Одномерный цифровой медианный фильтр с трехотсчетным окном. Недостатки медианных фильтров

Digital signals processing

Тема 16. Медианные фильтры

Кому неведомо всегдашнее несоответствие между тем, что человек ищет, и что находит?

Николло Макиавелли. Итальянский политик, историк. 1469-1527 г.

Когда имеешь дело с ориентировкой на середину – будь вдвойне осторожен. Социализм тоже претендовал на средний рай для всех, а на выходе получил убогую казарму.

Эрнст Трубов. Уральский геофизик. ХХ в.

Введение.

1. Медианная фильтрация одномерных сигналов. Принцип фильтрации. Одномерные фильтры. Подавление статистических шумов. Импульсные и точечные шумы. Перепад плюс шум. Ковариационные функции. Преобразование статистики шумов. Частотные свойства фильтра. Разновидности медианных фильтров. Достоинства медианных фильтров. Недостатки медианных фильтров.

2. Медианная фильтрация изображений. Шумы в изображениях. Двумерные фильтры. Адаптивные двумерные фильтры. Фильтры на основе ранговой статистики.

Введение

Медианные фильтры достаточно часто применяются на практике как средство предварительной обработки цифровых данных. Специфической особенностью фильтров явно выраженная избирательность по отношению к элементам массива, представляющим собой немонотонную составляющую последовательности чисел в пределах окна (апертуры) фильтра, и резко выделяющихся на фоне соседних отсчетов. В то же время на монотонную составляющую последовательности медианный фильтр не действует, оставляя её без изменений. Благодаря этой особенности, медианные фильтры при оптимально выбранной апертуре могут, например, сохранять без искажений резкие границы объектов, эффективно подавляя некоррелированные или слабо коррелированные помехи и малоразмерные детали. Это свойство позволяет применять медианную фильтрацию для устранения аномальных значений в массивах данных, уменьшения выбросов и импульсных помех. Характерной особенностью медианного фильтра является его нелинейность. Во многих случаях применение медианного фильтра оказывается более эффективным по сравнению с линейными фильтрами, поскольку процедуры линейной обработки являются оптимальными при равномерном или гауссовом распределении помех, что в реальных сигналах может быть далеко не так. В случаях, когда перепады значений сигналов велики по сравнению с дисперсией аддитивного белого шума, медианный фильтр дает меньшее значение среднеквадратической ошибки по сравнению с оптимальными линейными фильтрами. Особенно эффективным медианный фильтр оказывается при очистке сигналов от импульсных шумов при обработке изображений, акустических сигналов, передаче кодовых сигналов и т.п. Однако детальные исследования свойств медианных фильтров как средства фильтрации сигналов различного типа являются довольно редкими.

16.1. МедианНая фильтрацИя одномерных сигналов .

Принцип фильтрации. Медианы давно использовались и изучались в статистике как альтернатива средним арифметическим значениям отсчетов в оценке выборочных средних значений. Медианой числовой последовательности х 1 , х 2 , … , х n при нечетном n является средний по значению член ряда, получающегося при упорядочивании этой последовательности по возрастанию (или убыванию). Для четных n медиану обычно определяют как среднее арифметическое двух средних отсчетов упорядоченной последовательности.

Медианный фильтр представляет собой оконный фильтр, последовательно скользящий по массиву сигнала, и возвращающий на каждом шаге один из элементов, попавших в окно (апертуру) фильтра. Выходной сигнал y k скользящего медианного фильтра шириной 2n+1 для текущего отсчета k формируется из входного временного ряда …, x k -1 , x k , x k +1 ,… в соответствии с формулой:

y k = med(x k - n , x k - n +1 ,…, x k -1 , x k , x k +1 ,…, x k + n -1 , x k + n), (16.1.1)

где med(x 1 , …, x m , …, x 2n+1) = x n+1 , x m – элементы вариационного ряда, т.е. ранжированные в порядке возрастания значений x m: x 1 = min(x 1 , x 2 ,…, x 2n+1) ≤ x (2) ≤ x (3) ≤ … ≤ x 2n+1 = max(x 1 , x 2 ,…, x 2n+1).

Таким образом, медианная фильтрация осуществляет замену значений отсчетов в центре апертуры медианным значением исходных отсчетов внутри апертуры фильтра. На практике апертура фильтра для упрощения алгоритмов обработки данных, как правило, устанавливается с нечетным числом отсчетов, что и будет приниматься при рассмотрении в дальнейшем без дополнительных пояснений.

Одномерные фильтры. Медианная фильтрация реализуется в виде процедуры локальной обработки отсчетов в скользящем окне, которое включает определенное число отсчетов сигнала. Для каждого положения окна выделенные в нем отсчеты ранжируются по возрастанию или убыванию значений. Средний по своему положению отчет в ранжированном списке называется медианой рассматриваемой группы отсчетов. Этим отсчетом заменяется центральный отсчет в окне для обрабатываемого сигнала. В силу этого медианный фильтр относится к числу нелинейных фильтров, заменяющим медианным значением аномальные точки и выбросы независимо от их амплитудных значений, и является устойчивым по определению, способным аннулировать даже бесконечно большие отсчеты.

Алгоритм медианной фильтрации обладает явно выраженной избирательностью к элементам массива с немонотонной составляющей последовательности чисел в пределах апертуры и наиболее эффективно исключает из сигналов одиночные выбросы, отрицательные и положительные, попадающие на края ранжированного списка. С учетом ранжирования в списке медианные фильтры хорошо подавляют шумы и помехи, протяженность которых составляет менее половины окна. Стабильной точкой является последовательность (в одномерном случае) или массив (в двумерном случае), которые не изменяются при медианной фильтрации. В одномерном случае стабильными точками медианных фильтров являются "локально-монотонные" последовательности, которые медианный фильтр оставляет без изменений. Исключение составляют некоторые периодические двоичные последовательности.

Благодаря этой особенности, медианные фильтры при оптимально выбранной апертуре могут сохранять без искажений резкие границы объектов, подавляя некоррелированные и слабо коррелированные помехи и малоразмерные детали. При аналогичных условиях алгоритмы линейной фильтрации неизбежно «смазывает» резкие границы и контуры объектов. На рис. 16.1.1 приведен пример обработки сигнала с импульсными шумами медианным и треугольным фильтрами с одинаковыми размерами окна N=3. Преимущество медианного фильтра очевидно.

В качестве начальных и конечных условий фильтрации обычно принимаются концевые значения сигналов, либо медиана находится только для тех точек, которые вписываются в пределы апертуры.

Подавление статистических шумов медианными фильтрами в связи с их нелинейностью обычно рассматривается только на качественном уровне. Нельзя также четко разграничить влияние медианных фильтров на сигнал и шум.

Если значения элементов последовательности чисел {x i } в апертуре фильтра являются независимыми одинаково распределенными (НОР) случайными величинами со средним значением m

то математическое ожидание M{z} = 0 и, следовательно, M{x}=m.

Пусть F(x) и f(x)=F"(x) обозначают функции распределения и плотности вероятностей величин х. Согласно теории вероятностей, распределение у = med(х 1 , ... , х n) для больших n является приблизительно нормальным N(m t ,  n), где m t - теоретическая медиана, определяемая из условия F(m t) = 0.5, при этом дисперсия распределения:

 n 2 = 1/(n 4f 2 (m t)). (16.1.2)

Приведенные результаты справедливы как для одномерной, так и для двумерной фильтрации, если n выбирать равным числу точек в апертуре фильтра. Если f(x) симметрична относительно m, то распределение медиан также будет симметрично относительно m и, таким образом, справедлива формула:

M{med(х 1 , ... , х n)} = M{x i } = m.

Если случайные величины х являются НОР и равномерно распределены на отрезке , то можно найти точное значение дисперсии медианы по формуле:

 n 2 = 1/(4(n+2)) = 3 x /(n+2).

Если случайные величины х являются независимыми, одинаково распределенными с нормальным распределением N(m, ), то m t = m. Модифицированная формула дисперсии медианы для малых нечетных значений n:

 g    2 /(2n-2+). (16.1.2")

Значение дисперсии шумов для случайных величин в скользящем n-окне арифметического усреднения (фильтр МНК первого порядка) имеет значение  2 /n. Это означает, что для нормального белого шума при равных значениях n окон медианного фильтра и фильтра скользящего усреднения, дисперсия шумов на выходе медианного фильтра приблизительно на 57% больше, чем у фильтра скользящего среднего. Чтобы медианный фильтр давал ту же дисперсию, что и скользящее усреднение, его апертура должна быть на 57% больше. При этом следует иметь в виду, что искажение полезных сигналов, особенно при наличии в них скачков и крутых перепадов, даже при большей апертуре медианного фильтра может оказаться меньше, чем у фильтров скользящего среднего.

Положение изменяется, если плотность распределения случайных величин существенно отличается от нормального и имеет длинные хвосты, которые и ликвидируются медианным фильтром, что обеспечивает оптимальную и наиболее правдоподобную оценку текущих значений сигнала по минимуму среднеквадратического приближения. Так, при экспоненциальном (по модулю) распределении плотности шумов

f(x) = (
/ exp(-
|x-m| /)

дисперсия шумов после медианного фильтра на 50% меньше, чем после фильтра скользящего среднего.

Предельным случаем таких распределений является импульсный шум, случайный по амплитудам и месту появления, который и подавляется медианными фильтрами с наибольшей эффективностью.

Импульсные и точечные шумы . При регистрации, обработке и обмене данными в современных измерительно-вычислительных и информационных системах потоки сигналов кроме полезного сигнала s(t- 0) и флуктуационных шумов q(t) содержат, как правило, импульсные потоки g(t)=
(t- k) различной интенсивности с регулярной или хаотической структурой

x(t) = s(t- 0) + g(t) + q(t). (16.1.3)

Под импульсным шумом понимается искажение сигналов большими импульсными выбросами произвольной полярности и малой длительности. Причиной появления импульсных потоков могут быть как внешние импульсные электромагнитные помехи, так и наводки, сбои и помехи в работе самих систем. Совокупность статистически распределенного шума и потока квазидетерминированных импульсов представляет собой комбинированную помеху. Радикальный метод борьбы с комбинированной помехой - применение помехоустойчивых кодов. Однако это приводит к снижению скорости и усложнению систем приемо-передачи данных. Простым, но достаточно эффективным альтернативным методом очистки сигналов в таких условиях является двухэтапный алгоритм обработки сигналов x(t), где на первом этапе производится устранение из потока x(t) шумовых импульсов, а на втором – очистка сигнала частотными фильтрами от статистических шумов.Для сигналов, искаженных действием импульсных шумов, отсутствует строгая в математическом смысле постановка и решение задачи фильтрации. Известны лишь эвристические алгоритмы, наиболее приемлемым из которых является алгоритм медианной фильтрации.

Допустим, что шум q(t) представляет собой статистический процесс с нулевым математическим ожиданием, полезный сигнал s(t- 0) имеет неизвестное временное положение  0  , а поток шумовых импульсов g(t) имеет вид:

g(t) = k a k g(t- k), (16.1.4)

где a k - амплитуда импульсов в потоке,  k - неизвестное временное положение импульсов,  k =1 с вероятностью p k и  k =0 с вероятностью 1-p k . Такое задание импульсной помехи соответствует потоку Бернулли /44/.

При применении к потоку x(t) скользящей медианной фильтрации с окном N отсчетов (N – нечетное) медианный фильтр полностью устраняет одиночные импульсы, удаленные друг от друга минимум на половину апертуры фильтра, и подавляет импульсные помехи, если количество импульсов в пределах апертуры не превосходит (N-1)/2. В этом случае, при p k = p для всех импульсов помехи, вероятность подавления помех может быть определена по выражению /3i/:

R(p) =
p m (1-p) N - p . (16.1.5)

Если вероятность ошибки не очень велика, то медианная фильтрация даже с достаточно малой апертурой значительно уменьшит число ошибок. Эффективность исключения шумовых импульсов повышается с увеличением апертуры фильтра, но одновременно может увеличиваться и искажение полезного сигнала.

Перепад плюс шум. Рассмотрим фильтрацию перепадов при наличии аддитивного белого шума, т. е. фильтрацию последовательностей, или изображений, с

На рис. 16.1.4 показана последовательность значений математического ожидания медиан и скользящего среднего вблизи перепада высотой h = 5 при n = 3. Значения скользящего среднего следуют по наклонной линии, что свидетельствует о смазывании перепада. Поведение математического ожидания значений медианы также свидетельствует о некотором смазывании, хотя в гораздо меньше, чем для скользящего среднего.

Если воспользоваться мерой среднеквадратичной ошибки (СКО), усредненной по N точкам вблизи перепада, и вычислить значения СКО в зависимости от значений h, то нетрудно зафиксировать, что при малых значениях h<2 СКО для скользящего среднего немного меньше, чем для медианы, но при h>3 СКО медианы значительно меньше, чем СКО среднего. Этот результат показывает, что скользящая медиана значительно лучше, чем скользящее среднее, для перепадов большой высоты. Похожие результаты можно получить и для апертуры n=5, и для двумерной фильтрации с апертурами 3x3 и 5x5. Таким образом, математические ожидания медианы для малых h близки к математическим ожиданиям для соответствующих средних, но для больших h они асимптотически ограничены. Объясняется это тем, что при больших h (скажем, h>4) переменные х со средним значением 0 (для данного примера) будут резко отделены от переменных х со средним h.

Использованная мера точности может характеризовать только резкость поперек перепада и ничего не говорит о гладкости фильтрованного изображения вдоль перепада. Скользящее усреднение дает сигналы, гладкие вдоль перепада, тогда как при обработке с помощью медианным фильтром протяженные перепады оказываются слегка изрезанными.

Ковариационные функции при белом шуме на входе. Нормализованные функции автокорреляции выходных сигналов медианных и усредняющих фильтров подобны друг другу. Сходство функций корреляции до некоторой степени объясняется относительно высокой корреляцией между медианой и средним, которая достигает 0.8 при больших n.

Приближенная формула функции автоковариации для последовательности, подвергнутой медианной фильтрации определяется выражением:

K() =  2 /(n+(/2)-1))
(1-|j|/n) arcsin((j+)). (16.1.6)

Скользящая медиана почти не сглаживает процессы, ведущие себя на больших интервалах, как функции вида x i = (-1) i y. В самом деле, форма входной последовательности x i = (-1) i y, будет оставлена медианным фильтром без изменений, хотя для некоторых значений n она сдвинется на один шаг. Скользящее усреднение оказывает большое сглаживающее действие на подобный процесс, так как регулярные флуктуации значений х полностью уничтожаются. В целом можно ожидать, что приближенные формулы ковариационных функций скользящих медиан будут полезны только для последовательностей, на которые медианные фильтры действуют так же, как и скользящее усреднение. В случае с сильно осциллирующими последовательностями и последовательностями перепадов большой пользы от них ждать не следует.

Преобразование статистики шумов. Медианная фильтрация является нелинейной операцией над входным процессом, которая наряду с исключением импульсных помех изменяет и распределение статистических шумов q(t), что может быть нежелательным для построения последующих фильтров. Аналитический расчет преобразования статистики шумов затруднителен из-за слабой разработанности соответствующего математического аппарата.

Рис. 16.1.5. Гистограммы шумовых сигналов.

Уменьшение количества больших шумовых отклонений от среднего значения шума приводит также к изменению спектра шума и к определенному подавлению его высокочастотных составляющих, которых больше в "хвостах" шумовых распределений. Это можно видеть на рис. 16.1.7 на спектрах плотности мощности входного и выходного сигналов.

Частотные свойства фильтра . Для описания линейных фильтров используют импульсную реакцию на единичный импульс, на ступенчатую функцию, и частотные передаточные функции в главном частотном диапазоне. Так как медианный фильтр ликвидирует единичные импульсы и сохраняет перепады, то можно говорить, что импульсная реакция фильтра равна нулю, а отклик на ступенчатую функцию равен 1. Что касается частотной характеристики фильтра, то, в силу нелинейности фильтра, ее нельзя представить какой-либо детерминированной функцией апертуры и частоты. В какой-то мере можно говорить о реакции фильтра на косинусоидальные функции, которая также существенно различается для низких и высоких частот главного частотного диапазона и фазы гармоник в апертуре фильтра, что можно видеть на рис. 16.1.9.

Рис. 16.1.9.

Как показывает моделирование, для низких частот, когда период гармоники много больше окна апертуры фильтров, скользящая медиана и скользящее среднее имеют сходные характеристики, коэффициент передачи К п однотональных сигналов равен 1. По мере роста частоты гармоники и в зависимости от фазы сигнала в апертуре фильтра начинается искажение сигнала на экстремальных значениях (занижение экстремальных значений), и значение К п начинает уменьшаться. Когда значение апертуры медианного фильтра становится соизмеримым с периодом сигнала, в спектре выходного сигнала появляются "ложные" гармоники, вызванные интерференцией частоты входного сигнала с частотой его дискретизации (нижние графики на рисунке 16.1.9).

Рис. 16.1.10. Медианная фильтрация многотональных сигналов

Картина частотной интерференции зависит также от фазы гармоник, что усиливает нерегулярность конечных результатов и наглядно видна на рис. 16.1.11 при различных случайных реализациях фазы гармоник. При увеличении размеров апертуры фильтров нерегулярность передачи фильтров увеличивается.

Рис. 16.1.11.

Взвешенно-медианные фильтры применяют, если желательно придать больший вес центральным точкам. Это достигается путем повторения k i раз каждого набора отсчетов в апертуре фильтра. Так, например, при n=3 и k -1 =k 1 =2, k 0 =3 вычисление взвешенной медианы входного числового ряда производится по формуле:

y i = med (x i - 1 , x i - 1 , x 0 , x 0 , x 0 , x 1 , x 1).

Такая растянутая последовательность также сохраняет перепады сигнала и в определенных условиях позволяет увеличить подавление дисперсии статистических шумов в сигнале. Ни один из весовых коэффициентов k i не должен быть значительно больше всех других.

Итерационные медианные фильтры выполняются последовательным повторением медианной фильтрации. Если апертура единичной медианной фильтрации сохраняет перепады в сигнале, то они сохраняются при итеративном применении фильтра вплоть до тех пор, пока не прекратятся изменения в фильтруемом сигнале, при этом конечный результат существенно отличается от итеративного применения скользящего среднего, где в пределе получается постоянная числовая последовательность. При использовании итерационных фильтров можно изменять апертуру фильтра при каждом шаге итерации.

Достоинства медианных фильтров.

Простая структура фильтра, как для аппаратной, так и для программной реализации.

Фильтр не изменяет ступенчатые и пилообразные функции.

Фильтр хорошо подавляет одиночные импульсные помехи и случайные шумовые выбросы отсчетов.

Недостатки медианных фильтров.

Медианная фильтрация нелинейна, так как медиана суммы двух произвольных последовательностей не равна сумме их медиан, что в ряде случаев может усложнять математический анализ сигналов.

Фильтр вызывает уплощение вершин треугольных функций.

Подавление белого и гауссового шума менее эффективно, чем у линейных фильтров. Слабая эффективность наблюдается также при фильтрации флюктуационного шума.

При увеличении размеров окна фильтра происходит размытие крутых изменений сигнала и скачков.

Недостатки метода можно уменьшить, если применять медианную фильтрацию с адаптивным изменением размера окна фильтра в зависимости от динамики сигнала и характера шумов (адаптивная медианная фильтрация). В качестве критерия размера окна можно использовать, например, величину отклонения значений соседних отсчетов относительно центрального ранжированного отсчета /1i/. При уменьшении этой величины ниже определенного порога размер окна увеличивается.

Линейные пространственно-инвариантные (ЛПИ) фильтры полезны для реставрации и улучшения визуального качества изображений. Их можно применять, например, при реализации ви-неровских фильтров для снижения уровня шума на изображениях. Однако, чтобы подавить шум и при этом сохранить контурную часть изображений, приходится применять нелинейные или линейные пространственно-неинвариантные (ЛПНИ) фильтры. Ограничения на использование ЛПИ-фильтров в задачах реставрации изображений обсуждаются в .

Многие нелинейные и ЛПНИ-фильтры для реставрации изображений описаны в . В гл. 5 предыдущего тома, посвященного линейным фильтрам , были описаны калма-новские ЛПНИ-фильтры, используемые для подавления шума при реставрации изображений. В гл. 5 и 6 этого тома рассмотрена особая нелинейная процедура - медианная фильтрация. Обнаружено, что применение медианных фильтров эффективно для подавления некоторых видов шума и периодических помех без одновременного искажения сигнала . Такие фильтры стали весьма популярны в обработке изображений и речевых сигналов.

Поскольку теоретический анализ поведения медианных фильт ров очень труден, опубликовано очень мало результатов по этому вопросу. Две главы нашей книги содержат в основном новые результаты, не освещенные до сих пор в открытой литературе. В гл. 5 рассматриваются статистические свойства медианных фильтров. В частности, излагаются различные свойства выходного сигнала медианного фильтра при гауссовском шуме или сумме ступенчатой функции и гауссовского шума на входе.

Глава 6 посвящена детерминированным свойствам медианных фильтров. Особенно интересными представляются результаты, относящиеся к так называемым стабильным точкам медианных фильтров. Стабильной точкой является последовательность (в одномерном случае) или массив (в двумерном случае), которые не изменяются при медианной фильтрации. В гл. 6 Тян показал, что в одномерном случае стабильными точками медианных фильтров являются «локально-монотонные» последовательности. Исключение составляют некоторые периодические двоичные последовательности. В последнее время Галлагер и Вайс сумели устранить это исключение, ограничив длину последовательностей.

В гл. 6 кратко описан эффективный алгоритм медианной фильтрации, основанный на модификации гистограмм. В обсуждается аппаратурная реализация медианной фильтрации в реальном масштабе времени на основе цифровых избирательных схем. Метод нахождения медианы, основанный на двоичном представлении элементов изображения в апертуре фильтра, предложен в , где сравниваются аппаратурная реализация этого метода, алгоритм преобразования гистограмм и метод цифровых избирательных схем по сложности и скорости. Реализация медианных фильтров на двоичном матричном процессоре рассмотрена в . Разработан метод реализации медианных фильтров в конвейерном процессоре, работающем синхронно с видеосигналом .

В гл. 5 и 6 изложен материал главным образом теоретического характера. В качестве дополнения представим здесь некоторые экспериментальные результаты. На рис. 1.1 показаны примеры стабильных точек медианных фильтров. Даны исходное изображение (а) и результаты шестикратного применения трех различных медианных фильтров (б). Дальнейшее применение фильтров не вносит существенных изменений в результаты. Таким образом, изображения на рис. 1.1, б-г являются стабильными точками трех медианных фильтров.

Медианные фильтры особенно удобны для борьбы с импульсным (точечным) шумом. Этот факт иллюстрируется на рис. 1.2. На рис. 1.2, а показан результат передачи изображения 1.1, а по двоичному симметричному каналу с шумом при использовании импульсно-кодовой модуляции. В этом случае на изображении появляется импульсный шум. Применение медианного фильтра позволяет подавить большую часть шумовых выбросов (рис. 1.2, б),

(кликните для просмотра скана)

в то время как линейное сглаживание оказывается совершенно неэффективным (рис. 1.2, в).

Хотя в гл. 5 и 6 обсуждаются двумерные (пространственные) фильтры, очевидно, что к движущимся изображениям, таким, как телевизионные, могут применяться трехмерные медианные фильтры (пространственно-временные), т. е. апертура фильтра может быть трехмерной. Медианная временная фильтрация особенно удобна для подавления пачек шумовых выбросов, включая выпадение строк. Кроме того, она намного лучше, чем временное усреднение (линейное сглаживание), сохраняет движение. В описано несколько экспериментов по временной фильтрации (включая фильтрацию с компенсацией движения). В одном из экспериментов по фильтрации последовательность кадров панорамирования, содержащая белый гауссовский шум и случайные выпадения строк, подвергалась медианной фильтрации и линейному сглаживанию. Кадровая частота последовательности составляла 30 кадров/с, каждый кадр содержал примерно 200 строк по 256 элементов в каждой с 8 бит/отсчет. Панорамирование проводилось горизонтально со скоростью примерно 5 элементов изо бражения на кадр. Результаты по одному кадру показаны на рис. 1.3: зашумленный исходный кадр (а), тот же кадр после линейного сглаживания (б) и кадр, обработанный медианным фильтром (в). Необходимо отметить, что медианный фильтр дает

Рис. 1.3. (см. скан) Временная фильтрация последовательности кадров панорамирования: а - зашумленный оригинал; б - линейное сглаживание по трем кадрам; в - медианная фильтрация по трем кадрам

намного лучшие результаты в отношении снижения числа выпадений строк и сохранения резкости контуров. Однако для подавления гауссовского шума более эффективно линейное сглаживание. Приведенные данные согласуются с теоретическими (см. гл. 5 и 6).

Хотя и медианная фильтрация и линейное сглаживание используются для улучшения субъективного качества изображения, пока не ясно, способствуют ли они дальнейшему машинному анализу изображений - распознаванию образов или измерениям на изображении. Были проведены тщательные исследования влияния линейной и медианной фильтрации на эффективность выделения контуров, анализ формы и текстурный анализ. Некоторые результаты приведены в .

Все линейные алгоритмы фильтрации приводят к сглаживанию резких перепадов яркости изображений, прошедших обработку. Этот недостаток, особенно существенный, если потребителем информации является человек, принципиально не может быть исключен в рамках линейной обработки. Дело в том, что линейные процедуры являются оптимальными при гауссовском распределении сигналов, помех и наблюдаемых данных. Реальные изображения, строго говоря, не подчиняются данному распределению вероятностей. Причем, одна из основных причин этого состоит в наличии у изображений разнообразных границ, перепадов яркости, переходов от одной текстуры к другой и т. п. Поддаваясь локальному гауссовскому описанию в пределах ограниченных участков, многие реальные изображения в этой связи плохо представляются как глобально гауссовские объекты. Именно это и служит причиной плохой передачи границ при линейной фильтрации.

Вторая особенность линейной фильтрации - ее оптимальность, как только что упоминалось, при гауссовском характере помех. Обычно этому условию отвечают шумовые помехи на изображениях, поэтому при их подавлении линейные алгоритмы имеют высокие показатели. Однако, часто приходится иметь дело с изображениями, искаженными помехами других типов. Одной из них является импульсная помеха. При ее воздействии на изображении наблюдаются белые или (и) черные точки, хаотически разбросанные по кадру. Применение линейной фильтрации в этом случае неэффективно - каждый из входных импульсов (по сути - дельта-функция) дает отклик в виде импульсной характеристики фильтра, а их совокупность способствует распространению помехи на всю площадь кадра.

Удачным решением перечисленных проблем является применение медианной фильтрации, предложенной Дж. Тьюки в 1971 г. для анализа экономических процессов. Наиболее полное исследование медианной фильтрации применительно к обработке изображений представлено в сборнике . Отметим, что медианная фильтрация представляет собой эвристический метод обработки, ее алгоритм не является математическим решением строго сформулированной задачи. Поэтому исследователями уделяется большое внимание анализу эффективности обработки изображений на ее основе и сопоставлению с другими методами.

При применении медианного фильтра (МФ) происходит последовательная обработка каждой точки кадра, в результате чего образуется последовательность оценок. В идейном отношении обработка в различных точках независима (этим МФ похож на масочный фильтр), но в целях ее ускорения целесообразно алгоритмически на каждом шаге использовать ранее выполненные вычисления.

При медианной фильтрации используется двумерное окно (апертура фильтра), обычно имеющее центральную симметрию, при этом его центр располагается в текущей точке фильтрации. На рис. 3.10 показаны два примера наиболее часто применяемых вариантов окон в виде креста и в виде квадрата. Размеры апертуры принадлежат к числу параметров, оптимизируемых в процессе анализа эффективности алгоритма. Отсчеты изображения, оказавшиеся в пределах окна, образуют рабочую выборку текущего шага.

Двумерный характер окна позволяет выполнять, по существу, двумерную фильтрацию, поскольку для образования оценки привлекаются данные как из текущих строки и столбца, так и из соседних. Обозначим рабочую выборку в виде одномерного массива ; число его элементов равняется размеру окна, а их расположение произвольно. Обычно применяют окна с нечетным числом точек (это автоматически обеспечивается при центральной симметрии апертуры и при вхождении самой центральной точки в ее состав). Если упорядочить последовательность по возрастанию, то ее медианой будет тот элемент выборки, который занимает центральное положение в этой упорядоченной последовательности. Полученное таким образом число и является продуктом фильтрации для текущей точки кадра. Понятно, что результат такой обработки в самом деле не зависит от того, в какой последовательности представлены элементы изображения в рабочей выборке . Введем формальное обозначение описанной процедуры в виде:

. (3.48)

Рассмотрим пример. Предположим, что выборка имеет вид: , а элемент 250, расположенный в ее центре, соответствует текущей точке фильтрации (рис. 3.10). Большое значение яркости в этой точке кадра может быть результатом воздействия импульсной (точечной) помехи. Упорядоченная по возрастанию выборка имеет при этом вид {45,55,75,99,104,110,136,158,250}, следовательно, в соответствии с процедурой (3.48), получаем . Видим, что влияние “соседей” на результат фильтрации в текущей точке привело к “игнорированию” импульсного выброса яркости, что следует рассматривать как эффект фильтрации. Если импульсная помеха не является точечной, а покрывает некоторую локальную область, то она также может быть подавлена. Это произойдет, если размер этой локальной области будет меньше, чем половина размера апертуры МФ. Поэтому для подавления импульсных помех, поражающих локальные участки изображения, следует увеличивать размеры апертуры МФ.

Из (3.48) следует, что действие МФ состоит в “игнорировании” экстремальных значений входной выборки - как положительных, так и отрицательных выбросов. Такой принцип подавления помехи может быть применен и для ослабления шума на изображении. Однако исследование подавления шума при помощи медианной фильтрации показывает, что ее эффективность при решении этой задачи ниже, чем у линейной фильтрации .

Результаты экспериментов, иллюстрирующие работу МФ, приведены на рис. 3.11. В экспериментах применялся МФ, имеющий квадратную апертуру со

стороной равной 3. В левом ряду представлены изображения, искаженные помехой, в правом - результаты их медианной фильтрации. На рис. 3.11.а и рис. 3.11.в показано исходное изображение, искаженное импульсной помехой. При ее наложении использовался датчик случайных чисел с равномерным на интервале законом распределения, вырабатывающий во всех точках кадра независимые случайные числа. Интенсивность помехи задавалась вероятностью ее возникновения в каждой точке. Если для случайного числа , сформированного в точке , выполнялось условие , то яркость изображения в этой точке замещалась числом 255, соответствующим максимальной яркости (уровню белого). На рис. 3.11.а действием импульсной помехи искажено 5 % (=0.05), а на рис. 3.11.в - 10 % элементов изображения. Результаты обработки говорят о практически полном подавлении помехи в первом случае и о ее значительном ослаблении во втором.

Рис. 3.11.д показывает изображение, искаженное независимым гауссовским шумом при отношении сигнал/шум дБ, а рис. 3.11.е - результат его фильтрации медианным фильтром. Условия данного эксперимента позволяют сравнивать его результаты с результатами рассмотренной выше линейной фильтрации. В таблице 3.1 приведены данные, дающие возможность такого сравнения. Для различных методов фильтрации в этой таблице приводятся значения относительного среднего квадрата ошибок и коэффициента ослабления шума для случая, когда отношение сигнал/шум на входе фильтра составляет -5 дБ.

Табл.3.1. Сравнение эффективности подавления шума при фильтрации изображений, дБ

Наибольшей эффективностью обладает двумерный фильтр Винера, уменьшающий средний квадрат ошибок в 17 раз. Медианный фильтр имеет наименьшую из всех рассмотренных фильтров эффективность, ему соответствует =5.86. Тем не менее, это число свидетельствует о том, что и при его помощи удается значительно снизить уровень шума на изображении.

Вместе с тем, как говорилось выше, и что демонстрирует рис. 3.11.е, медианная фильтрация в меньшей степени сглаживает границы изображения, чем любая линейная фильтрация. Механизм этого явления очень прост и заключается в следующем. Предположим, что апертура фильтра находится вблизи границы, разделяющей светлый и темный участки изображения, при этом ее центр располагается в области темного участка. Тогда, вероятнее всего, рабочая выборка будет содержать большее количество элементов с малыми значениями яркости, и, следовательно, медиана будет находиться среди тех элементов рабочей выборки, которые соответствуют этой области изображения. Ситуация меняется на противоположную, если центр апертуры смещен в область более высокой яркости. Но это и означает наличие чувствительности у МФ к перепадам яркости.

Транскрипт

1 IN НАУЧНОЕ ПРИБОРОСТРОЕНИЕ, 011, том 1, 3, c ОБРАБОТКА И ПРЕДСТАВЛЕНИЕ ДАННЫХ УДК: Б. В. Бардин БЫСТРЫЙ АЛГОРИТМ МЕДИАННОЙ ФИЛЬТРАЦИИ Предложен быстрый алгоритм медианной фильтрации, использующий определение медианы данных в окне фильтра при помощи анализа локальной гистограммы. При переходе от точки к точке в процессе сканирования изображения корректировка гистограммы требует небольшого количества простых операций. Предложенный алгоритм существенно ускоряет медианную фильтрацию по сравнению с традиционными алгоритмами. Это позволяет расширить область применения медианной фильтрации. Кл. сл.: медианная фильтрация, цифровые изображения ВВЕДЕНИЕ Медианная фильтрация является удобным инструментом обработки информации, особенно двухмерной информации изображения . Медианный фильтр удаляет из сигнала фрагменты с размерами, меньшими чем половина размера окна фильтра, и при этом мало искажает или почти совсем не искажает остальные участки сигнала. Например, одномерный монотонный сигнал совсем не искажается медианным фильтром. Наиболее известным применением медианной фильтрации является устранение из сигнала коротких импульсных помех [, 3]. Причем амплитуда помехи не влияет на результат медианной фильтрации в отличие от реакции линейного фильтра. В работе показано использование медианного фильтра при обработке изображения клеток крови гранулоцитов. Здесь перед измерением размера гранулоцита его изображение подвергалось сглаживанию медианным фильтром с целью устранения гранул, которые могут влиять на результат измерения. Обычно в процессе медианной фильтрации значения сигнала в некоторой окрестности точки, в которой вычисляется отклик фильтра, при помощи сортировки по возрастанию или убыванию выстраиваются в вариационный ряд. Отклик фильтра определяется как медиана значение сигнала середины (центра) вариационного ряда. В дальнейшем эту окрестность будем называть окном фильтра. Кроме того, для упрощения будем рассматривать фильтр с квадратным окном размером n n. Следовательно, при вычислении медианы в окне фильтра число операций с данными, например число операций сортировки, равно n. При обработке изображения размером M N точек (пикселей) число операций с данными будет велико и составит M N n. Различные операции требуют разных затрат времени выполнения. При последовательном сканировании изображения количество наиболее трудоемких операций операций сортировки можно сократить. Так, при переходе от точки о1 с окном 1 к точке о с окном на рис. 1 можно из вариационного ряда окна 1 исключить точки столбца 1, отсортировать точки столбца 6 и объединить два полученных вариационных ряда в один. Такой алгоритм работает быстрее по сравнению с независимой сортировкой в каждом окне, однако общее число манипуляций с данными (пусть и менее трудоемких), например хотя бы перебор данных, остается тем же самым, т. е. достаточно большим. Поэтому при медианной фильтрации изображений обычно ограничиваются окнами 3 3 или 5 5 и редко Рис. 1. Сканирование изображения окном медианного фильтра 135

2 136 Б. В. БАРДИН больше, что вполне достаточно, например, для устранения импульсных помех. Такие же ограничения вынужденно принимаются и для различных нелинейных операций морфологической обработки , выполняющейся в геометрическом пространстве изображения, и которые в отличие от линейных операций невозможно выполнять в пространстве Фурье. Вместе с тем существует ряд задач обработки изображений, которые можно было бы эффективно решить при помощи медианного фильтра, но они требуют окна большого размера. Одна из таких задач будет рассмотрена ниже. Поэтому возможное повышение скорости медианной фильтрации сулит большие перспективы в задачах обработки изображений. БЫСТРАЯ МЕДИАННАЯ ФИЛЬТРАЦИЯ В работе при рассмотрении ранговых алгоритмов обработки изображений показано, что любую r-ю порядковую статистику v (r) элемента изображения можно найти из локальной гистограммы h (q) распределения значений элементов окрестности (окна на рис. 1), решив уравнение v (r) h (q) r. (1) q 0 Здесь q = 0, 1,Q 1 номер кванта (бина) гистограммы; v = q v квантованное значение видеосигнала; r = 0, 1, 1 ранг элемента: его номер в вариационном ряду; число элементов окрестности (окна), или площадь окна в пикселях; в нашем случае n. Медианный фильтр является частным случаем рангового фильтра с рангом отклика r = (1)/. Так как Q 1 h (q), () q 0 то из (1) следует, что медиана q = v (r) делит площадь гистограммы пополам (за вычетом бина, соответствующего q). На рис. показано разбиение гистограммы. Здесь h(q) площадь бина, соответствую- h(q) Рис.. Гистограмма яркости изображения в окне медианного фильтра щего медиане q. Остальные обозначения ясны из рисунка. При этом справедливы следующие соотношения:, (3) (1) /, (4) (1) /. (5) Предполагается, что нечетное. Знаки неравенства в двух последних выражениях могут иметь место только при 1. При сканировании окном медианного фильтра по строке, при переходе от точки о1 к точке о на рис. 1 корректировка гистограммы производится следующим образом. 1. Из гистограммы удаляются данные, соответствующие точкам столбца 1. При этом для каждой точки из площади соответствующего бина вычитается 1.. В гистограмму добавляются данные, соответствующие точкам столбца 6. При этом для каждой точки к площади соответствующего бина добавляется В процессе выполнения операций по пунктам 1 и одновременно изменяются величины, и. 4. На оснований выражений (3), (4) и (5) корректируются величины, и q. Ниже приведен фрагмент программы на языке С, реализующий описанный алгоритм корректировки. Здесь, для удовлетворения синтаксису языка С индексы при и q заменены строчными буквами, а индексы при h и v упущены. Для случая на рис. 1 n=5 и j=1. НАУЧНОЕ ПРИБОРОСТРОЕНИЕ, 011, том 1, 3

3 БЫСТРЫЙ АЛГОРИТМ МЕДИАННОЙ ФИЛЬТРАЦИИ 137 fr(i=0; i q) h--; else --; h[i]]++; if(v[i] < q) l++; else if(v[i] > q) h++; else ++; hile(l > (-1)/) q--; if(h[q] > 0) l=l-h[q]; h=h+h; =-l-h; hile(h > (-1)/) q++; if(h[q] > 0) h=h-h[q]; l=l+h; =-l-h; Если гистограмма не имеет разрывов, как изображено на рис., величина q при корректировке одной точки по п. 4 может измениться не более чем на единицу. Однако реальные локальные гистограммы, как правило, сильно изрезаны. Поэтому корректировки по п. 4 производятся в программе циклами hile для пропуска пустых бинов. Как видно из изложенного выше, рассматриваемый алгоритм медианной фильтрации имеет порядок сложности n, а не n как это имеет место для наиболее распространенных алгоритмов. Кроме того, здесь не требуется трудоемких операций сортировки. Видеоинформация, содержащаяся в регистрируемых аналитическими приборами изображениях, в частности в изображениях биологических объектов , обычно имеет три составляющие: видеоинформация, представляющая исследуемые объекты, шум и фоновая составляющая изображения. Фоновая составляющая обычно удаляется на начальном этапе обработки изображения, чтобы она не влияла на результаты обработки, или вычисляется с целью учета ее на последующих этапах обработки, что равнозначно. Фон изображения, как правило, изменяется медленнее, чем остальные составляющие сигнала при исследовании локальных объектов. Поэтому обычно фон вычисляется при помощи линейной низкочастотной фильтрации. Однако если на противоположных сторонах кадра изображения или на границах ра- ПРОВЕРКА РЕЗУЛЬТАТОВ И ВЫВОДЫ Рис. 3. Изображение объектов ПЦР-анализа НАУЧНОЕ ПРИБОРОСТРОЕНИЕ, 011, том 1, 3

4 138 Б. В. БАРДИН бочей области изображения величина фона существенно различается (или меняется), то линейный фильтр воспринимает это различие как скачок сигнала и пытается его сгладить. Это известное явление краевых эффектов. Существуют различные способы борьбы с краевыми эффектами. Чаще всего это или отбрасывание части изображения, затронутого краевыми эффектами, с соответствующей потерей части полезной информации, или расширение кадра с таким заполнением дополнительных полей, чтобы на краях исходного поля изображения, содержащего полезную информацию, не было бы скачков. Однако, существуют изображения, при обработке которых реализовать такие подходы или невозможно, или очень затруднительно. Так, на рис. 3 показана лунка микрочипа с объектами ПЦР-анализа и профиль сигнала по горизонтальной линии на изображении. На рис. 4 показано вычисление фоновой составляющей при помощи линейной фильтрации, которая, как видно из рисунка, дает большие краевые искажения по контуру лунки. Урезание областей изображения, искаженных краевыми эффектами, в данном случае недопустимо в связи с большой потерей полезной информации, а расширение рабочей области затруднительно из-за того, что эта область является круглой, а также в связи с большой неравномерностью фона по контуру области. На рис. 5 показано вычисление фона при помощи медианного фильтра. Из рисунка видно, что краевые эффекты в этом случае очень малы, однако при этом потребовалось применение фильтра с большим окном пиксель или 1681 пиксель в окне. Размер изображения составлял пикселей. Измерение времени медианной фильтрации производилось на компьютере со скромными возможностями. Он имел в своем составе одноядерный процессор Pentiu 4 CPU.4 Gz и RAM 51 MB. Время фильтрации традиционным медианным фильтром с использованием сортировки данных в окне составило 33 с. Время же фильтрации с использованием предлагаемого в настоящей работе алгоритма составило 0.37 с, т. е. почти на два порядка меньше, чем при использовании традиционных алгоритмов. Надо отметить, что, с одной стороны, в рассматриваемой задаче (ПЦР-анализ) время 0.37 с является вполне приемлемым, а с другой стороны, в системах, использующих цифровую обработку изображений, как правило, применяются значительно более мощные компьютеры. Таким образом, применение предлагаемого алгоритма позволяет значительно ускорить работу медианного фильтра, что, кроме того, позволяет расширить область применения медианной фильтрации. Рис. 4. Вычисление фона линейным фильтром Рис. 5. Вычисление фона медианным фильтром НАУЧНОЕ ПРИБОРОСТРОЕНИЕ, 011, том 1, 3

5 БЫСТРЫЙ АЛГОРИТМ МЕДИАННОЙ ФИЛЬТРАЦИИ 139 СПИСОК ЛИТЕРАТУРЫ 1. Бардин Б.В. Исследование возможностей медианной фильтрации при цифровой обработке изображений совокупностей локальных биологических объектов // Научное приборостроение Т. 1,. С Гонсалес Р., Вудс Р. Цифровая обработка изображений. Пер. с англ. М.: Техносфера, с. 3. Ярославский Л.П. Цифровая обработка сигналов в оптике и голографии. М.: Радио и связь, с. 4. Бардин Б.В., Чубинский-Надеждин И.В. Обнаружение локальных объектов на цифровых микроскопических изображениях // Научное приборостроение Т. 19, 4. С Бардин Б.В, Манойлов В.В., Чубинский-Надеждин И.В., Васильева Е.К., Заруцкий И.В. Определение размеров локальных объектов изображений для их идентификации // Научное приборостроение Т. 0, 3. С Институт аналитического приборостроения РАН, г. Санкт-Петербург Контакты: Бардин Борис Васильевич, Материал поступил в редакцию FAT AGORITM OF MEDIAN FITERING B. V. Bardin Institute fr Analytical Instruentatin f RA, aint Petersburg Fast algrith f edian filtering using data edian deterinatin in filter ind by eans f lcal histgra analysis has been suggested. When ving fr pixel t pixel in the prcess f iage scanning crrectin f histgra requires sall nuber f nn-cplex peratins. The suggested algrith increases cnsiderably the edian filtering prcess cpared t the traditinal algriths. This enables edian filtering applicatin sphere extending. Keyrds: edian filtering, digital iaging Оригинал-макет подготовлен Беленковым В.Д. Лицензия ИД 0980 от 06 октября 000 г. Подписано к печати г. Формат Бумага офсетная. Печать офсетная. Усл. печ. л Уч.-изд. л Тираж 100 экз. Тип. зак. 70. С 96 Санкт-Петербургская издательская фирма "Наука" РАН, Санкт-Петербург, Менделеевская линия, 1 E-ail: Internet:.naukaspb.spb.ru Первая Академическая типография «Наука», Санкт-Петербург, 9 линия, 1

НЕЛИНЕЙНЫЙ ФИЛЬТР ГЕОМЕТРИЧЕСКОГО СРЕДНЕГО С ЭКСПОНЕНЦИАЛЬНЫМИ ВЕСАМИ Толстунов Владимир Андреевич канд. техн. наук, доцент Кемеровского государственного университета, РФ, г. Кемерово E-mail: [email protected]

УДК 61.397 Частотные и пространственные методы цифровой фильтрации изображений # 05, май 01 Черный С.А. Cтудент, кафедра «Радиоэлектронные системы и устройства» Научный руководитель: Ахияров В.В., кандидат

Эффективная модификация алгоритма адаптивной медианной фильтрации цифровых изображений Яиков Рафаэль Равильевич Ярославский государственный университет им. П. Г. Демидова 2015 Какие бывают шумы? Аддитивный

Секция 6. Цифровая обработка сигналов и изображений 377 УДК 004.932.2+004.932.72"1 Е.Е. Плахова, Е.В. Меркулова Донецкий национальный технический университет, г. Донецк кафедра автоматизированных систем

Открытые информационные и компьютерные интегрированные технологии 64, 014 УДК 004.8/004.93/681.513.8;681.514 Л. С. Костенко Методы и алгоритмы сглаживания фона изображений в системах распознавания образов

УДК 519.6 + 004.4 ФИЛЬТРАЦИЯ РЕНТГЕНОВСКИХ ТОМОГРАММ МЕТОДОМ АДАПТАЦИИ РАЗМЕРА ОКНА ФИЛЬТРА К ЛОКАЛЬНЫМ ХАРАКТЕРИСТИКАМ ИЗОБРАЖЕНИЯ Е.Н. Симонов, В.В. Ласьков Предложен алгоритм фильтрации изображений

ISSN 0868 5886, c. 96 102 ОБРАБОТКА И АНАЛИЗ СИГНАЛОВ УДК 621.391.837: 681.3 Б. В. Бардин, И. В. Чубинский-Надеждин ОБНАРУЖЕНИЕ ЛОКАЛЬНЫХ ОБЪЕКТОВ НА ЦИФРОВЫХ МИКРОСКОПИЧЕСКИХ ИЗОБРАЖЕНИЯХ Рассмотрена

ИКОНИКА НАУКА ОБ ИЗОБРАЖЕНИИ УДК 004.932.4 МЕТОД МЕЖКАНАЛЬНОЙ КОМПЕНСАЦИИ ИМПУЛЬСНЫХ ПОМЕХ В ЗАДАЧАХ ВОССТАНОВЛЕНИЯ МНОГОКОМПОНЕНТНЫХ ЦИФРОВЫХ ИЗОБРАЖЕНИЙ 2013 г. Е. А. Самойлин, доктор техн. наук; В.

Реализация некоторых алгоритмов обработки изображений с использованием технологии CUDA на графических устройствах Н.Н. Богословский Томский государственный университет Обработки цифровых изображений в

УДК 621.391 А. В. ИВАШКО, канд. техн. наук, проф. НТУ «ХПИ»; К. Н. ЯЦЕНКО, студент НТУ «ХПИ» РЕАЛИЗАЦИЯ МЕДИАННЫХ И КВАЗИМЕДИАННЫХ ФИЛЬТРОВ НА ЦИФРОВЫХ СИГНАЛЬНЫХ ПРОЦЕССОРАХ В статье рассмотрена программная

Обработка цифровых изображений стеклянных микрошариков методами фильтрации и сегментации 77-30569/403867 # 03, март 2012 Стругайло В. В. УДК 004.932 Россия, Московский автомобильно-дорожный государственный

ВА Толстунов Нелинейная фильтрация на основе степенного преобразования 7 УДК 00467 ВА Толстунов Нелинейная фильтрация на основе степенного преобразования Предлагается алгоритм цифрового сглаживающего фильтра

Содержание 6. Обработка и количественный анализ СЗМ изображений Содержание 6. ОБРАБОТКА И КОЛИЧЕСТВЕННЫЙ АНАЛИЗ СЗМ ИЗОБРАЖЕНИЙ... 6-1 6.1. ЦЕЛЬ РАБОТЫ... 6-2 6.2. СОДЕРЖАНИЕ РАБОТЫ... 6-2 6.3. ЗАДАНИЕ...

Полосовая фильтрация 1 Полосовая фильтрация В предыдущих разделах была рассмотрена фильтрация быстрых вариаций сигнала (сглаживание) и его медленных вариаций (устранение тренда). Иногда требуется выделить

УДК 004.932 В.К. Злобин, Б.В. Костров, В.А. Саблина АЛГОРИТМ СЕКВЕНТНОЙ ФИЛЬТРАЦИИ ГРУППОВЫХ ПОМЕХ НА ИЗОБРАЖЕНИИ Рассмотрены проблемы использования методов секвентного анализа применительно к цифровой

Math-Net.Ru Общероссийский математический портал А. В. Гроховской, А. С. Макаров, Алгоритм предварительной обработки изображений для систем технического зрения, Матем. моделирование и краев. задачи, 2009,

УДК 61.865.8 МЕТОДЫ ПОВЫШЕНИЯ КОНТРАСТНОСТИ РАСТРОВЫХ ИЗОБРАЖЕНИЙ ДЛЯ СИСТЕМ ЦИФРОВОЙ ОБРАБОТКИ ВИДЕОИНФОРМАЦИИ М. Б. Сергеев, доктор техн. наук, профессор Н. В. Соловьев, канд. техн. наук, доцент А. И.

Влияние фильтров на классификацию дактилографии # 01, январь 2015 Деон А. Ф., Ломов Д. С. УДК: 681.3.06(075) Россия, МГТУ им. Н.Э. Баумана [email protected] Классы отпечатков пальцев В традиционной дактилоскопии

ISSN 0868 5886, c. 9 13 МЕТОДЫ ИЗМЕРЕНИЙ УДК 543.426; 543.9 Ю. В. Белов, И. А. Леонтьев, А. И. Петров, В. Е. Курочкин КОРРЕКЦИЯ БАЗОВОЙ ЛИНИИ СИГНАЛОВ ФЛУОРЕСЦЕНТНОГО ДЕТЕКТОРА ГЕНЕТИЧЕСКОГО АНАЛИЗАТОРА

Ñóäîñòðîåíèå ñóäîðåìîíò è ýêñïëóàòàöèÿ ôëîòà УДК 004.93.4:551.463.1 Г. А. Попов Д. А. Хрящёв ÎÁ ÎÄÍÎÌ ÌÅÒÎÄÅ ÍÈÇÊÎ ÀÑÒÎÒÍÎÉ ÔÈËÜÒÐÀÖÈÈ ÃÈÄÐÎËÎÊÀÖÈÎÍÍÛÕ ÈÇÎÁÐÀÆÅÍÈÉ Введение Многие современные исследования

Домашнее задание. Обработка результатов наблюдений двухмерного случайного вектора.1. Содержание и порядок выполнения работы Дана парная выборка (x i ; y i) объема 50 из двумерного нормально распределенного

Пособие для учащихся учреждений общего среднего образования 5-е издание, исправленное М о з ы р ь «Белый Ветер» 2 0 1 4 УДК 372.851.046.14 ББК 74.262.21 Т36 С о с т а в и т е л ь Г. А. БУрьяК Р е ц е н

SWorld 218-27 December 2012 http://www.sworld.com.ua/index.php/ru/conference/the-content-of-conferences/archives-of-individual-conferences/december- 2012 MODERN PROBLEMS AND WAYS OF THEIR SOLUTION IN SCIENCE,

ФЕДЕРАЛЬНОЕ АГЕНТСТВО ЖЕЛЕЗНОДОРОЖНОГО ТРАНСПОРТА Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «ПЕТЕРБУРГСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ПУТЕЙ

УДК 004.021 1 Е. В. Леонтьева, Е. В. Медведева МЕТОД ВОССТАНОВЛЕНИЯ RGB-КОМПОНЕНТНЫХ ИЗОБРАЖЕНИЙ, ИСКАЖЕННЫХ АППЛИКАТИВНЫМИ ПОМЕХАМИ Предложен метод восстановления цветных изображений, искаженных аппликативными

Министерство образования Российской Федерации Волгоградский государственный технический университет Кафедра материаловедения и композиционных материалов Методы одномерного поиска Методические указания

Компьютерная Графика Подавление и устранение шума Борьба с шумом изображения Подавление и устранение шума Причины возникновения шума: Несовершенство измерительных приборов Хранение и передача изображений

Кафедра математического обеспечения АСУ Г.А. ШЕЙНИНА Структуры и алгоритмы обработки данных Рекомендовано редакционно-издательским советом университета в качестве методических указаний для студентов специальности

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РФ ГОСУДАРСТВЕННОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ «САМАРСКИЙ ГОСУДАРСТВЕННЫЙ АЭРОКОСМИЧЕСКИЙ УНИВЕРСИТЕТ имени академика С.П.КОРОЛЕВА

Нелинейная фильтрация зашумленных интерференционных полос 245 НЕЛИНЕЙНАЯ ФИЛЬТРАЦИЯ ЗАШУМЛЕННЫХ ИНТЕРФЕРЕНЦИОННЫХ ПОЛОС С ПРОСТРАНСТВЕННО ЗАВИСИМОЙ ИМПУЛЬСНОЙ РЕАКЦИЕЙ СИСТЕМЫ М.В. Волков Научный руководитель

МИНИСТЕРСТВО ОБЩЕГО И ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ НИЖЕГОРОДСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ им. Н. И. ЛОБАЧЕВСКОГО Факультет вычислительной математики и кибернетики Кафедра математической

ГОСУДАРСТВЕННОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ «ВОРОНЕЖСКИЙ ГОСУДАРСТВЕННЫЙ ПЕДАГОГИЧЕСКИЙ УНИВЕРСИТЕТ» ВВЕДЕНИЕ В АНАЛИЗ И ДИФФЕРЕНЦИАЛЬНОЕ ИСЧИСЛЕНИЕ ФУНКЦИЙ ОДНОЙ ПЕРЕМЕННОЙ

АЛГОРИТМЫ ПОИСКА РАССТОЯНИЙ ДО ОБЪЕКТНЫХ ПИКСЕЛОВ НА БИНАРНЫХ ИЗОБРАЖЕНИЯХ Н.Л. Казанский, В.В. Мясников, Р.В. Хмелев Институт систем обработки изображений РАН Постановка задачи Одной из важнейших задач

00 ВЕСТНИК НОВГОРОДСКОГО ГОСУДАРСТВЕННОГО УНИВЕРСИТЕТА 55 УДК 598765 ВЫДЕЛЕНИЕ КОНТУРОВ ИЗОБРАЖЕНИЯ ДВИЖУЩЕГОСЯ ОБЪЕКТА ИОТитов, ГМЕмельянов Институт электронных и информационных систем НовГУ, TitovIlya@yandexru

ISSN2221-2574 Телевизионные системы, передача и обработка изображений УДК 621.396 Построение модели тестового изображения Жиганов С.Н., Гашин И.В. В работе рассмотрена методика построения модели изображения,

Системы управления и моделирование Алгоритм анализа робастной устойчивости дискретных систем управления с периодическими ограничениями М. В. МОРОЗОВ Аннотация. Для дискретных линейных нестационарных систем

УДК 681.5:004.93 Калиниченко Ю.В. К ВОПРОСУ О ВЫДЕЛЕНИИ ГРАНИЦ ДЕТЕКТОРОМ КЕННИ Луганский национальный университет имени Тараса Шевченко Рассмотрен вопрос выделения границ детектором Кенни. Алгоритм реализован

Краевая научно-практическая конференция учебно-исследовательских работ учащихся 6-11 классов «Прикладные и фундаментальные вопросы математики» Прикладные вопросы математики Распознавание символов на электронных

АЛГОРИТМЫ КОНТРОЛЯ КООРДИНАТ ИСТОЧНИКА ИЗЛУЧЕНИЯ НА ФОТОЧУВСТВИТЕЛЬНОЙ ПОВЕРХНОСТИ МАТРИЦЫ В.В.Замятин Для измерения координат точечного источника излучения на поверхности фоточувствительной матрицы применяют

Цифровая Обработка Сигналов 4/28 УДК 68.58 АДАПТИВНАЯ ФИЛЬТРАЦИЯ ИЗОБРАЖЕНИЙ СО СТРУКТУРНЫМИ ИСКАЖЕНИЯМИ Костров Б.В., Саблина В.А. Введение Процесс регистрации аэрокосмических изображений сопровождается

370 Секция 6. Цифровая обработка сигналов и изображений УДК 004. 93"12 И.С. Личканенко, В.Н. Пчелкин Донецкий национальный технический университет, г. Донецк кафедра компьютерных систем мониторинга МЕТОДЫ

ОБРАБОТКА КОСМИЧЕСКИХ ИЗОБРАЖЕНИЙ НА ОСНОВЕ ЧАСТОТНЫХ ПРЕДСТАВЛЕНИЙ А.Ю. Лихошерстный Белгородский государственный университет e-mail: [email protected] В работе изложен новый метод фильтрации

ISSN 1995-55. Вестник РГРТУ. 1 (выпуск 31). Рязань, 0 УДК 1.391 Ю.М. Коршунов ОЦЕНКА КАЧЕСТВА РАБОТЫ ЦИФРОВЫХ ФИЛЬТРОВ НА ОСНОВЕ ИСКУССТВЕННО СОЗДАННОЙ ИМИТАЦИОННОЙ МОДЕЛИ СИГНАЛА И ПОМЕХИ Предложен метод

АНАЛИЗ ДИСПЕРСНОГО СОСТАВА МИКРОСКОПИЧЕСКИХ ОБЪЕКТОВ С ИСПОЛЬЗОВАНИЕМ ЭВМ Королев Д. В., Суворов К. А. Санкт-Петербургский государственный технологический институт (технический университет), [email protected]

УДК 528.854 Кузьмин С. А. ИССЛЕДОВАНИЕ АЛГОРИТМОВ УСТРАНЕНИЯ ИМПУЛЬСНЫХ ПОМЕХ В ВИДЕОРЯДАХ Рассмотрена задача повышения характеристик алгоритмов обнаружения объектов в видеопоследовательностях путем подавления

УДК 681.3.082.5 Г.Н. Глухов Алгоритм цифрового сглаживания поверхности Предлагается алгоритм оптимального сглаживания поверхности. Критерием оптимальности выбран минимум взвешенных сумм: суммы квадратов

Пособие для учащихся учреждений общего среднего образования С о с т а в и т е л ь Г. И. Струк 5-е издание М о з ы р ь «Белый Ветер» 2 0 1 4 УДК 372.851.046.14 ББК 74.262.21 Т36 Р е ц е н з е н т ы: кандидат

SWorld 8-29 June 203 http://www.sworld.com.ua/index.php/ru/conference/the-content-of-conferences/archives-of-individual-conferences/june-203 MODERN PROBLEMS AND WAYS OF THEIR SOLUTION IN SCIENCE, TRANSPORT,

Министерство образования Российской Федерации Санкт-Петербургский государственный университет низкотемпературных и пищевых технологий Кафедра теоретической механики ИССЛЕДОВАНИЕ СИЛ РЕАКЦИЙ ОПОР СОСТАВНОЙ

УДК 004.932.72; 681.3 Н. Ю. Р я з а н о в а, В. А. У л ь и х и н ВОПРОСЫ МАСШТАБИРОВАНИЯ ИЗОБРАЖЕНИЙ С УЧЕТОМ ИХ СОДЕРЖАНИЯ Рассмотрены вопросы выбора алгоритмов выявления сюжета и определения значимости

УДК 621.397:621.396.96 ВЫДЕЛЕНИЕ ПРЯМОЛИНЕЙНЫХ КРОМОК НА ЗАШУМЛЕННЫХ ИЗОБРАЖЕНИЯХ В. Ю. Волков, доктор техн. наук, профессор Санкт-Петербургский государственный университет телекоммуникаций им. проф. М.

Министерство образования и науки РФ Алтайский государственный университет О. Ю. Воронкова, С. В. Ганжа ОРГАНИЗАЦИОННО-ЭКОНОМИЧЕСКИЙ МЕХАНИЗМ РЕГУЛИРОВАНИЯ ЗЕМЕЛЬНО-ИПОТЕЧНЫХ ОТНОШЕНИЙ В РЫНОЧНЫХ УСЛОВИЯХ

ВОССТАНОВЛЕНИЕ ИЗОБРАЖЕНИЙ НЕЛИНЕЙНЫМИ ФИЛЬТРАМИ, ПОЛУЧЕННЫМИ ИДЕНТИФИКАЦИЕЙ ЛИНЕЙНОЙ ПО ПАРАМЕТРАМ МОДЕЛИ В.А. Фурсов, Д.А. Елкин Самарский государственный аэрокосмический университет имени академика

ISSN 0868 5886, c. 101 106 ПРИБОРЫ, УСТАНОВКИ, МЕТОДЫ УДК 621.38 Б. С. Гуревич, С. Б. Гуревич, В. В. Манойлов ВЕЙВЛЕТ-ФИЛЬТРАЦИЯ ПРОСТРАНСТВЕННЫХ ЧАСТОТ ПРИ ДИСКРЕТИЗАЦИИ СВЕТОВЫХ ПОЛЕЙ Рассматриваются

Электронный журнал «Труды МАИ». Выпуск 50.mai.ru/science/trud/ УДК 004.9 ББК 3.97 Методика фильтрации периодических помех цифровых изображений В.Ю. Гусев А.В. Крапивенко Аннотация В статье рассмотрена

МОДЕЛЬ ЗРИТЕЛЬНОЙ СИСТЕМЫ ЧЕЛОВЕКА- ОПЕРАТОРА ПРИ РАСПОЗНАВАНИИ ОБРАЗОВ ОБЪЕКТОВ Ю.С. Гулина, В.Я. Колючкин Московский государственный технический университет им. Н.Э. Баумана, Изложена математическая

ОПТИКО-ЭЛЕКТРОННОЕ МЕТОДЫ КОНТРОЛЯ КООРДИНАТ ИЗЛУЧАТЕЛЯ НА ПОВЕРХНОСТИ МАТРИЦЫ С ПРИМЕНЕНИЕМ ЦЕНТРОИДАЛЬНЫХ АЛГОРИТМОВ В. И. Замятин В. В. Замятин Алтайский государственный технический университет им.

УДК 621.396 УМЕНЬШЕНИЕ ВЛИЯНИЯ 8-БИТНОГО КВАНТОВАНИЯ ГРАДАЦИЙ ЯРКОСТЕЙ НА ВОЗМОЖНОСТИ ВОССТАНОВЛЕНИЯ А. Ю. Зражевский, А. В. Кокошкин, В. А. Коротков Институт радиотехники и электроники им. В.А. Котельникова

Лабораторная работа 3 Задание Требуется реализовать программу, выполняющую действия над массивами. При выполнении части 1 допускается использование массивов статического размера. При выполнении части 2

Методика априорной оценки эффективности сжатия цифровых изображений в системе оперативной передачи данных дистанционного зондирования Земли 2.3. Анализ алгоритмов сжатия на линейность Для анализа цифрового

Занятие 3 РЕГРЕССИОННЫЙ АНАЛИЗ ДЛЯ ОБРАБОТКИ РЕЗУЛЬТАТОВ ЭКСПЕРИМЕНТА Регрессионный анализ часто используется в химии с целью обработки экспериментальных данных, совокупность которых представлена некоторой

Практикум для учащихся учреждений общего среднего образования М о з ы р ь «Белый Ветер» 2 0 1 4 УДК 51(075.2) ББК 22.1я71 Л84 Р е ц е н з е н т ы: кандидат педагогических наук, доцент кафедры методики

Федеральное агентство по образованию Государственное образовательное учреждение высшего профессионального образования Донской государственный технический университет Кафедра «Программное обеспечение вычислительной

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ ТОМСКИЙ ПОЛИТЕХНИЧЕСКИЙ

МИНИСТЕРСТВО ЗДРАВООХРАНЕНИЯ РЕСПУБЛИКИ БЕЛАРУСЬ МЕТОД ДИФФЕРЕНЦИАЛЬНОЙ ДИАГНОСТИКИ ХРОНИЧЕСКОГО ПАНКРЕАТИТА И АДЕНОКАРЦИНОМЫ ПОДЖЕЛУДОЧНОЙ ЖЕЛЕЗЫ Инструкция по применению УЧРЕЖДЕНИЯ-РАЗРАБОТЧИКИ: УО «Белорусский

ВОССТАНОВЛЕНИЕ ФАЗЫ ИНТЕРФЕРЕНЦИОННЫХ ПОЛОС МЕТОДОМ НЕЛИНЕЙНОЙ ДВУМЕРНОЙ ФИЛЬТРАЦИИ КАЛМАНА А.С. Захаров Исследованы характеристики двумерного дискретного нелинейного фильтра Калмана при динамическом оценивании

СБОРНИК НАУЧНЫХ ТРУДОВ НГТУ. 28. 4(54). 37 44 УДК 59.24 О КОМПЛЕКСЕ ПРОГРАММ ДЛЯ РЕШЕНИЯ ЗАДАЧИ ИДЕНТИФИКАЦИИ ЛИНЕЙНЫХ ДИНАМИЧЕСКИХ ДИСКРЕТНЫХ СТАЦИОНАРНЫХ ОБЪЕКТОВ Г.В. ТРОШИНА Рассмотрен комплекс программ

Материалы V Международной научно-технической школы-конференции, 3 ноября 8 г. МОСКВА МОЛОДЫЕ УЧЕНЫЕ 8, часть 4 МИРЭА ОЦЕНКА КАЧЕСТВА ФИЛЬТРОВ ИНТЕРПОЛЯЦИИ В СТАНДАРТАХ ВИДЕОКОДИРОВАНИЯ 8 г. Д.Б. ПОЛЯКОВ

Недавно пришлось столкнуться с необходимостью программной фильтрации данных АЦП. Гугление и курение (различной документации) привело меня к двум технологиям: Фильтр низких частот (ФНЧ) и Медианный фильтр. Про ФНЧ есть весьма подробная статья в сообществе Easyelectronics , поэтому далее речь пойдёт про медианный фильтр.

Дисклеймер (отмазка): Эта статья по большей частью является практически дословным переводом статьи с сайта embeddedgurus . Однако, переводчик (я) тоже использовал приведенные алгоритмы в работе, нашёл их полезными, и, возможно, представляющими интерес для этого сообщества.

Итак, любой линейный фильтр создан, чтобы пропускать сигналы в заданной полосе частот, и максимально ослаблять все остальные. Подобные фильтры незаменимы, если требуется устранить влияние всевозможных шумов. Однако, в реальном мире встраиваемых систем, разработчик может столкнуться с фактом, что эти классические фильтры практически бесполезны против кратковременных мощных выбросов.

Этот тип шума обычно возникает от какого-либо случайного события, такого, как электростатический разряд, сработавший рядом с прибором брелок сигнализации и прочее. При этом входной сигнал может принять заведомо невозможное значение. Например, с АЦП поступили данные: 385, 389, 388, 388, 912, 388, 387. Очевидно, что значение 912 тут ложное, и должно быть отброшено. При использовании классического фильтра, почти наверняка это большое число повлияет на выходное значение очень сильно. Очевидным решением тут будет применение медианного фильтра.

В соответствии со своим названием, медианный фильтр пропускает среднее значение из множества значений. Обычно размер этой группы нечётный, чтобы избежать двусмысленности при выборе среднего значения. Основная идея-имеется некий буфер с несколькими значениями, из которых выбирается медиана.

Отличия медианы от среднего арифметического

Предположим, что в одной комнате оказалось 19 бедняков и один миллиардер. Каждый кладёт на стол деньги - бедняки из кармана, а миллиардер - из чемодана. По $5 кладёт каждый бедняк, а миллиардер - $1 млрд (109). В сумме получается $1 000 000 095. Если мы разделим деньги равными долями на 20 человек, то получим $50 000 004,75. Это будет среднее арифметическое значение суммы наличных, которая была у всех 20 человек в этой комнате.

Медиана в этом случае будет равна $5 (полусумма десятого и одиннадцатого, срединных значений ранжированного ряда). Можно интерпретировать это следующим образом. Разделив нашу компанию на две равные группы по 10 человек, мы можем утверждать, что в первой группе каждый положил на стол не больше $5, во второй же не меньше $5. В общем случае можно сказать, что медиана это то, сколько принёс с собой средний человек. Наоборот, среднее арифметическое - неподходящая характеристика, так как оно значительно превышает сумму наличных, имеющуюся у среднего человека.
ru.wikipedia.org/wiki/Медиана_ (статистика)

По размеру этого множества разделим фильтры на два типа:
Размерность = 3
Размерность > 3

Фильтр размерностью 3

Uint16_t middle_of_3(uint16_t a, uint16_t b, uint16_t c) { uint16_t middle; if ((a <= b) && (a <= c)) { middle = (b <= c) ? b: c; } else if ((b <= a) && (b <= c)) { middle = (a <= c) ? a: c; } else { middle = (a <= b) ? a: b; } return middle; }

Фильтр размерностью >3

#define STOPPER 0 /* Smaller than any datum */ #define MEDIAN_FILTER_SIZE (13) uint16_t median_filter(uint16_t datum) { struct pair { struct pair *point; /* Pointers forming list linked in sorted order */ uint16_t value; /* Values to sort */ }; static struct pair buffer = {0}; /* Buffer of nwidth pairs */ static struct pair *datpoint = buffer; /* Pointer into circular buffer of data */ static struct pair small = {NULL, STOPPER}; /* Chain stopper */ static struct pair big = {&small, 0}; /* Pointer to head (largest) of linked list.*/ struct pair *successor; /* Pointer to successor of replaced data item */ struct pair *scan; /* Pointer used to scan down the sorted list */ struct pair *scanold; /* Previous value of scan */ struct pair *median; /* Pointer to median */ uint16_t i; if (datum == STOPPER) { datum = STOPPER + 1; /* No stoppers allowed. */ } if ((++datpoint - buffer) >= MEDIAN_FILTER_SIZE) { datpoint = buffer; /* Increment and wrap data in pointer.*/ } datpoint->value = datum; /* Copy in new datum */ successor = datpoint->point; /* Save pointer to old value"s successor */ median = &big; /* Median initially to first in chain */ scanold = NULL; /* Scanold initially null. */ scan = &big; /* Points to pointer to first (largest) datum in chain */ /* Handle chain-out of first item in chain as special case */ if (scan->point == datpoint) { scan->point = successor; } scanold = scan; /* Save this pointer and */ scan = scan->point ; /* step down chain */ /* Loop through the chain, normal loop exit via break. */ for (i = 0 ; i < MEDIAN_FILTER_SIZE; ++i) { /* Handle odd-numbered item in chain */ if (scan->point == datpoint) { scan->point = successor; /* Chain out the old datum.*/ } if (scan->value < datum) /* If datum is larger than scanned value,*/ { datpoint->point = scanold->point; /* Chain it in here. */ scanold->point = datpoint; /* Mark it chained in. */ datum = STOPPER; }; /* Step median pointer down chain after doing odd-numbered element */ median = median->point; /* Step median pointer. */ if (scan == &small) { break; /* Break at end of chain */ } scanold = scan; /* Save this pointer and */ scan = scan->point; /* step down chain */ /* Handle even-numbered item in chain. */ if (scan->point == datpoint) { scan->point = successor; } if (scan->value < datum) { datpoint->point = scanold->point; scanold->point = datpoint; datum = STOPPER; } if (scan == &small) { break; } scanold = scan; scan = scan->point; } return median->value; }
Чтобы воспользоваться этим кодом, просто вызываем функцию каждый раз, когда появляется новое значение. Она вернёт медианное из последних MEDIAN_FILTER_SIZE измерений.
Этот подход требует довольно много RAM, т.к. приходится хранить и значения, и указатели. Однако он довольно быстрый (58мкс на 40МГц PIC18).

Выводы