Upload
dinhhanh
View
214
Download
0
Embed Size (px)
Citation preview
Teil IV-A: Signal- und Bildverarbeitung – Methoden
1. Aufgaben der Signal- / Bildverarbeitung
2. Elementare Verarbeitungsmethoden
3. 2D Fourier-Transformation und Faltung
Signalveränderung / -transformation
§ Verbesserung
Rauschunterdrückung, Verbesserung des Signal-Rausch-Verhältnis, Kontrast, ...
§ Anpassung
Registrierung mehrerer Signale zwecks Vergleich, ...
Aufgaben der Signal- / Bildverarbeitung
Signalveränderung / -transformation
§ Verbesserung
Rauschunterdrückung, Verbesserung des Signal-Rausch-Verhältnis, Kontrast, ...
§ Anpassung
Registrierung mehrerer Signale zwecks Vergleich, ...
Signalverarbeitung
§ Detektion von Kontrasten
Bestimmung von Randkonturen, ...
§ Segmentierung und Extraktion von Merkmalen
Regionenbestimmung, Merkmale für Klassifikation, ...
Aufgaben der Signal- / Bildverarbeitung
Transformation von Intensitätswerten auf der Basis individueller Bildpunkte
Invertierung, Streckung, Stauchung, globale Schwellwerte
Schema: direkte Zuordnung von Ein-/Ausgabe-Wertepaaren
hier: Grauwerte ~ Intensitäten
Elementare Verarbeitungsmethoden Punktoperationen zur Grauwertransformation
T(g) = g*
25500
255
T(g )in
gT
Schwellwertgout
gin
T(g )
25500
255
gout
in
g2g1
g*2
g*1
Streckung, Stauchung
gin2550
0
255 T(gin)
gout
gin
Invertierung
Bsp. 1: Invertierung Röntgenbild
(J.C. Rush. The image processing handbook, 3rd ed. CRC Press, 1999)
Bsp. 2: Bild „Tomo1451.jpg“, Streckung mittlerer Grauwerte (mittels ‚xv‘, UNIX)
Beobachtung: Struktur im mittleren Grauwertbereich wird besser sichtbar;Details in dunklen und sehr hellen Bereichen gehen verloren
Bsp. 3: Bild „Cell.jpg“, Binarisierung (mittels ‚xv‘, UNIX)
Beobachtung: Die Bildstruktur wird in zwei Klassen eingeteilt:schwarz - Zellkerneweiss - Rest
Eigenschaften:
i. Plazierung von ( g1, g1* ) und ( g2 , g2* ) legt die Form der
Streckung T‘( . ) > 1bzw.
Stauchung T‘( . ) < 1 fest
ii. Lineare Abschnitte der Transformation T( . ) mit T‘([ga .. ge]) > 0
è Erhaltung der Ordnung der Funktionswerte
iii. mit g1 = g2 und g1* = 0, g2* = Imax
è T( . ) definiert Schwellwertfunktion mit globaler Schwelle T = gl zur
Erzeugung von Binärbildern
Histogramm-Linearisierung (für diskretes Grauwertspektrum)
Diskrete Intensitätswerte mit relativen Häufigkeiten:
Histogramm:
( )kg gρ
kg
255,,1,0, K=kg
g
relative Summenhäufigkeit
relative Summenhäufigkeit (~ Wahrscheinlichkeitsdichtefunktion, pdf)
Bsp. : (aus R.C. Gonzalez, P. Wintz. Digital image processing, Addison-Wesley, 1977)
geg. : 64 x 64 Bild, mit b = 3 : G = {0, 1, ..., 23 - 1 = 7}Grauwertverteilung (normiert : [0, 1]) :
g anz( gk ) ρρg ( gk ) = anz( gk ) / ( 642 )
7901023
85065632924512281
0.190.250.210.160.080.060.030.02
g0 = 0g1 = 1/7g2 = 2/7g3 = 3/7g4 = 4/7g5 = 5/7g6 = 6/7g7 = 1
Transformationsfunktion mittels relativer Summenhäufigkeit und
Abbildung auf normierte Funktionswerte Gnorm = {0, 1/7, 2/7, ..., 1} :
s gknormk
01234567
0.190.440.650.810.890.950.981.00
1/73/75/76/76/7
111
k (1/7 ~ 0.14)
Anmerkung : diskretes Histogramm ~ Approximation einer pdf
à perfekte lineare Histogramme sind eher selten ... !
.
.
≈ 0.143≈ 0.429≈ 0.714≈ 0.857≈ 0.857
Grauwertabbildung :
Abbildung : g sk
7901023
85065632924512281
g0 = 0g1 = 1/7g2 = 2/7g3 = 3/7g4 = 4/7g5 = 5/7g6 = 6/7g7 = 1
::::::::
s0 = 1/7s1 = 3/7s2 = 5/7
s3 = 6/7
s4 = 1
:::
:
:
7901023
850
985
448
k
(R.C. Gonzalez, R.E. Woods. Digital image processing. Addison-Wesley, 1993)
Anwendungsbeispiel :
(J.C. Rush. The image processing handbook, 3rd ed. CRC Press, 1999)
Primäre Zielsetzung bei der Bildfilterung
Filterverfahren
Bildverbesserung Merkmale
Bildglättung Kontrastdetektion
meist linearauch nicht-linear
meist linearauch nicht-linear
Verfahren / Methoden
(Lineare) Filterung
Lineare Filter und ihre Eigenschaften
Aufgabe :
Generelles Ziel (der ersten Verarbeitungsschritte) :
Abschwächung oder Betonung bestimmter Bereiche
des Frequenzspektrums einer Signal- / Bildfunktion
Extraktion relevanter Bildinhalte
Lineare Filterung und (diskrete) Faltung zur Rauschunterdrückung
§ Problem: Elimination von Störungen (~ hochfrequentes (additives) Rauschen)
§ Ansatz: Beseitigung der lokalen Variationen („Ausreisser“) durch Mittelung
benachbarter Funktionswerte
Konzept: • diskrete (numerische) Maske benachbarter Funktionswerte
• Maske wird zeilenweise in allen
Spalten, d.h. an jedem Bildpunkt, angewendet
(à Behandlung der Ränder)
§ Box-Filter (3 x 3 Maske)
Koeffizienten :
diskrete Faltung ( Bild : f(x, y) ) :
g*(x, y)
x = 0, 1, ..., M-1; y = 0, 1, ..., N-1
Verallgemeinerung (m x m Matrix) :
Diskrete Faltung (für beliebige Maskengrössen) :
m = 2k + 1
m
Box-Tiefpass Filter unterschiedlicher
Grössen – Beispielanwendung
(R.C. Gonzalez, R.E. Woods. Digital image processing. Addison-Wesley, 1993)
N x N Maske, N = {3, 5, 7, 15, 25}
Kontinuierlicher Fall
geg. : 2D Signalfunktion (Ortsbereich) f(x, y)
à entsprechend der 1D Fourier-Transformation gelten die Transformationspaare(hier: balancierte Notation durch Aufteilung der Skalierungsfaktoren !):
Transformation vom Orts- in den Frequenzraum
mit u = fx , v = fy ;ωωx = 2ππ / Tx = 2ππ u , ωωy = 2ππ / Ty = 2ππ v
2D Fourier-Transformation und Faltung2D Transformationspaar
mit
Ψ
λ
y
x
2D Cosinus-Welle
λ = Tx cos Ψ Tx = l / cos Ψ
λ = Ty cos(90 – Ψ) Ty = l / sin Ψ
sin Ψ
λ
Tx
Ty
Ψ
Ψ
Diskreter Fall
1. Transformation vom Orts- in den Frequenzraum:
i. Matrix mit N x M Bildpunkten
für u = 0, 1, ..., M-1 und v = 0, 1, ..., N-1
Abtastabstände: ∆u = 1 / (M ∆x) und ∆v = 1 / (N ∆y)
ii. quadratische Matrix mit N Bildpunkten (M = N)2
Transformation
Spalten
Zeilen
2. Rücktransformation
i. für N x M Matrix
ii. für quadratische Matrix (N Bildpunkte)2
Bildbeispiele von Amplitudenspektren verschiedener Eingangssignale
Isotropie:Frequenzen in alle Richtungen
Unschärfeprinzip:Frequenzen orthogonal zum Strukturverlauf
(R.C. Gonzalez, R.E. Woods. Digital image processing. Addison-Wesley, 1993)
Fourier- / Amplituden-Spektrum
Visualisierung von Fourier-Spektren
à Häufig hoher Dynamikbereich in Fourier- (Amplituden-) Spektren durch Dominanz des Gleichanteils, (u, v) = (0, 0)
„Trick“ für Visualisierung:
(R.C. Gonzalez, R.E. Woods. Digital image processing. Addison-Wesley, 1993)
Eigenschaften
( ) ( )[ ]vuFcvuD ,1log, +⋅=
Signalparameter
§ Für 1-dimensionale Signale s(t)
• Mittels Fourier-Analyse wird deren Darstellung in Form eines trigonometrischen Polynoms gezeigt
• Die einzelnen harmonischen Komponenten werden durch 3 Parameter eindeutig repräsentiert:
i. Amplitude (~ Fourier-Koeffizienten)
ii. Frequenz
iii. Phase (~ Phasenverschiebung)
§ Für 2-dimensionale Signale f(x, y) à weiterer Parameter:
iv. Richtung (~ Richtung einer Wellenfront in der Bildebene)
§ Spektren:
a) Amplituden- oder Magnitudenspektrum
b) Phasenspektrum
Parameter der Fourier-Transformation
| F(u) | bzw. | F(u, v) |
ΦΦ(u) bzw. ΦΦ(u, v)
Bestimmung der Parameter aus F(u, v) ∈∈ C C – Spektral-Eigenschaften
1. Frequenz
(aus den Koordinaten !)
Repräsentiert eine Schwingung, die mit 4 Parametern eindeutig bestimmt ist !
v
uu i
v i
tiefe
mittlere Frequenzen
hohe
Charakteristische Filtereigenschaften
a) Tiefpass : Unterdrückung hoher Frequenzanteile, niederfrequente Anteile passieren weitgehend ungehindert
Funktion: Bildstörungen (~ Rauschen) sind hochfrequent, daher dienen Tiefpassfilter zur Rausch-Unterdrückung (~ Bildglättung)
b) Hochpass : Unterdrückung niedriger Frequenzanteile, hohe Frequenzen passieren weitgehend ungehindert
Funktion: Hervorhebung von Kontrasten (Kanten) der Signalfunktion; Nachteil: Störungen erscheinen wesentlich verstärkt
c) Bandpass : Kombination von Hoch- und Tiefpassfilter
Funktion: Hervorhebung bestimmter Frequenzanteile;Betonung von Kontrasten (Kanten) in verrauschten Daten
2. Amplitude
è Amplitudenspektrum (~ Magnituden- / Leistungsspektrum) :
Beträge (~ Längen) der Vektoren für (alle) Frequenzen des Fourier-Spektrums
Länge des Vektors (= Skalar) der komplexen Zahl an (ui, vi)
|F(u, v)|
u i
v i
Re
Im
|F(.)|
3. Phase
è Phasenspektrum :
Phasenwinkel (ε [-π, π]) für das gesamte Fourier-Spektrum (in geeigneter Codierung zur Darstellung)
Phasenlage (Phasenwinkel) des (komplexen) Funktionswertes
u i
v i
Re
Imcode{Φ}
Φ
4. Richtung
Richtungswinkel des Ortsvektors in Polarkoordinaten-Darstellung
v
uu i
v i
Ψ
a) 2D Signalfunktionb) Betrag des Fourier-Spektrums |F(u, v)|c) helligkeits-codierte Betragsfunktion
(R.C. Gonzalez, R.E. Woods. Digital image processing. Addison-Wesley, 1993)
Beispiel : Transformation einer verschobenen Box-Funktion
Linearität
a) Superposition :
b) Homogenität :
Ähnlichkeit (Dehnung, Stauchung)
Eigenschaften
Translation im Orts- und Frequenzbereich
1. Verschiebung im Frequenzbereich
2. Verschiebung im Ortsbereich
è Verschiebung der Funktion im „Ziel“-Raum bewirkt lineare Phasendrehungim Komplementär-Raum !
Periodizität und konjugierte Symmetrie (diskrete Fourier-Transformation)
geg.: diskrete Bildfunktion mit homogener Abtastung, ∆x, ∆y, undrechteckiger Fensterfunktion
§ diskrete Fourier-Transformation und ihre Inverse sind periodisch mit den achsenspezifischen Periodenlängen N bzw. M
§ für reelle f(x, y) gilt (* : komplex Konjugierte) :
bzw.u
v
M
N
§ Periodenverschiebung bei diskreter Transformation
Formulierung der diskreten Fourier-Transformation für Werte
u ε [0, N-1] und v ε [0, M-1]
Ergebnis :
è
§ 1D Fall :
Zur Darstellung einer vollen Periode können die jeweils diagonal gegenüberliegenden Quadranten (mit je einer Halbperiode) vertauscht werden !
u
v
0
0
Transformierte erscheint mit jeweils 2 aneinandergrenzenden Halbperioden
(R.C. Gonzalez, R.E. Woods. Digital image processing. Addison-Wesley, 1993)
Rotation
§ Rotation eines Bildsignals f(x, y) um θθ0 0 bewirkt eine entsprechende Rotation des Spektrum F(u, v)
§ Beispiele:
(R.C. Gonzalez, R.E. Woods. Digital image processing. Addison-Wesley, 1993)
Differentiation
§ Allgemein
§ Beispiele:
a) Ableitung 1. Ordnung
b) Ableitung 2. Ordnung
c) Laplace-Operator
Kreis-Funktion r 2
Faltung
geg. : 2 analoge / diskrete 2D Signalfunktionen f(x, y) und g(x, y)
§ Faltungsintegral
2D Faltung (Konvolution) und Korrelation
Faltung
geg. : 2 analoge / diskrete 2D Signalfunktionen f(x, y) und g(x, y)
§ Faltungsintegral
§ Faltungssumme (sequentielle Faltung)
geg.: diskrete begrenzte Bildfunktionen und Masken
Problem: Was passiert an den Rändern ?
2D Faltung (Konvolution) und Korrelation
?
?
• Periodenanpassung („extended sequences“)
• Diskretes Faltungsprodukt
für x = 0, 1, ..., M-1 und y = 0, 1, ..., N-1
A x B C x D
A
B
C
D
Maske, g(x, y)
M
N
und
( à Dirichlet‘sche vs. Neumann‘sche Randbedingungen )
Faltungstheorem
Es gilt: a) für analoge Funktionen
FF{f(x, y) g(x, y)} = FF{f(x, y)} FF{g(x, y)}
b) für diskrete Funktionen („extended sequences“)
FF{fe[x, y] ge[x, y]} = FF{fe[x, y]} FF{ge[x, y]}
* .
* .
* .
g(x, y)
f(x, y)
f(x, y) g(x, y)
G(u, v)
F(u, v)
F(u, v) G(u, v)* .
F{.}
F {.}-1
Orts-Bereich
Frequenz-Bereich
Korrelation
§ Korrelationsintegral
§ Korrelationssumme („extended sequences“)
für x = 0, 1, ..., M-1 und y = 0, 1, ..., N-1
è für Autokorrelation
Kreuzkorrelation
§ Zusammenhang mit Faltung und Fourier-Transformation
i. Beziehung zur Faltung
ii. Beziehung zur Fourier-Transformation
Hinweis:
f*(x, y) (komplex Konjugierte)
Beziehungen gelten sowohl für analoge als auch für diskrete Funktionen („extended sequences“) !
Separierte Faltung
geg. : und
§ Faltungsintegral
§ Faltungssumme (mit )
1D-Faltung è Zwischenergebnis
1D-Faltung è N Zeilenvektoren
[ ] [ ] [ ] [ ]yhxkyxgyxf eeee ⋅=,,,
( )yxf , ( ) ( ) ( )yhxkyxg ⋅=,
Faltung und Fourier-Transformation
§ 2D Faltung
• M Spalten, N Zeilen• für jeden Punkt (x, y): M x N (komplexe) Multiplikationen
(M x N) ~ , für N = M :
§ 2D Fourier-Transformation
• Transformation (M x N) (M x N) komplexe Multiplikationen• Filterung 2 M N F.T. für f(.) und g(.)
M N Multiplikation der Spektren F und GM N Rücktransformation
4 M N ~ , für N = M :
§ Separierte Faltung
• M Spalten, N Zeilen• in N Zeilen, für jede Spalte x M Mult. = M N Multiplikationen
in M Spalten, für jede Zeile y N Mult. = M N Multiplikationen
M N + M N ~ für N > M , für N = M :
( )22 NMO2
.22.22
22
22.
2
2
2 2
Berechnungsaufwand (Zeitkomplexität)
( )4NO
( )22 NMO ( )4NO
( )2MNO ( )3NO
§ Schnelle Fourier-Transformation („Fast Fourier Transform“, FFT)
à M = N, N = 2 („Radix-2“)
Zeitkomplexität:
à Master-Theorem für Rekursionsgleichungen (siehe T.H. Cormen, C.E. Leiserson, R.L. Rivest. Introduction to algorithms. MIT Press, 1990, p.61ff)
aus der asymptotischen Abschätzung von T(n) folgt:
Hinweis : Durch Ausnutzung der Struktur 2-dimensionaler Signale kann mittels weiterer Zerlegung der Aufwand auf
reduziert werden!
n
( ) ( )NNONNO loglog 222 =
NN log4
3 2
Unschärferelation zwischen Orts- und Frequenzbereich
gewünscht : Möglichst begrenzte, d.h. auf einen lokalen Wirkungsbereich beschränkte, (Filter-) Funktion bei gleichzeitiger Wirkung auf ähnliche, d.h. benachbarte, Frequenzen !
Minimierung der Unschärfe zw. der Lokalisation von Ort und Frequenz
Paare von Fourier-Transformationen (ausgewählte Beispiele) :
Unschärferelation und Gauss-Filter
(R.N. Bracewell. The Fourier transform and its applications, 2. edition. McGraw-Hill, 1978)
Gauss-Funktion
Fourier-Transformation der Gauss-Funktion (1D und 2D)
Ähnlichkeit zwischen Orts-Funktion und Spektrum der Gauss-Funktion
à wg. der Form des Transformationskerns (exp[-j ω x]) und der Integralbeziehungergibt sich für Exponentialfunktionen ein ähnlicher Funktionsverlauf zwischen der Funktion im Ort und ihrer Transformierten !