Lineare Filter in der Bildverarbeitung ändern ein Bild, indem Sie eine gewichtete Summe von Pixelwerten in einer lokalen Nachbarschaft durchführen. Sie zeichnen sich durch ihren Kernel (oder die Maske) aus, eine kleine Matrix von Gewichten. Die Art des Filters wird durch die Werte in diesem Kernel bestimmt. Hier sind einige gängige Typen:
1. Glättungsfilter (Tiefpassfilter): Diese Filter verwischen das Bild, indem Pixelwerte gemittelt werden. Sie reduzieren Geräusche und feine Details.
* Mittelung Filter: Alle Kernelwerte sind gleich (z. B. ein 3x3 -Kernel mit allen Werten 1/9). Einfach und rechnerisch günstig, kann aber erheblich verwischt werden.
* Gaußscher Filter: Kernelwerte folgen einer Gaußschen Verteilung. Erzeugt glattere verschwommene als ein Mittelungsfilter und senkt weniger wahrscheinlich Artefakte ein. Die Standardabweichung des Gaußschen bestimmt die Menge der Unschärfe.
* Medianfilter: Dies ist *nichtlinear *, aber aufgrund seiner ähnlichen Anwendung häufig mit linearen Filtern gruppiert. Es ersetzt das Mittelpixel durch den mittleren Wert der Pixel im Kernel. Hervorragend zum Entfernen von Salz- und Lärm-Geräuschen und bei der Aufrechterhaltung der Kanten besser als im Durchschnitt.
2. Schärfenfilter (Hochpassfilter): Diese Filter verbessern die Kanten und Details, indem sie Unterschiede in den Pixelwerten hervorheben.
* Laplace -Filter: Verwendet einen Kernel, der sich der zweiten Ableitung des Bildes annähert. Hebt Bereiche mit schneller Intensitätsänderung hervor. Oft zur Kantenerkennung verwendet. Es gibt Variationen, einschließlich der 4 vernetzten und 8 vernetzten Laplaceer.
* Unscharp -Maskierung: Subtrahiert eine verschwommene Version des Bildes vom Original und verbessert die Hochfrequenzkomponenten. Bietet mehr kontrolliertes Schärfen als Laplace.
* Sobel -Operator: (und Prewitt und Kirsch) Dies sind Gradientenoperatoren, die den Bildgradienten annähern und die Kanten in eine bestimmte Richtung hervorheben. Sie erzeugen Randkarten, anstatt das Originalbild direkt zu schärfen.
3. Richtungsfilter: Diese Filter sind empfindlich gegenüber spezifischen Orientierungen im Bild.
* Roberts Cross -Operator: Ein einfacher Kantendetektor, der für diagonale Kanten empfindlich ist.
* Sobel -Operator (wieder): Während für die allgemeine Kantenerkennung verwendet werden, können unterschiedliche Orientierungen des Sobelkerns verwendet werden, um Kanten in horizontalen oder vertikalen Richtungen hervorzuheben.
4. Andere lineare Filter:
* Ableitungsfilter: Diese Filter nähern sich den ersten oder zweiten Ableitungen der Bildintensität. Wird zur Kantenerkennung und Merkmalextraktion verwendet. Beispiele sind die oben genannten Sobel-, Prewitt- und Laplace -Filter.
* Identitätsfilter: Ein Kernel mit einer 1 in der Mitte und 0 an anderer Stelle. Dieser Filter lässt das Bild unverändert.
Wichtige Überlegungen:
* Kernelgröße: Die Größe des Kernels beeinflusst das Ausmaß der Filterung. Größere Kerne erzeugen mehr verwischte (Glättung) oder signifikanteres Schärfen.
* Normalisierung: Körner zur Glättungsfilter werden häufig normalisiert (die Summe von Gewichten entspricht 1), um Änderungen der Gesamtbildhelligkeit zu verhindern.
* Grenzbeschreibung: Oft werden spezielle Techniken benötigt, um Pixel in der Nähe der Bildkanten zu verarbeiten, an denen sich der Kernel über die Bildgrenze hinaus erstrecken kann. Zu den allgemeinen Methoden gehören das Polsterung mit Nullen oder Spiegelung.
Diese Liste ist nicht erschöpfend, deckt jedoch die häufigsten Arten von linearen Filtern ab, die bei der Bildverarbeitung verwendet werden. Die Wahl des Filters hängt stark von der spezifischen Anwendung und dem gewünschten Ergebnis ab.
