اطلاعیه

Collapse
No announcement yet.

بدست آوردن نقاب های مکانی معادل یک فیلتر فرکانس

Collapse
X
 
  • فیلتر
  • زمان
  • Show
Clear All
new posts

    بدست آوردن نقاب های مکانی معادل یک فیلتر فرکانس

    با عرض سلام

    دوستان کسی می دونه " بدست آوردن نقاب های مکانی معادل یک فیلتر فرکانسی " چگونه صورت می پذیرد ؟

    من کتاب پردازش تصویر دیجیتال جعفر نژاد دارم تو این کتاب چیزی در این باره هست ؟
    بمیرد روزگار و خاطراتش.

    #2
    پاسخ : بدست آوردن نقاب های مکانی معادل یک فیلتر فرکانس

    نوشته اصلی توسط امیر حسین
    با عرض سلام

    دوستان کسی می دونه " بدست آوردن نقاب های مکانی معادل یک فیلتر فرکانسی " چگونه صورت می پذیرد ؟

    من کتاب پردازش تصویر دیجیتال جعفر نژاد دارم تو این کتاب چیزی در این باره هست ؟
    سلام ..................

    معادل لاتین این چیزی که گفتین چی میشه؟ منظورتون Mask Filtering هست؟
    دوستان! مدتی کمتر به سایت میام ..

    دیدگاه


      #3
      پاسخ : بدست آوردن نقاب های مکانی معادل یک فیلتر فرکانس


      سلام

      راستش من این ترم پردازش تصویر دارم
      استادم گفته این سر فصل واسه امتحان بخونید
      من کتاب جعفر نژاد که رفرنسمونرو نیگا کردم
      همچین چیزی نداشت

      راستش این یه سوال کلیه که میگن همیشه تو امتحاناش میده
      بمیرد روزگار و خاطراتش.

      دیدگاه


        #4
        پاسخ : بدست آوردن نقاب های مکانی معادل یک فیلتر فرکانس

        سلام .................

        ببینید من خودم کتاب ایشون رو نخوندم .. کتابی که من خوندم؛ گونزالس بود .. برای همین نمیتونم در مورد لیست مطالبشون چیزی بگم .. امــا سوالتون رو یک مقدار باز میکنم .. به دست آوردن نقاب های مکانی معادل یک فیلتر فرکانسی .. از اونجایی که ما توی پردازش تصویر بیشتر در حوزه ی دیجیتال کار میکنیم؛ میدونیم که یک تفاوت عمده وجود داره بین این حوزه و حوزه ی آنالوگ .. توی حوزه ی انالوگ اطلاعاتی که بر مینای اونها باید قضاوت نیم؛ سیگنال های پیوسته هستن و میدونیم که این سیگنال ها از یه فاکتور اساسی به ام فرکانس برای هویتشون استفاده میکنن .. امــا توی حوزه ی دیجیتال این اتفاق گسسته میشه و در واقع؛ این پیکسل ها هستن که برای ما خیلی اهمیت پیدا میکنن و اگه بخوایم برروی تصویر عملیاتی انجام بدیم؛ باید بریم به سراغ پیکسل ها ..

        حالا یکی از این عملیات که خیلی هم متداوله و تقریبا یکی از مراحل هر پردازشی رو شامل میشه؛ Filtering هست .. اگه بخوایم به فیلتر در محدوده ی فرکانسی نگاه کنیم؛ طبیعتا میتونیم با مفاهیمی که قبلا از تئوری سیگنال خوندیم؛ اون رو تطابق بدیم امــا برای حوزه ی گسسته مفهومی که از فیلتر استنباط میشه دقیقا چیه؟ در حقیقت در این فضا؛ تصمیم گیری شکسته میشه بر روی تک تک پیکسل ها و این اتفاقیه که در عمل هم میوفته .. توی حوزه ی گسسته اصطلاحی که برای فیلتر وجود داره Filter in spatial domain هست .. امــا تئوری ذاتی محاسباتیش به چه ترتیبه؟

        اون چیزی که مسلمه اینه که باید یه جوری خواستمون رو به پیکسل های تصویر منتقل کنیم امــا چه طور؟ ایده به این صورته .. فرض کنید یه مربع 3*3 داریم که یک سری وزن توی خونه هاش تعیین کردیم (بر حسب اون انتظاری که ما از فیلترمون داریم .. مثلا یه فیلتر گوسین با سیگمای 0.3 .. ) .. توی محدوده ی فرکانس این اتفاق چطوری میوفتاد؟ یه سیگنال اصلی داشتیم که با یه سیگنال گذرا Convolve میشد .. یعنی حرکت میکرد و از دورترین نقطه نزدیک سیگنال پایه میشد و بعد Overlapping و در آحر هم از سمت دیگه ی سیگنال دور میشد .. حالا همین اتفاق رو بیارید روی اون مربع .. مربع حکم همون Template گذرای مارو داره و تصویر هم حکم سیگنال پایه .. این مربع شروع میکنه به حرکت بر روی تصویر و بر حسب وزن های ثابتی که داره؛ روی تک تک پیکسل ها تاثیر میذاره ..

        نتیجه ی این عمل میشه پاسخ فیلتر یا R که یه معادله ی خططیه که حاصل جمع پیکسل های متناطر*وزن های متناظر هست .. یعنی چی؟ ببینید الان ما چی داریم؟ یه مربع که بهش میگن template یا Kernel یا Window یا Mask .. این مربع روی تصویر ماست دیگه؛ درسته؟ یعنی در واقع این مربع افتاده روی 9 تا پیکسل ما که هر کدوم یه مختصاتی دارن (یعنی یه مکان مشخص دارن..) .. اون معادله ای که گفتیم برای پاسخ فیلتر استفاده میشه میاد چیکار میکنه؟ میاد میگه پیکسلی که زیر وزن w0 هست رو مقدارش رو بخون (بر حسب intensity ..) .. این مقدار رو در w0 ضرب کن و یه برو به خونه ی بعد مربع (و پیکسل نظیرش ..) و این عمل رو برای تمام خونه های 9 گانه انجام بده و همه رو باهم جمع کن .. اینطوری تونستیم یه تصویر و با Mask ای که خواستیم فیلتر کنیم .. (دقت کنید که این عمل برای کل پیکسل های تصویر انجام میشه ..) .. حالا برای اینکه یه مثال عملی هم بزنیم؛ میتونیم به Smoothing Filter اشاره کنیم .. کاری که این فیلتر میکنه چیه؟ تصویر رو Smooth میکنه (نرم میکنه ..) .. چجوری این کار رو انجام میده؟ متدش اینطوری: مقدار هر پیکسل رو با میانگین پیکسل های مجاورش جایگزین میکنه .. یعنی اگه یه پیکسل رو در نظر بگیرید و اندازه ی Mask مون رو هم 3*3 انتخاب کنید؛ مقدار اون پیکسل برابر میشه با میانگین 8 پیکسل اطرافش .. به این ترتیب خروجی تصویر ما با اعمال فیلتر Smoothing یا همون (average filter ..) شده یه تصویر Smooth شده .. موفق باشید ..
        دوستان! مدتی کمتر به سایت میام ..

        دیدگاه


          #5
          پاسخ : بدست آوردن نقاب های مکانی معادل یک فیلتر فرکانس

          جناب حسام الدین عزیز

          ضمن عرض تشکر از اینکه واقعا انقدر وقت گذاشتی دوست عزیزم

          قطعا هم تقصیر از منه که موضوع رو انقد کلی مطرح کردم وگرنه به علم شما هیچ اشکالی وارد نیس

          این از عملکردت معلومه

          راستش فکر می کنم جوابش این نیس

          من تا 3 روز دیگه تحقیق می کنم و نتیجشو اینجا منتقل می کنم .(شاید منظور این باشه که ما یه فیلتر رو در حوزه ی فرکانس طراحی کردیم حالا چه طور به ماسک 3*3 اش در حوزه مکان برسیم)
          بمیرد روزگار و خاطراتش.

          دیدگاه


            #6
            پاسخ : بدست آوردن نقاب های مکانی معادل یک فیلتر فرکانس

            سلام .....................

            OK .. متوجه شدم .. کاری که احتمالا میخواید انجام بدید یه تناظر هست بین Frequency domain و Spatial domain .. من با یه مثال بحث رو از دیدگاه خودم میگم .. بحث رو ببریم روی Gaussian filter و اتفاقی که توی حوزه ی فرکانس میوفته .. یه سیگنال با توزیع گوسی که از یه تعریف ریاضی ثابت (با سیگما های متغییر .. ) به دست میاد .. (رابطه ی زیر یه مدل 1D رو نشون میده ..)



            حالا اگه بخوایم این ارتباط رو ببریم در حوزه ی گسسته و اونجا تعریفش کنیم باید یه Approximation مناسب ازش داشته باشیم تا با کمترین میزان خطا بتونیم انطباق بین حوزه ی سیگنالی و حوزه ی پیکسلی رو انجام بدیم .. سوال اینه که این Approximation چطور باید انجام بشه و آیا هر Approximation ای میتونه خوب باشه یا نه؟ لینک های زیر فکر کنم بتونه کمکتون کنه ..

            http://homepages.inf.ed.ac.uk/rbf/HIPR2/gsmooth.htm
            http://homepages.inf.ed.ac.uk/rbf/HIPR2/freqfilt.htm
            http://homepages.inf.ed.ac.uk/rbf/HIPR2/unsharp.htm

            http://www.ph.tn.tudelft.nl/Courses/...-Smoothin.html

            فایل های پیوست شده
            دوستان! مدتی کمتر به سایت میام ..

            دیدگاه

            لطفا صبر کنید...
            X