Комментарии 18
Класс! Более здоровского описания выделения границ по критерию "(ясность / краткость) * ёмкость" я ещё не читал.
Может, я делаю невнимательные/поспешные выводы, но мне кажется что тут оченвидно: чем больше порядок аппроксимации, тем больше устойчивость к шуму и тем больше требуется вычислительных мощностей. М?
Может, я делаю невнимательные/поспешные выводы, но мне кажется что тут оченвидно: чем больше порядок аппроксимации, тем больше устойчивость к шуму и тем больше требуется вычислительных мощностей. М?
Спасибо. Утверждать не могу точно, хотя можно подумать и над формальных доказательством, дело в сумме квадратов коэффициентов маски с которой делается свертка. Именно это число и есть коэффициент усиления шума. Посмотрите как он высок для оператора Собеля (например из статьи Алгоритмы выделения контуров изображений), но там дело другое — там вторую производную аппроксимируют. Вот там тоже можно повышать порядок аппроксимации второй производной, что приведет к увеличению размеров маски и появлению совершенно нового оператора.
Важное наблюдение!
А если использовать нелинейные фильтры, можно ли получить усиление шума 1.0 или даже его уменьшение? ;)
А если использовать нелинейные фильтры, можно ли получить усиление шума 1.0 или даже его уменьшение? ;)
Нелинейные фильтры выделения контуров или поиска градиента или производных? — Не знаком с такими.
Для подавления шума — лучше результаты действительно дают нелинейные фильтры.
Для подавления шума — лучше результаты действительно дают нелинейные фильтры.
А какая разница? Возьмите нелинейный локальный фильтр шумоподавления, его суперпозиция с Вашим методом поиска производных даст в результате локальный нелинейный фильтр, который и ищет производные и давит шум.
В принципе, Вы уже делаете примерно то же самое, только с помощью линейных шумодавов (неявным образом сидящих внутри Ваших длинных формул по вычислении производных). Можно показать, что длинная формула вычисления производных, которую Вы привели, это комбинация линейного low-pass фильтра и короткой формулы вычисления производных — в точности по двум пикселям. Поэтому у Вас и шум меньше получается. Так почему бы сразу не взять нелинейное ядро? Результат намного лучше получится.
В принципе, Вы уже делаете примерно то же самое, только с помощью линейных шумодавов (неявным образом сидящих внутри Ваших длинных формул по вычислении производных). Можно показать, что длинная формула вычисления производных, которую Вы привели, это комбинация линейного low-pass фильтра и короткой формулы вычисления производных — в точности по двум пикселям. Поэтому у Вас и шум меньше получается. Так почему бы сразу не взять нелинейное ядро? Результат намного лучше получится.
Знаете что мне не нравится? Вот это предложение:
"Было: Одна свертка c окном (NxN) для смаза, + две свертки со специфическими окнами (1xN, Nx1) для вычисления производных."
Почему у вас размер гауссова фильтра — N, и размер фильтра производной — тоже N? В общем случае, они же могут быть разными.
"Было: Одна свертка c окном (NxN) для смаза, + две свертки со специфическими окнами (1xN, Nx1) для вычисления производных."
Почему у вас размер гауссова фильтра — N, и размер фильтра производной — тоже N? В общем случае, они же могут быть разными.
> то было бы неплохо его диспресию предварительно (до вычисления градиента) уменьшить – например, смазать исходное изображение I, то есть сделать свертку например с гауссовым ядром f
А медианный фильтр не лучше будет для шумоподавления? Конечно, зависит от характера шума…
А медианный фильтр не лучше будет для шумоподавления? Конечно, зависит от характера шума…
Как то вы очень смело «смешиваете» дисперсию градиента картинки с дисперсией аддитивного шума. Хоть шум и не коррелирует между соседними пикселами, сам градиент очень даже коррелирует.
Более того, на вашей проверочной картинке градиент сам по себе шумоподобен (на текстурах где листва). И зачем же его денойзить если он и так хреновый?
Более того, на вашей проверочной картинке градиент сам по себе шумоподобен (на текстурах где листва). И зачем же его денойзить если он и так хреновый?
Дело в том, что данные выкладки верны когда изображение суть шум — предельный случай, и ориентируясь на него можно как-то сравнивать операторы выделения контуров — на самом деле классическая практика. А картинка была выбрана только по той причине что на ней есть знак — а именно распознаванием дорожных знаков я и занимаюсь сейчас. По поводу листвы — она шумоподобна, согласен, но в этом и суть! Что в одном случае этот шум в 2 раза увеличивается а в другом не так сильно. О корреляции градиента да и вообще о корреляции я не говорил — речь лишь о предположении изотропности шума по картинке.
Зарегистрируйтесь на Хабре, чтобы оставить комментарий
О градиенте изображения