdrückung ist, und außerdem ist das Bild nun sehr verschwommen. Diese Beispiele veranschaulichen die zwei Hauptprobleme bei der mittleren Filterung, die sind: Ein einzelnes Pixel mit einem sehr nicht repräsentativen Wert kann den Mittelwert aller Pixel in seiner Nachbarschaft signifikant beeinflussen. Wenn die Filterumgebung eine Kante überspannt, interpoliert der Filter neue Werte für Pixel auf der Kante und verschwimmt diese Kante. Dies kann ein Problem sein, wenn scharfe Kanten in der Ausgabe erforderlich sind. Beide Probleme werden durch den Medianfilter angegangen. Was oft ein besserer Filter zur Reduzierung von Rauschen ist als der mittlere Filter, aber es dauert länger, um zu berechnen. Im allgemeinen wirkt das mittlere Filter als Tiefpaßfilter und reduziert somit die im Bild vorhandenen räumlichen Intensitätsableitungen. Wir haben diesen Effekt bereits als Erweichung der Gesichtszüge im obigen Beispiel gesehen. Betrachten wir nun das Bild, das eine Szene darstellt, die einen breiteren Bereich von verschiedenen Raumfrequenzen enthält. Nach einmaligem Glätten mit einem 32153-Mittelfilter erhalten wir, daß die tiefe räumliche Frequenzinformation im Hintergrund nicht signifikant durch Filtern beeinflußt worden ist, aber die (einst klaren) Kanten des Vordergrundsubjekts wurden merklich geglättet. Nach dem Filtrieren mit einem 72157-Filter erhalten wir eine noch dramatischere Darstellung dieses Phänomens im Vergleich dieses Ergebnisses mit dem, das erhalten wird, indem man ein 32153-Filter über das Originalbild dreimal in herkömmlichen Varianten abtastet. Variationen des hier beschriebenen Mittel-Glättungsfilters umfassen Threshold-Averaging Wird die Glättung unter der Bedingung angewendet, daß der mittlere Pixelwert nur geändert wird, wenn die Differenz zwischen seinem ursprünglichen Wert und dem Mittelwert größer als ein voreingestellter Schwellenwert ist. Dies bewirkt, dass das Rauschen mit einem weniger dramatischen Verlust an Bilddetails geglättet wird. Andere Faltungsfilter, die nicht den Mittelwert einer Nachbarschaft berechnen, werden oft auch zum Glätten verwendet. Einer der häufigsten ist der Gaußsche Glättungsfilter. Interaktives Experimentieren Sie können interaktiv mit diesem Operator experimentieren, indem Sie hier klicken. Das mittlere Filter wird unter Verwendung einer Faltung berechnet. Können Sie sich vorstellen, wie die speziellen Eigenschaften des mittleren Filterkerns genutzt werden können, um die Faltung zu beschleunigen? Was ist die Rechenkomplexität dieser schnelleren Faltung Verwenden Sie einen Kantendetektor auf dem Bild und notieren Sie die Stärke der Ausgabe. Wenden Sie dann ein 32153-Mittelfilter auf das Originalbild an und führen Sie den Flankendetektor erneut aus. Kommentar zur Differenz. Was passiert, wenn ein 52155- oder ein 72157-Filter verwendet wird Das Anwenden eines 32153-Mittelfilters zweimal erzeugt nicht das gleiche Ergebnis wie ein 52155-Mittelfilter einmal. Es kann jedoch ein Konvolutionskernel 52155 konstruiert werden, der äquivalent ist. Wie sieht dieser Kernel aus? Erstellen Sie einen 72157 Faltungskernel, der eine gleichwertige Wirkung auf drei Pässe mit einem 32153-Mittelfilter hat. Wie denkst du, der mittlere Filter würde mit Gaußschen Rauschen umgehen, das nicht symmetrisch gegen Null war. Versuche einige Beispiele. Referenzen R. Boyle und R. Thomas Computer Vision: Ein erster Kurs. Blackwell Scientific Publications, 1988, S. 32 - 34. E. Davies Machine Vision: Theorie, Algorithmen und Praktiken. Academic Press, 1990, Kap. 3. D. Vernon Machine Vision. Prentice-Halle, 1991, Kap. 4. Lokale Informationen Spezielle Informationen zu diesem Operator finden Sie hier. Weitere allgemeine Hinweise zur lokalen HIPR-Installation finden Sie im Einleitenden Abschnitt Lokale Informationen. Der Wissenschaftler und Ingenieure Leitfaden zur digitalen Signalverarbeitung Von Steven W. Smith, Ph. D. Kapitel 15: Verschieben von Durchschnittsfiltern Verwandte des Moving Average Filters In einer perfekten Welt müssten Filter-Designer nur mit Zeitdomänen - oder frequenzbereichskodierten Informationen umgehen, aber niemals eine Mischung aus beiden im selben Signal. Leider gibt es einige Anwendungen, bei denen beide Domains gleichzeitig wichtig sind. Zum Beispiel, Fernsehsignale fallen in diese fiese Kategorie. Die Videoinformation wird im Zeitbereich kodiert, dh die Form der Wellenform entspricht den Mustern der Helligkeit in dem Bild. Während der Übertragung wird das Videosignal jedoch entsprechend seiner Frequenzzusammensetzung, wie etwa seiner Gesamtbandbreite, behandelt, wie die Trägerwellen für die Tonampelfarbe addiert werden, die Eliminierungsampere-Wiederherstellung der Gleichspannungskomponente usw. Als weiteres Beispiel ist eine elektromagnetische Interferenz Wird am besten im Frequenzbereich verstanden, auch wenn die Signalinformation im Zeitbereich codiert wird. Zum Beispiel könnte die Temperaturüberwachung in einem wissenschaftlichen Experiment mit 60 Hertz von den Stromleitungen, 30 kHz von einem Schaltnetzteil oder 1320 kHz von einer lokalen AM-Funkstation verunreinigt sein. Verwandte des gleitenden Durchschnittsfilters weisen eine bessere Frequenzbereichsleistung auf und können in diesen gemischten Domänenanwendungen nützlich sein. Multiple-Pass-Gleit-Durchschnittsfilter beinhalten, daß das Eingangssignal zweimal oder mehrmals durch einen gleitenden Durchschnittsfilter geleitet wird. Abbildung 15.3a zeigt den Gesamtfilterkern, der aus einem, zwei und vier Durchgängen resultiert. Zwei Durchläufe entsprechen der Verwendung eines dreieckigen Filterkerns (eines rechteckigen Filterkerns, der mit sich selbst konstruiert wurde). Nach vier oder mehr Pässen sieht der äquivalente Filterkernel wie ein Gaußscher (Rückruf des zentralen Grenzwertsatzes) aus. Wie in (b) gezeigt, erzeugen mehrere Durchgänge eine s-förmige Sprungantwort im Vergleich zu der geraden Linie des einzigen Durchgangs. Die Frequenzantworten in (c) und (d) sind durch Gl. 15-2 multipliziert mit sich für jeden Durchlauf. Das heißt, jede Zeitbereichs-Faltung führt zu einer Multiplikation der Frequenzspektren. Abbildung 15-4 zeigt den Frequenzgang zweier anderer Verwandter des gleitenden Durchschnittsfilters. Wenn ein reiner Gaußscher als Filterkern verwendet wird, ist der Frequenzgang auch ein Gaußscher, wie in Kapitel 11 erläutert. Der Gaußsche ist wichtig, weil er die Impulsantwort vieler natürlicher und künstlicher Systeme ist. Beispielsweise wird ein kurzer Lichtimpuls, der in eine lange faseroptische Übertragungsleitung eintritt, aufgrund der unterschiedlichen Pfade, die von den Photonen innerhalb der Faser aufgenommen werden, als ein Gauss-Puls austreten. Der Gaußsche Filterkernel wird auch weitgehend in der Bildverarbeitung verwendet, da er einzigartige Eigenschaften hat, die schnelle zweidimensionale Windungen ermöglichen (siehe Kapitel 24). Der zweite Frequenzgang in Fig. 15-4 entspricht der Verwendung eines Blackman-Fensters als Filterkernel. (Der Begriff Fenster hat hier keine Bedeutung, er ist einfach Teil des akzeptierten Namens dieser Kurve). Die genaue Form des Blackman-Fensters ist in Kapitel 16 gegeben (Gleichung 16-2, Abb. 16-2), sie sieht jedoch sehr ähnlich wie ein Gaußscher. Wie sind diese Verwandten des gleitenden Durchschnittsfilters besser als der gleitende Mittelfilter selbst? Drei Wege: Erstens, und am wichtigsten, haben diese Filter eine bessere Stopbanddämpfung als das gleitende Mittelfilter. Zweitens verjüngen sich die Filterkerne zu einer kleineren Amplitude nahe den Enden. Es sei daran erinnert, dass jeder Punkt in dem Ausgangssignal eine gewichtete Summe einer Gruppe von Abtastungen von dem Eingang ist. Wenn sich der Filterkern verjüngt, werden die Abtastwerte im Eingangssignal, die weiter entfernt sind, weniger Gewicht als die in der Nähe befindlichen. Drittens sind die Schrittantworten glatte Kurven, und nicht die abrupte gerade Linie des gleitenden Durchschnitts. Diese letzten beiden sind in der Regel von begrenztem Nutzen, obwohl Sie Anwendungen finden könnten, wo sie echte Vorteile sind. Der gleitende Durchschnittsfilter und seine Verwandten sind alle ungefähr gleich, wenn man zufälliges Rauschen reduziert, während eine scharfe Sprungantwort beibehalten wird. Die Mehrdeutigkeit liegt darin, wie die Anstiegszeit der Sprungantwort gemessen wird. Wenn die Anstiegszeit von 0 bis 100 des Schritts gemessen wird, ist der gleitende Durchschnittsfilter das beste, was Sie tun können, wie zuvor gezeigt. Im Vergleich dazu misst die Messung der Risse von 10 bis 90 das Blackman-Fenster besser als das gleitende Mittelfilter. Der Punkt ist, das ist nur theoretische Squabbeln betrachten diese Filter gleich in diesem Parameter. Der größte Unterschied in diesen Filtern ist die Ausführungsgeschwindigkeit. Unter Verwendung eines rekursiven Algorithmus (beschrieben als nächstes) läuft der gleitende Durchschnittfilter wie ein Blitz in Ihrem Computer. In der Tat ist es die schnellste digitale Filter zur Verfügung. Mehrere Durchgänge des gleitenden Durchschnitts werden entsprechend langsamer, aber immer noch sehr schnell sein. Im Vergleich dazu sind die Gauß - und die Blackman-Filter quälend langsam, weil sie die Faltung verwenden müssen. Denken Sie einen Faktor von zehnmal die Anzahl der Punkte im Filterkernel (basierend auf der Multiplikation, die etwa zehnmal langsamer als die Addition ist). Beispielsweise erwarten Sie, dass ein 100-Punkt-Gaussian 1000-mal langsamer als ein gleitender Durchschnitt mit Rekursion ist.