Decision Based Adaptive Median Filter - Presentation.07.dezembro.2010 decision-based-adaptive-median-filter

Universidade Federal do Estado de Alagoas Instituto de Computação - Campus A. C. Simões

Decision Based Adaptive Median FilterProcessamento Digital de Imagens

A. Felix :: M. Alves :: W. Machado

Centro de Pesquisa em Matemática ComputacionalUniversidade Federal de Alagoas, Campus A. C. SimõesTabuleiro do Martins - Maceió - AL, CEP: 57072-970Docente Responsável: Prof. Dr. Alejandro C. Frery

{afdlf2,michel.mas,wylken.ufal}@gmail.com

07 de Dezembro 2010

Bacharelado em Ciência da Computação Processamento Digital de Imagens


Sumário

Tópicos Centrais da Explanação

1 Introdução.2 O Filtro da Mediana.3 O Filtro da Mediana Adaptativo.4 Decision Based Adaptive Median Filter.5 Um Algoritmo em Dois Estágios.6 Primeiro Estágio - Detecção de Ruído.7 Segundo Estágio - Filtragem.8 Resultados, Discussão e Conclusões.



Sumário





Sumário





Sumário





Sumário





Sumário





Sumário





Sumário





Sumário





Introdução

Introdução

Motivação

O Trabalho EscolhidoO Que é Ruído Impulsivo?

Imagens Degradadas com Ruído



Introdução

Introdução

Motivação





Introdução

Introdução

Motivação





Introdução

Introdução

Motivação





Introdução

Introdução

Motivação





Motivação

Muitas vezes o processo de aquisição deimagens pode apresentar falhas.

Essas falhas possuem diversas origens:Erros de transmissão;Mal funcionamento dos sensores do aparelho;Falhas na alocação de memória do aparelho;Erros de “timing” na conversão analógico-digital;Entre outras.

O processo de aquisição pode ser caro e repetí-lo podenão ser vantajoso devido ao custo.



Motivação






Motivação






Motivação






Motivação






Motivação






Motivação






Motivação






O Trabalho Escolhido

Nesta apresentação iremos exibir e discutir osresultados do trabalho intitulado:

Decision Based Adaptive Median Filter toRemove Blotches, Scratches, Streaks, Stripes

and Impulsive Noise in Images.

IEEE 17th International Conference on ImageProcessing.

V. R. Vijaykumar, P. Jothibasu, Departament of ECE,Anna University Coimbatore, Coimbatore, TamilNadu,

India.Bacharelado em Ciência da Computação Processamento Digital de Imagens


























Localização

Anna University Coimbatore



Interpretação Física de Ruído

Vamos Deixar Claros Alguns Conceitos

O Que é Ruído?

No âmbito das telecomunicações e do dispositivoseletrônicos, em geral, considera-se ruído a todas asperturbações elétricas que interferem sobre os sinais

transmitidos ou processados.

As origens do ruído são múltiplas:

tempestades elétricas com relâmpagos e raios, manchassolares, radiação produzida por microondas, etc.





O Que é Ruído?









O Que é Ruído?









O Que é Ruído?









O Que é Ruído?







Ruído Impulsivo

O Que é Ruído Impulsivo?

O ruído impulsivo é aquele cuja intensidade aumentabruscamente durante um impulso.

A duração deste impulso é breve em comparação com otempo que decorre entre um impulso e outro.

Incide fundamentalmente na transmissão dos dados edeve-se basicamente a fortes induções consequências

de comutações eletromagnéticas.

Pode ser descrito matematicamente pela funçãoimpulso ou delta de Dirac.



Ruído Impulsivo









Ruído Impulsivo









Ruído Impulsivo









Ruído Impulsivo









Imagens Degradadas

Alguns Exemplos de Ruído

Figura: Imagens degradadas por diferentes tipos de ruído. Da esquerdapara direita temos: ruído impulsivo, ruído gaussiano aditivo e ruídomultiplicativo. Degradações obtidas de “Lena”, 512x512, 8bits/pixel.



Imagem Contaminada com Ruído Impulsivo

Figura: Exemplo de imagem distorcida, corrompida ou contaminada. (A)Imagem original “Lena”, 512x512, 8bits/pixel; (B) Imagem contaminada

com ruído impulsivo “salt-and-pepper”.



O Filtro da Mediana

O Filtro da MedianaO Filtro da Mediana Clássico

Características do Filtro

Exemplificando o Uso

Resultados Obtidos

Codificação em R

Vídeos: Ruído Salt-and-Pepper & Filtro MedianoBacharelado em Ciência da Computação Processamento Digital de Imagens


O Filtro da Mediana




Resultados Obtidos

Codificação em R



O Filtro da Mediana




Resultados Obtidos

Codificação em R



O Filtro da Mediana




Resultados Obtidos

Codificação em R



O Filtro da Mediana




Resultados Obtidos

Codificação em R



O Filtro da Mediana




Resultados Obtidos

Codificação em R



O Filtro da Mediana




Resultados Obtidos

Codificação em R



O Filtro da Mediana Clássico

Usando a abordagem de janelas deslizantes

Admitindo amostra de dimensão B × B:

O novo valor do pixel central da amostra contidadentro do bloco de dimensão B × B será dado pelovalor mediano dos pixels presentes na amostra.















Características

Características do Filtro da Mediana

Filtro não convolucional e não linear.Elimina informações indesejáveis ao mesmo tempoque preserva bordas;Freqüentemente escolhido para suavizar imagensque apresentam ruídos conhecidos como“sal-e-pimenta”;Menos eficiente do que o filtro da média paracombater o ruído gaussiano aditivo;Caso particular dos filtros estatísticos de ordem;Possui certa complexidade, pois envolve ordenação.



Características





Características





Características





Características





Características





Características






Exemplificando o Uso do Filtro da Mediana

Tomemos a Seguinte Amostra

A =

25 32 2926 99 2724 32 29

Ordenando os valores da matriz A teremos:

Sort(A) = {24, 25, 26, 27, 29, 29, 32, 32, 99}

A mediana da matriz A seria: Median(A) = 29Bacharelado em Ciência da Computação Processamento Digital de Imagens





A =

25 32 2926 99 2724 32 29


Sort(A) = {24, 25, 26, 27, 29, 29, 32, 32, 99}






A =

25 32 2926 99 2724 32 29


Sort(A) = {24, 25, 26, 27, 29, 29, 32, 32, 99}






A =

25 32 2926 99 2724 32 29


Sort(A) = {24, 25, 26, 27, 29, 29, 32, 32, 99}






A =

25 32 2926 99 2724 32 29


Sort(A) = {24, 25, 26, 27, 29, 29, 32, 32, 99}



Resultados Obtidos

Resultados Obtidos com o Filtro da Mediana.

Figura: Imagem contaminada com 10% de ruído “salt-and-pepper”.



Codificação em R

Para contaminar imagens com ruído impulsivo“salt-and-pepper” a plataforma R disponibiliza

a função imgSaltPepperNoise.� �1 # A p l i c a n d o r u i d o s a l −e−pimenta a 10%2 myimg . n o i s e <− imgSa l tPeppe rNo i s e (myimg , 10)� �

Para filtrar imagens utilizando a mediana aplataforma R disponibiliza a função

imgBlockMedianFilter.� �1 # A p l i c a n d o o f i l t r o da mediana com j a n e l a 5 x52 myimg . f i l t e r e d <− imgB l o ckMed i anF i l t e r (myimg . no i s e , 5)� �



Codificação em R







Codificação em R







Codificação em R







Codificação em R







Ruído Salt-and-Pepper

Gerando Ruído Salt-and-Pepper em R

PLAY



Exibindo Resultados do Filtro da Mediana

Vídeos Exibindo Resultados do Filtro

PLAY

PLAY

PLAY

PLAY



O Filtro da Mediana Adaptativo

O Filtro da Mediana AdaptativoModus Operandi


Resultados Obtidos

Pseudo-Codificação do Filtro Adaptativo

O Filtro da Mediana Adaptativo em Ação






Resultados Obtidos








Resultados Obtidos








Resultados Obtidos








Resultados Obtidos








Resultados Obtidos







Admitindo uma amostra inicial de dimensão B × B:

O novo valor do pixel central será o mediano dos pixels presentesna amostra. Caso a amostra não atenda a alguns critérios de

seleção então, a mesma será expandida.

















Características

Filtro da Mediana Adaptativo

Classifica pixels através de comparação de seus valores com osvalores dos demais em uma certa vizinhança. Pixels nãoalinhados estruturalmente são rotulados como ruído, poisdiferem da maioria de seus vizinhos;O tamanho da vizinhança é ajustável;Repetidas aplicações não erodem longas bordas ou pequenasestruturas da imagem;Lida melhor com ruídos impulsivos, a uma taxa maior que20%, do que o filtro mediano clássico;Preserva detalhes e suaviza outros tipos de ruído nãoimpulsivo;Reduz distorções como “thinning” ou “thickening” excessivonas bordas dos objetos.



Características





Características





Características





Características





Características





Características





Resultados Obtidos


Figura: Imagem contaminada com ruído impulsivo e filtrada com janela 3x3.



Pseudo-Codificação

Pseudo-Codificação do Filtro Adaptativo.� �1 Enquanto <Imagem não chegar ao final> Execute :2 // N i v e l A3 Obtenha : Uma amostra Sxy de tamanho Ssize4 Obtenha : Zmin, Zmax , Zmed , Zxy5 Ava l i e : A1 = Zmed − Zmin e A2 = Zmed − Zmax6 Se (A1 > 0 E A2 < 0)7 Entao Vá para o Nível B8 I n i c i o9 // N i v e l B

10 Ava l i e : B1 = Zxy − Zmin e B2 = Zxy − Zmax11 Se (B1 > 0 E B2 < 0) Entao Esc r eva Zxy Senao Esc r eva Zmed12 Fim13 Senao14 I n i c i o15 Incremente o tamanho da janela de amostragem Sxy16 Se (Ssize < Smax ) Entao Repita o Nível A Senao Esc r eva Zxy17 Fim18 Fim .� �














Filtro da Média, Mediana Clássico e MedianaAdaptativo

PLAY



Decision Based Adaptive Median Filter

Decision Based AdaptiveMedian Filter

Princípios do Algoritmo Proposto

Classes de Degradação Tratadas

Blotches, Scratches, Streaks, Stripes,Impulsive Noise

Uma Observação...








Uma Observação...








Uma Observação...








Uma Observação...








Uma Observação...










É um algoritmo baseado em decisão;Possui dois estágios: detecção de ruído e filtragem;Detecção: executada através da métrica ROAD;Filtragem: através de um filtro mediano adaptativo.

Através da métrica ROAD obtemos uma imagembinária com a qual é feita a distinção entre pixels

corrompidos e não-corrompidos.

No estágio de correção, os pixels corrompidos sãosubstituídos pela mediana dos pixels não-corrompidos.




















































Classes de Degradação Tratadas Pelo Método

Blotches(“Manchas”);Scratches(“Arranhões”);Streaks(“Estrias”);Stripes(“Listras”);Impulsive Noise(Ruído Impulsivo).

Nos exemplos a seguir, nem todas as imagens exibidasapresentam apenas degradações. Algumas delas foramexpostas apenas para que possamos ter uma idéia dasclasses de distorção. Algumas degradações são usadas,

normalmente, para se alcançar efeitos estilísticos.













































Blotches

Imagens Contaminadas com Manchas

Figura: Manchas são regiões diferenciadas, usualmente com níveishomogêneos de cinza que podem ser modelados como mínimos ou

máximos locais. Distorções como manchas se assemelham a pequenasáreas de pixels coerentes com níveis de cinza muito similares.



Scratches

Imagens Contaminadas com “Arranhões”

Figura: Um defeito comum em filmes antigos são os “arranhões”.Apresentam-se como estreitas linhas visíveis, claras ou escuras, que

persistem por vários quadros. Os “arranhões” são formados pela películado material no momento da exibição em equipamentos de projeção.



Streaks

Imagens Contaminadas com “Estrias”

Figura: Uma “estria” pode ser qualquer sequência de pixels em umaimagem que foi substituída por valores aleatórios. Nesse caso uma linhainteira, ou uma coluna, da imagem é substituída por uma sequência

arbitrária de valores.



Stripes

Imagens Contaminadas com “Listras”

Figura: “Listras” são um modelo de linhas de interação com a imagem.



Impulsive Noise

Imagens Contaminadas com Ruído Impulsivo

Figura: Imagens contaminadas com 20% de ruído impulsivo. O ruídoimpulsivo é caracterizado pela substituição de uma porção de pixels daimagem por valores aleatórios, deixando inalterados os restantes. Aprincipal meta da remoção de ruídos é a supressão dessa degradação

enquanto são preservados os detalhes da imagem.



Uma Observação...

Filtros e Distorções

Vale ressaltar que muitas vezes os métodos voltadospara remoção de distorções confundem a informação detextura da imagem com alguma degradação e acabam

emitindo um resultado não satisfatório!Bacharelado em Ciência da Computação Processamento Digital de Imagens


Uma Observação...

Filtros e Distorções

Vale ressaltar que muitas vezes os métodos voltadospara remoção de distorções confundem a informação detextura da imagem com alguma degradação e acabam

emitindo um resultado não satisfatório!Bacharelado em Ciência da Computação Processamento Digital de Imagens


Um Algoritmo em Dois Estágios.

Algoritmo em Dois EstágiosFluxograma - Estágios do Algoritmo

Rank Ordered Absolute Difference (ROAD)

Estágio de Detecção do Ruído

Estágio de Filtragem do Ruído

Finalmente... Como Funciona o Algoritmo?

Ilustração do Algoritmo PropostoBacharelado em Ciência da Computação Processamento Digital de Imagens


















































Fluxograma - Estágios do Algoritmo

Estágios - Detecção de Ruído e Filtragem.

Figura: Fluxograma exibindo as duas fases do algoritmo proposto. Noprimeiro estágio os “noise candidates” são detectados através do uso de“rank ordered absolute difference”. No segundo, o pixel corrompido é

substituído pela mediana dos pixels não corrompidos.





Métrica apresentada no trabalho intitulado “A Universal NoiseRemoval Algorithm with an Impulse Detector”, de autoria de

Garnett, Huegerich, Chui e He.

Publicado na IEEE Transactions on Image Processing,Vol. 14, Nov. 2005, pp. 1747-1754.

Nesse trabalho os autores introduzem uma métricaestatística de efeito local para identificar pixels

comprometidos em imagens corrompidas por ruídoimpulsivo.
































A métrica provê uma medida de quão próximo o valorde um pixel está dos seus vizinhos.

Assumindo uma amostra de tamanho W = (2N + 1)× (2N + 1), uccomo valor central da amostra e uy o conjunto com os valores daamostra com y = {1, . . . , W }, definiremos o conjunto de diferençasabsolutas x como: x = dc,y = |uc − uy |. Além disso, definiremos umoperador r que ordena de forma crescente os valores do conjunto

x , assim teremos:

ROADm(x) =m∑

i=1ri(x), 2 6 m 6 7







x , assim teremos:

ROADm(x) =m∑

i=1ri(x), 2 6 m 6 7







x , assim teremos:

ROADm(x) =m∑

i=1ri(x), 2 6 m 6 7







x , assim teremos:

ROADm(x) =m∑

i=1ri(x), 2 6 m 6 7




Primeiro Estágio - Detecção do Ruído.

Seja X uma imagem corrompida de tamanho M × N eX (i , j) o nível de cinza na localidade (i , j)

Tomemos S como uma janela de detecção de tamanhoW ×W centralizada em X (i , j), onde W = 2LD + 1 e

inicialmente LD = 1.

Os pixels na janela de detecção serão definidos por:

S = X (i + k, j + l),−LD 6 k, l 6 LD









S = X (i + k, j + l),−LD 6 k, l 6 LD









S = X (i + k, j + l),−LD 6 k, l 6 LD









S = X (i + k, j + l),−LD 6 k, l 6 LD









S = X (i + k, j + l),−LD 6 k, l 6 LD



Fluxograma - Estágio de Detecção do Ruído


Figura: Fluxograma da primeira fase do método proposto. Nesta faseocorre a obtenção do ROAD(Rank Ordered Absolute Difference) e da

imagem binária que será utilizada na segunda fase do algoritmo proposto.




Segundo Estágio - Filtragem do Ruído.

Tomemos uma janela de correção de tamanho W ×W centralizadaem B(i , j), onde W = 2LC + 1 e inicialmente LC = 1.

Se B(i , j) = 0 então o segmento resultante R será obtido atravésda multiplicação do segmento binário pelo segmento

correspondente na imagem corrompida:

R = X (i + k , j + l) · B(i + k , j + l),−LC 6 k , l 6 LC

Se o número de pixels não-nulos em R for maior que 2 então X(i , j) teráseu valor substituído pela mediana dos valores não-nulos de R, caso

contrário LC será incrementado e os passos anteriores serão repetidos.











































Fluxograma - Estágio de Filtragem do Ruído


Figura: Fluxograma da segunda fase do método proposto. Nesta faseocorre a filtragem do ruído que foi previamente classificado.




Usando a abordagem de janelas deslizantes!

Começamos pelo canto superior esquerdo da imagemcom uma janela deslizante de tamanho 3× 3.

Movemos a janela pixel a pixel, de maneira horizontal evertical através de todas as linhas e colunas da imagem

até alcançar o canto inferior da mesma.

A cada passo computamos as matrizes necessáriaslevando em consideração apenas os valores internos da

janela.









janela.









janela.









janela.









janela.



Ilustrando...

Passo 1



Ilustrando...

Passo 2



Ilustrando...

Passo 3



Ilustrando...

Passo 20



Ilustrando...

Passo 21



Ilustrando...

N-ésimo Passo



Ilustração do Algoritmo Proposto

Para ilustrar o algoritmo proposto iremosutlizar um segmento 3x3 da imagem “Lena”,corrompido por 40% de ruído impulsivo.

Chamaremos o segmento original de P.

Chamaremos o segmento contaminado de X.

Chamaremos a Matriz de DiferençasAbsolutas de D.

Chamaremos a Matriz Binária de B.Bacharelado em Ciência da Computação Processamento Digital de Imagens































Matrizes que Compõem o Exemplo.

Segmento Original P 166 168 167163 173 157164 168 159

Diferenças Absolutas D 086 040 028

024 000 018049 012 020

Segmento Contaminado X 225 099 167163 139 157090 151 159

Segmento Binário B 000 000 001

001 000 001000 001 001

Como obter a Matriz de Diferenças Absolutas?Bacharelado em Ciência da Computação Processamento Digital de Imagens






024 000 018049 012 020



001 000 001000 001 001

Como obter a Matriz de Diferenças Absolutas?Bacharelado em Ciência da Computação Processamento Digital de Imagens






024 000 018049 012 020



001 000 001000 001 001

Através do valor do pixel central do segmento contaminado!







024 000 018049 012 020



001 000 001000 001 001

Através do valor do pixel central do segmento contaminado!




Cálculo da Matriz de Diferenças Absolutas.

225 099 167163 139 157090 151 159

− 139 =

086 040 028024 000 018049 012 020

Ordenando os valores da matriz D teremos:

Sort(D) = {0, 12, 18, 20, 24, 28, 40, 49, 86}

De posse desses valores obteremos o ROAD





225 099 167163 139 157090 151 159

− 139 =

086 040 028024 000 018049 012 020


Sort(D) = {0, 12, 18, 20, 24, 28, 40, 49, 86}






225 099 167163 139 157090 151 159

− 139 =

086 040 028024 000 018049 012 020


Sort(D) = {0, 12, 18, 20, 24, 28, 40, 49, 86}






225 099 167163 139 157090 151 159

− 139 =

086 040 028024 000 018049 012 020


Sort(D) = {0, 12, 18, 20, 24, 28, 40, 49, 86}






225 099 167163 139 157090 151 159

− 139 =

086 040 028024 000 018049 012 020


Sort(D) = {0, 12, 18, 20, 24, 28, 40, 49, 86}






Os 5 primeiros valores da lista ordenada são usadospara encontrar o valor do ROAD.

Sort(D) = {0, 12, 18, 20, 24, 28, 40, 49, 86}

ROAD = 0 + 12 + 18 + 20 + 24 = 74

Como o valor do ROAD encontrado é maior que o valorde threshold predefinido (T = 40) então o pixel centralé considerado um “noisy candidate” e B(i,j) receberá 0.






Sort(D) = {0, 12, 18, 20, 24, 28, 40, 49, 86}

ROAD = 0 + 12 + 18 + 20 + 24 = 74







Sort(D) = {0, 12, 18, 20, 24, 28, 40, 49, 86}

ROAD = 0 + 12 + 18 + 20 + 24 = 74







Sort(D) = {0, 12, 18, 20, 24, 28, 40, 49, 86}

ROAD = 0 + 12 + 18 + 20 + 24 = 74







Sort(D) = {0, 12, 18, 20, 24, 28, 40, 49, 86}

ROAD = 0 + 12 + 18 + 20 + 24 = 74





O Segmento Resultante R

O segmento resultante R é obtido através damultiplicação do segmento da imagem binária B pelo

segmento correspondente da imagem ruidosa X.



001 000 001000 001 001

R = X (i + k , j + l) · B(i + k , j + l),

−LC 6 k , l 6 LC









001 000 001000 001 001

R = X (i + k , j + l) · B(i + k , j + l),

−LC 6 k , l 6 LC









001 000 001000 001 001

R = X (i + k , j + l) · B(i + k , j + l),

−LC 6 k , l 6 LC









001 000 001000 001 001

R = X (i + k , j + l) · B(i + k , j + l),

−LC 6 k , l 6 LC





R =

225 099 167163 139 157090 151 159

· 000 000 001

001 000 001000 001 001

R =

000 000 167163 000 157000 151 159

Como o pixel central do segmento B é nulo e o número de pixels

não corrompidos em R é maior que 2 então esse pixel serásubstituído pelo valor mediano dos pixels não nulos contidos em R,X (i , j) = Median(NotNull(R)) = Median(167, 163, 157, 151, 159) = 159





R =

225 099 167163 139 157090 151 159

· 000 000 001

001 000 001000 001 001

R =

000 000 167163 000 157000 151 159







R =

225 099 167163 139 157090 151 159

· 000 000 001

001 000 001000 001 001

R =

000 000 167163 000 157000 151 159







R =

225 099 167163 139 157090 151 159

· 000 000 001

001 000 001000 001 001

R =

000 000 167163 000 157000 151 159





Imagens RGB

E Como Trataremos Imagens Coloridas?

Para imagens coloridas o mesmo algoritmo deve seraplicado aos três canais que a compõem. Após a

aplicação do algoritmo os canais devem serrecombinados.



Imagens RGB

E Como Trataremos Imagens Coloridas?

Para imagens coloridas o mesmo algoritmo deve seraplicado aos três canais que a compõem. Após a

aplicação do algoritmo os canais devem serrecombinados.



Resultados, Discussão e Conclusões.

Resultados, Discussão eConclusões


Performance Quantitativa: PSNR e MAE

Tempo de Processamento

Conclusão








Conclusão








Conclusão








Conclusão








Conclusão




Resultados & Discussão

Observaremos os resultados e a performance doalgoritmo proposto para imagens em tons de cinza ecoloridas, todas com 512x512. A análise será feitajunto a outros algoritmos levando em consideração

diferentes tipos de degradação.

Os Algoritmos Testados Foram:

SMF - Standard Median Filter

AMF - Adaptive Median Filter

TMF - Tri-State Median Filter

Trilateral Median Filter






































































Blotches

Figura: Original, Blotches, SMF, AMF, Trilateral e Proposto.




Scratches

Figura: Original, Scratches, SMF, AMF, Trilateral e Proposto.




Streaks

Figura: Original, Streaks, SMF, AMF, Trilateral e Proposto.




Stripes

Figura: Original, Stripes, SMF, AMF, Trilateral e Proposto.




Impulsive Noise

Figura: Original, Noise 40%, TMF, AMF, Trilateral e Proposto.




Performance Quantitativa

A performance quantitativa em relação aos outrosalgoritmos é comparada em termos de PSNR e MAE.

Peak Signal to Noise Ratio.

Mean Absolute Error.

As tabelas exibidas a seguir apresentam resultados decomparação em termos de PSNR e MAE, bem comotempo de processamento estimado. Para a análise, foi

utilizada a imagem “Lena”, 512x512, 8bits/pixel.








































Comparação em Termos de PSNR

Noise Density SMF CWMF ACWMF Trilateral PA10% 33.72 35.06 36.04 31.66 37.0220% 31.56 30.49 30.84 30.91 33.1530% 28.16 26.05 26.81 29.98 31.4740% 24.80 22.34 23.12 28.57 29.5350% 21.67 19.57 20.05 26.05 27.8360% 18.98 17.38 17.40 22.42 24.7170% 16.86 15.55 15.45 18.60 22.2480% 15.08 14.09 13.73 15.17 18.8190% 13.62 12.09 12.35 12.56 14.52

Tabela: Quadro comparativo fornecido pelo artigo utilizando o índicePSNR de vários filtros para a imagem “Lena”, 512x512, 8bits/pixel.




Comparação em Termos de PSNR


Tabela: Quadro comparativo fornecido pelo artigo utilizando o índicePSNR de vários filtros para a imagem “Lena”, 512x512, 8bits/pixel.




Comparação em Termos de MAE


Tabela: Quadro comparativo fornecido pelo artigo utilizando o índiceMAE de vários filtros para a imagem “Lena”, 512x512, 8bits/pixel.




Comparação em Termos de MAE


Tabela: Quadro comparativo fornecido pelo artigo utilizando o índiceMAE de vários filtros para a imagem “Lena”, 512x512, 8bits/pixel.





Algoritmo Noise Density 30% Noise Density 60%Adaptive Median Filter 33.91s 42.27sTristate Median Filter 24.12s 24.36sTrilateral Median Filter 34.31s 34.41sProposto 15.69s 22.45s

Tabela: Quadro comparativo fornecido pelo artigo em relação ao tempode processamento para diferentes algoritmos utilizando a imagem “Lena”,512x512, 8bits/pixel. Todos os algoritmos foram simulados na plataformaMATLAB em um Pentium Dual Core com 2GB de RAM. Para isso aimagem “Lena” foi contaminada com 30% e 60% de ruído impulsivo.Podemos observar que o algoritmo proposto necessita de muito menostempo comparado aos demais. O tempo de processamento é fornecido

em segundos.





Algoritmo Noise Density 30% Noise Density 60%Adaptive Median Filter 33.91s 42.27sTristate Median Filter 24.12s 24.36sTrilateral Median Filter 34.31s 34.41sProposto 15.69s 22.45s

Tabela: Quadro comparativo fornecido pelo artigo em relação ao tempode processamento para diferentes algoritmos utilizando a imagem “Lena”,512x512, 8bits/pixel. Todos os algoritmos foram simulados na plataformaMATLAB em um Pentium Dual Core com 2GB de RAM. Para isso aimagem “Lena” foi contaminada com 30% e 60% de ruído impulsivo.Podemos observar que o algoritmo proposto necessita de muito menostempo comparado aos demais. O tempo de processamento é fornecido

em segundos.




Conclusão

O trabalho de Vijaykumar & Jothibasu apresenta umanova escolha de filtro da mediana baseado na métrica

rank ordered absolute difference.

O filtro proposto apresenta uma performance estável ealém disso pode ser empregado para remover diferentestipos de degradação(como manchas, arranhões, estriase listras) e além disso é muito efetivo na remoção de

valores aleatórios oriundos de ruído impulsivo.

Sua principal vantagem é a facilidade deimplementação e o baixo tempo de execução.




Conclusão









Conclusão









Conclusão








Isso é Tudo Pessoal!



Agradecimentos

Grato Pela Atenção!



Referências Bibliográficas

R. Garnett, T. Huegerich, C. Chui, and W. He.A universal noise removal algorithm with an impulse detector.IEEE Transactions on Image Processing, 14:1747–1754,November 2005.R. C. González and R. E. Woods.Digital Image Processing.Pearson/Prentice-Hall, 2008.ISBN 013168728X.V. R. Vijaykumar and P. Jothibasu.Decision based adaptive median filter to remove blotches,scratches, streaks, stripes and impulsive noise in images.In Proceedings of the IEEE 17th International Conference onImage Processing, pages 117–120. IEEE, Sept. 2010.September 26-29, 2010, Hong Kong.


Education

Decision Based Adaptive Median Filter - Presentation.07.dezembro.2010 decision-based-adaptive-median-filter