Filtragem no Domínio da Frequência
Filtragem no Domínio da Frequência
Filtragem no Domínio da Frequência
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
<strong>Filtragem</strong> <strong>no</strong> <strong>Domínio</strong> <strong>da</strong> <strong>Frequência</strong><br />
Disciplina: Tópicos em Computação<br />
(Processamento Digital de Imagens)<br />
1 / 48
Algumas considerações<br />
A frequência é diretamente relaciona<strong>da</strong> a taxas espaciais de<br />
variação;<br />
Não é difícil associar intuitivamente frequências na transforma<strong>da</strong><br />
com padrões de variações de intensi<strong>da</strong>de em uma imagem;<br />
O componente de variação mais lenta (µ = ν = 0) é proporcional<br />
à intensi<strong>da</strong>de média de uma imagem;<br />
2 / 48
Algumas considerações<br />
À medi<strong>da</strong> que <strong>no</strong>s distanciamos <strong>da</strong> origem <strong>da</strong> transforma<strong>da</strong>, as<br />
baixas frequências correspondem aos componentes de<br />
intensi<strong>da</strong>de de variação lenta em uma imagem;<br />
◮ mu<strong>da</strong>nças suaves de intensi<strong>da</strong>de na parede e <strong>no</strong> piso <strong>da</strong> imagem<br />
de uma sala<br />
À medi<strong>da</strong> que <strong>no</strong>s distanciamos <strong>da</strong> origem <strong>da</strong> transforma<strong>da</strong>, as<br />
frequências mais altas começam a corresponder a variações de<br />
intensi<strong>da</strong>de ca<strong>da</strong> vez mais ráapi<strong>da</strong>s;<br />
◮ bor<strong>da</strong>s de objetos e outros elementos, mu<strong>da</strong>nças abruptas de<br />
intensi<strong>da</strong>de<br />
Kelson Aires (kelson@ufpi.edu.br) Tóp. em Computação - <strong>Filtragem</strong> <strong>Frequência</strong> 3 / 48
Algumas considerações<br />
As técnicas de filtragem <strong>no</strong> domínio <strong>da</strong> frequência se baseiam na<br />
modificação <strong>da</strong> transforma<strong>da</strong> de Fourier para atingir um objetivo<br />
específico e calcular a DFT inversa para retornar ao domínio <strong>da</strong><br />
imagem;<br />
4 / 48
Visualização <strong>da</strong> Transforma<strong>da</strong> em 2D<br />
A transforma<strong>da</strong> de Fourier Discreta bidimensional é<br />
frequentemente visualiza<strong>da</strong> como uma função de intensi<strong>da</strong>de;<br />
Para facilitar a visualização, ao invés de se apresentar |F(µ, ν)|, o<br />
que se apresenta é a função: D(µ, ν) = clog[1+|F(µ, ν)|], onde<br />
c é uma constante arbitrária.<br />
5 / 48
<strong>Filtragem</strong> <strong>no</strong> <strong>Domínio</strong> <strong>da</strong> <strong>Frequência</strong><br />
Consiste em modificar a Transforma<strong>da</strong> de Fourier (DFT) de uma<br />
imagem e depois calcular a transforma<strong>da</strong> inversa (IDFT) para<br />
obter o resultado processado;<br />
Da<strong>da</strong> uma imagem digital, f(x, y), de tamanho M × N, a equação<br />
básica de filtragem tem a forma:<br />
g(x, y) = I −1 [H(µ, ν)F(µ, ν)]<br />
onde I −1 é a IDFT, F(µ, ν) é a DFT <strong>da</strong> imagem de entra<strong>da</strong> e<br />
H(µ, ν) é uma função filtro \ (função de transferência\ ).<br />
6 / 48
<strong>Filtragem</strong> <strong>no</strong> <strong>Domínio</strong> <strong>da</strong> <strong>Frequência</strong><br />
Graficamente:<br />
H(u,v)<br />
f(x,y) DFT X IDFT g(x,y)<br />
H(u,v)<br />
G(u,v)<br />
7 / 48
Filtro Básico: Notch<br />
Um dos filtros mais simples é um filtro H(µ, ν) que é 0 <strong>no</strong> centro<br />
<strong>da</strong> transforma<strong>da</strong> e 1 em todos os outros termos de F(µ, ν);<br />
Tem a proprie<strong>da</strong>de de zerar o termo dc \ (responsável pela<br />
intensi<strong>da</strong>de média <strong>da</strong> imagem):<br />
◮ uma média zero implica a existência de intensi<strong>da</strong>des negativas<br />
H(µ, ν) =<br />
{<br />
0 se (µ, ν) = (0, 0)<br />
1 c.c.<br />
8 / 48
Filtros Básicos<br />
Filtro Passa-Baixas (FPB)<br />
◮ Baixas frequências estão relaciona<strong>da</strong>s a intensi<strong>da</strong>des de variação<br />
lenta<br />
◮ FPB tem a proprie<strong>da</strong>de de borra uma imagem<br />
Filtro Passa-Altas (FPA)<br />
◮ Altas frequências estão relaciona<strong>da</strong>s a mu<strong>da</strong>nças abruptas de<br />
intensi<strong>da</strong>de<br />
◮ Realçam detalhes abruptos de uma imagem<br />
9 / 48
Filtros Básicos: exemplos de FPB e FPA<br />
10 / 48
O Erro de wraparound<br />
A convolução:<br />
11 / 48
O Erro de wraparound<br />
A convolução considerando a periodici<strong>da</strong>de implícita <strong>da</strong> DFT:<br />
12 / 48
O Erro de wraparound<br />
Para contornar o problema, acrescentam-se zeros (zero padding):<br />
13 / 48
O Erro de wraparound<br />
14 / 48
O Erro de wraparound<br />
15 / 48
Zero Padding em Filtros<br />
16 / 48
FIltragem <strong>no</strong> <strong>Domínio</strong> Espacial e <strong>da</strong> <strong>Frequência</strong>:<br />
relação<br />
17 / 48
FIltragem <strong>no</strong> <strong>Domínio</strong> Espacial e <strong>da</strong> <strong>Frequência</strong>:<br />
relação<br />
18 / 48
FIltragem <strong>no</strong> <strong>Domínio</strong> Espacial e <strong>da</strong> <strong>Frequência</strong>:<br />
relação<br />
19 / 48
Filtro Passa-Baixa Ideal (ILPF)<br />
Um filtro passa-baixa 2D que deixa passar, sem atenuação, to<strong>da</strong>s<br />
as frequências em um círculo de raio D 0 a partir <strong>da</strong> origem e<br />
"recorta"to<strong>da</strong>s as frequências fora desse círculo;<br />
Determinado pela função:<br />
H(µ, ν) =<br />
{<br />
1 se D(µ, ν) ≤ D0<br />
0 se D(µ, ν) > D 0<br />
sendo que D 0 é uma constante positiva, e D(µ, ν) é a distância<br />
entre um ponto (µ, ν) <strong>no</strong> domínio <strong>da</strong> frequência e o centro do<br />
retângulo de frequência.<br />
20 / 48
Filtro Passa-Baixa Ideal (ILPF)<br />
21 / 48
Filtro Passa-Baixa Ideal (ILPF)<br />
22 / 48
Filtro Passa-Baixa Ideal (ILPF)<br />
23 / 48
Filtro Passa-Baixa Butterworth<br />
A função de transferência do filtro passa-baixa Butterworth<br />
(BLFP) de ordem n, e com frequência de corte a uma distância<br />
D 0 <strong>da</strong> origem é defini<strong>da</strong> como<br />
H(µ, ν) =<br />
1<br />
1+[D(µ, ν)/D 0 ] 2n<br />
onde D(µ, ν) é a distância entre um ponto (µ, ν) <strong>no</strong> domínio <strong>da</strong><br />
frequência e o centro <strong>da</strong> função de frequência;<br />
Diferente do filtro ideal, a função de transferência BLFP não tem<br />
uma descontinui<strong>da</strong>de abrupta que resulta em um corte bem<br />
definido;<br />
24 / 48
Filtro Passa-Baixa Butterworth<br />
25 / 48
Filtro Passa-Baixa Butterworth<br />
26 / 48
Filtro Passa-Baixa Butterworth<br />
Comparando com os resultados<br />
do ILFP:<br />
Transição suave do<br />
borramento em função do<br />
aumento <strong>da</strong> frequência de<br />
corte;<br />
Nenhum ringing é visível<br />
em qualquer uma <strong>da</strong>s<br />
imagens processa<strong>da</strong>s;<br />
27 / 48
Filtro Passa-Baixa Gaussia<strong>no</strong><br />
Os filtros passa-baixa gaussia<strong>no</strong>s (GLPF) de duas dimensões<br />
têm a forma:<br />
H(µ, ν) = e −D2 (µ,ν)/2D 2 0<br />
sendo D(µ, ν) a distância a partir do centro do triângulo de<br />
frequência e D 0 a frequência de corte.<br />
◮ quando D(µ, ν) = D 0 , o GLPF é reduzido para 0, 607 de seu valor<br />
máximo<br />
A transforma<strong>da</strong> inversa do GLPF também é uma gaussiana;<br />
Não apresenta efeito de ringing.<br />
28 / 48
Filtro Passa-Baixa Gaussia<strong>no</strong><br />
29 / 48
Filtro Passa-Baixa Gaussia<strong>no</strong><br />
30 / 48
Filtros Passa-Baixa: resumo<br />
31 / 48
<strong>Filtragem</strong> Passa-Baixa: exemplos adicionais<br />
32 / 48
<strong>Filtragem</strong> Passa-Baixa: exemplos adicionais<br />
33 / 48
<strong>Filtragem</strong> Passa-Baixa: exemplos adicionais<br />
34 / 48
Filtros Passa-Alta<br />
Aguçamento de imagens: realça componentes de alta frequência<br />
<strong>da</strong> imagem;<br />
Os filtros passa-alta são obtidos a partir dos filtros passa-baixa:<br />
◮ Filtro passa-alta ideal:<br />
◮ Filtro passa-alta Butterworth:<br />
H IHPF = 1 − H ILPF<br />
◮ Filtro passa-alta gaussia<strong>no</strong>:<br />
H BHPF = 1 − H BLPF<br />
H GHPF = 1 − H GLPF<br />
35 / 48
Filtros Passa-Alta<br />
36 / 48
Filtros Passa-Alta<br />
37 / 48
Filtro Passa-Alta Ideal<br />
Um filtro passa-alta ideal 2D é definido como:<br />
{<br />
0 se D(µ, ν) ≤ D0<br />
H(µ, ν) =<br />
1 se D(µ, ν) > D 0<br />
onde D 0 é a frequência de corte.<br />
38 / 48
Filtro Passa-Alta Butterworth<br />
Um filtro passa-alta Butterworth 2D de ordem n é definido como:<br />
onde D 0 é a frequência de corte.<br />
1<br />
H(µ, ν) =<br />
1+[D 0 /D(µ, ν)] 2n<br />
39 / 48
Filtro Passa-Alta Gaussia<strong>no</strong><br />
Um filtro passa-alta gaussia<strong>no</strong> 2D é definido como:<br />
onde D 0 é a frequência de corte.<br />
H(µ, ν) = 1 − e −D2 (µ,ν)/2D 2 0<br />
40 / 48
Filtros Passa-Alta: resumo<br />
41 / 48
Filtros Rejeita-Faixa<br />
42 / 48
Filtro Passa-Faixa Gaussia<strong>no</strong><br />
43 / 48
Filtro Passa-Faixa Butterworth<br />
44 / 48
A Transforma<strong>da</strong> Rápi<strong>da</strong> de Fourier - FFT<br />
Implementar as equações <strong>da</strong> DFT não constitui tarefa simples;<br />
FFT proporciona uma redução <strong>no</strong>s cálculos envolvidos;<br />
Ex.: Transforma<strong>da</strong> de Fourier de uma imagem 1024 × 1024<br />
◮ DFT-2D: + 1 trilhão de operações<br />
◮ FFT: aprox. 20 milhões<br />
Matlab: fft<br />
45 / 48
A Transforma<strong>da</strong> Rápi<strong>da</strong> de Fourier<br />
46 / 48
<strong>Filtragem</strong> <strong>no</strong> Domíinio <strong>da</strong> <strong>Frequência</strong>: implementação<br />
47 / 48
<strong>Filtragem</strong> <strong>no</strong> Domíinio <strong>da</strong> <strong>Frequência</strong>: implementação<br />
48 / 48