EmguCV Image Process: Filtering the Images part 1

EmguCV Image Process: Filtering the Images

參考OpenCV 2 Computer Vision Application Programming Cookbook第六章

介紹內容如下：

Filtering images using low-pass filters

Eiltering images using a median filter

Applying directional filters to detect edges

Computing the Laplacian of an image


Filtering在信號處理、影像處理中是一種相當基本且重要的課題

Filtering被用來提取影像中某些特定的視覺特徵

而這些特徵則可能傳達了某些重要的資訊

像是一些Filtering可以去除雜訊、擷取視覺感興趣的特徵、或是影像重組等

這裡並不特別去深入研究信號與系統的理論

而是實作一些與影像相關且重要的Filtering

說明Filtering如何在影像中運作

首先就必須先來解釋一下所謂的frequency domain analysis(頻率域的分析)


當我們在看一張影像的時候

會觀察到不同的灰階值(顏色)分布在影像上

一張影像不同於另一張影像主要就是它們之間的灰階值的分布不同

這種直觀的透過灰階值的分佈來分析的方式稱作為：

spatial domain(analysis) 空間域(分析)

而另一種觀點，則是透過影像中灰階值的變化(Gray-level variations)

例如某些影像包含了相當大的區塊的灰階值是幾乎不變的(例如藍天的區塊)

而某些影像可能在灰階值上是呈現快速變化的(例如包含許多物件的複雜影像)

因此，分析影像中這些變化的頻率則稱為：

frequency domain(analysis) 頻率域(分析)


在頻率域分析中，時常會把影像分成：

低頻(low frequencies) 跟 高頻(high frequencies)

低頻對應到的就是影像中灰階值變化較平緩的區域

高頻對應到的就是影像中灰階值變化劇烈的區域

常見的一些頻率域的轉換有：Fourier transform(傅立葉轉換)、Cosine transform(餘弦轉換)等

這些轉換都能夠用來清楚的呈現影像中頻率域的內容


在頻率域的分析中，利用Filtering能夠用來放大、遮蔽、壓縮指定區塊的頻率

像是：low-pass filter就是消除高頻率的部分

而這個章節將會介紹幾種在頻率域上使用的Filter

Filtering images using low-pass filters

一開始就來介紹最基本的low-pass filters

這裡就是試著把影像的變化的幅度降低

簡單說就是將每個pixel的值取為周圍的pixels取平均

這樣就能減低灰階值的變化，使影像變得比較smooth

//Read input image
Image<Bgr, Byte> image = new Image<Bgr, Byte>("image.jpg");
//The kind of filter is also called a box filter
Image<Bgr, Byte> blur = image.SmoothBlur(5, 5);

這裡採用5X5的filter來運作

結果如下：

這裡直接採取周圍的平均值，整個畫面都模糊了!!

其運作的機制就是透過一個5X5的kernek矩陣來計算pixel的值

5X5 kernel

而每一個鄰點的權重值都一樣

所以也就是鄰近25個點的平均值

應用這種線性的filter，不斷的移動kernel到每個pixel來做計算

而每個鄰點都需乘上所對應的權重值然後再加總起來!!

這種運算也稱作：convolution(捲積)


而另外也有透過鄰近的遠近加上權重的計算方式

越靠近基準點的位置的權重就越大

像是著名的：Gaussian function

//It might be desirable to give more importance to the
//closer pixels in the neighborhood of a pixel
Image<Bgr, Byte> gaussian = image.SmoothGaussian(5);

一樣採用5X5的大小去運作

結果如下：

因為加上鄰近的權重值，所以畫面上看起來比較不會這麼模糊!

而關於Gaussian function的計算方式非常複雜

1D Gaussian function：

這個複雜的函式有興趣的可以自己到wiki來學習


而low-pass filter也常用在resize(縮放)的功能上

如果要把一張影像縮成原來的1/2大小

直觀的做法就是消除影像中的偶數列和偶數行

但不幸的是，這樣的作法往往會使影像看起來不那麼好

舉例來說：一條在原始影像中的斜線

可能在縮小之後變成像樓梯一般的鋸齒狀

這種鋸齒狀的失真還會出現在影像中的曲線、紋理上

這種不良的現象稱作為：spatial aliasing

這種現象會發生在試著在過小的影像中包含過多的高頻區塊

而實際上，較小的影像相較於較大的影像

確實就無法表現出較好的紋理或形狀的邊線

這裡就能夠透過low-pass filter來運作

//reduce image size by half
Image<Bgr, Byte> pyrDown = image.PyrDown();

PyrDown會採用5X5的Gaussian filter來對影像做low-pass filter

結果如下：

產生的結果是經過low-pass filter的影像

所以看起來會比較不這麼銳利

PyrDown這個方法在前景物件偵測中相當常用到

能夠透過PyrDown和PyrUp這兩個函式建立image pyramids

這是一個資料結構，包含同一個影像的多種大小

像是在物件偵測中，會利用最小的那份影像來做物件偵測

然後在最大的那份影像上做標記


而另外也有Resize的方法來做縮放

這就是一般的縮放方法

你可以設定長、寬，或是縮放比例

以及縮放的演算法等

//1/2 resizing
Image<Bgr, Byte> resize = image.Resize(0.5, Emgu.CV.CvEnum.INTER.CV_INTER_LINEAR);

縮放0.5倍，採用linear的演算法

結果如下：

可以發現利用resize的結果比較銳利!!

在縮放的函式中沒有哪個方式比較好

而是要找出比較適合所要達到的目的的方式來做!!

下一篇將介紹可解決salt and pepper noise的median filter